Hvordan AI kan vejlede kursusdesign og studievalg for at hjælpe kandidater med at få de job, de ønsker

Kandidater, der kommer ind på et stadigt mere konkurrencepræget arbejdsmarked, er ofte uvidende om de færdigheder og værdier, de tilbyder arbejdsgiverne. Udfordringen er større med nye jobroller, der kræver certificeringer og både tværfaglige færdigheder og specialistviden, selv for entry-level stillinger.

Vi søger at styrke vores kandidater og maksimere deres karrieremuligheder. Ny forskning har gjort os i stand til at udnytte kraften i kunstig intelligens til et specialdesignet kursusplanlægnings- og anbefalingssystem for studerende baseret på de færdigheder, deres ønskede job faktisk kræver. Vi navngav disse pensumleveringsmodeller JobFit og ModuLearn.

JobFit:Et karrieredrevet pensum

JobFit bygger på en simpel forudsætning om at informere eleverne om de færdigheder, de vil opnå ved at gennemføre en vidensenhed. Dette hjælper eleverne med at analysere færdigheder opnået fra et individuelt studieforløb, og hvordan disse relaterer til karrieremuligheder.

Eleverne kan udforske og eksperimentere med forskellige veje. Dette "hvad nu hvis?" analyse er skræddersyet til deres karrieremål og videnspræferencer. Systemet overvåger deres studiefremskridt og tilbyder proaktivt alternative veje for at maksimere deres tilegnelse af færdigheder relateret til deres mål.

Vi baserer kompetencerne på anerkendte rammer. For videnskaben, teknologi og forretning, vi bruger Skills for Information Age (SFIA) framework version 8, definere 121 færdigheder, hver på syv forskellige niveauer.

For eksempel, at udføre en grundlæggende risikovurdering i en organisation kræver "informationssikkerhed" færdigheder på det laveste niveau. På højeste niveau giver det personen mulighed for at designe organisatoriske og statslige politikker, der sikrer global informationssikkerhed.

Regeringer og organisationer i Australien, Forenede Stater, Storbritannien og EU har oprettet datasæt ved hjælp af SFIA-færdigheder til at definere ønskede jobprofiler.

Ud fra disse datasæt, vi designet et prototypisk kursusplanlægningsværktøj. (For at logge ind, Angiv venligst din e-mail og den rolle, du gerne vil spille i systemet. En adgangskode er ikke påkrævet.) Western Sydney University-studerende kan bruge den til at udforske deres kompatibilitet med IKT-jobroller.

Diagrammet ovenfor viser kompatibiliteten med generelle rolleprofiler, for bachelor i IKT-studerende, der overvejer stillinger på juniorniveau. Videoen nedenfor viser mulighederne for dette værktøj.

Denne tilgang har flere fordele. Først, studerende forstår, hvordan deres studier udvikler deres færdigheder. De kan derefter sætte karrieredrevne mål og træffe velinformerede beslutninger om deres studieforløb.

Solid forståelse af færdigheder og at vide, hvordan man udtrykker disse i CV'er og følgebreve er stadig vigtigere. Dette skyldes, at personaleafdelinger anvender automatiserede tilgange til at søge efter og bortfiltrere kandidater, ved hjælp af algoritmisk behandling og tekstmining.

Vi kan bruge SFIA til at udtrykke færdigheder inden for teknologirelaterede områder. Imidlertid, det gælder ikke for andre områder såsom teknik, humanvidenskab, jura eller medicin.

Vi ser på at indhente data fra en ekstern partner for at analysere og behandle nødvendige færdigheder fra live jobtilbud på tværs af alle brancher. Vi vil derefter være i stand til at informere eleverne om mængden, variation og kompatibilitet af faktiske jobtilbud i enhver branche baseret på deres vidensprofil.

Denne tilgang vil også gavne læseplansdesignere, der står over for udfordringerne med at nye fag hurtigt introduceres for at bevare en fordel i forhold til konkurrenterne. Resultatet er ofte et usammenhængende pensum, især når det kommer til at opfylde industriens og arbejdsgivernes behov.

Manglende forståelse for, hvilke kompetencer der ønskes på arbejdsmarkedet og ad hoc tilføjelser har ført til uddannelser, der ikke giver klare studieveje og relevans for arbejdsroller. Vores model giver pensumdesignere mulighed for at analysere og validere deres pensum i forhold til arbejdsmarkedets behov.

Sidst, samarbejde med industripartnere, vi definerede tilpassede jobprofiler for branchens interesseområde og lokalitet. Studerende, der målretter mod sådanne tilpassede færdighedssæt, er i en stærkere position, når de søger arbejde med en industripartner.

ModuLearn:Fremme tværfaglige færdigheder

At informere eleverne om de færdigheder, de tilegner sig, er kun halvdelen af ​​jobbet. En elev skal også tilegne sig alle deres ønskede færdigheder på en relativt kort periode.

I bacheloruddannelser, meget af kurset er typisk foruddefineret med kernefag. Studerende har ofte kun et eller to semestre til at fokusere deres viden på bestemte arbejdsgiveres ønskede færdighedssæt. Det er endnu mere et problem i kortere kurser såsom eksamensbeviser eller certifikater.

Det er også sandsynligt, at en elevs fakultet eller skole ikke tilbyder nogle kritiske færdigheder. Studerende er ofte tilbageholdende med at studere på en anden skole eller fakultet, frygter udfordringen i et nyt miljø.

For at overvinde disse problemer, vi så på måder at øge mangfoldigheden og antallet af vidensenheder med forskellige færdigheder. Vi fandt inspiration i Charles Sturt University's Engineering Topic Tree. Det giver eleverne mulighed for at tilpasse deres grad ved at vælge mellem over 1, 000 forskellige emner. Emner er organiseret efter discipliner, med velorganiserede forudsætninger og veje.

Hvad dette emnetræ mangler, er opbakningen af ​​teknologi, der giver eleverne mulighed for nemt at udforske alle deres muligheder. Vi byggede på idéen om emnetræet og designede færdighedsorienterede moduler. Det er studieenheder, der normalt varer to til otte uger. Hvert modul definerer klart de færdigheder, der kræves som forudsætninger, og de færdigheder, det leverer.

Et sammenflettet netværk af moduler leverer grundlæggende og anvendt viden, men hvert modul kræver mindre engagement fra studerende end semesterlange fag. Vi håber på denne måde at tilskynde studerende til at studere på tværs af discipliner.

Imidlertid, håndtering af alle mulige modulkombinationer, forudsætninger og brugerpræferencer er en væsentlig teknologisk udfordring. Dette krævede ny forskning, ikke kun en anvendelse af eksisterende AI-tilgange.

Arbejder med Artificial Intelligence Research Institute (IIIA) i Barcelona, vi udviklede teknologiske midler til at designe og vedligeholde et modulbaseret pensum for både pensumdesignere og studerende. Leveringsmodeller kan tilpasses til forskellige offentlige eller private finansieringsmuligheder og uddannelsesstandarder, såsom Australian Qualifications Framework (AQF).

Udvikling af læseplaner har en tendens til at halte bagefter teknologiudvikling og skiftende markedsbehov. Ideelt set udvikling af læseplaner bør være mere lydhør og fremtidsorienteret frem for reaktiv. Med mindre moduler i stedet for semesterlange fag, det er muligt at tilpasse sig meget hurtigere til stadigt skiftende behov på arbejdsmarkedet.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.