人工智能如何指导课程设计和学习选择

我们寻求赋予我们的毕业生权力并最大限度地扩大他们的职业前景。新的研究使我们能够利用人工智能的力量，根据学生所需的工作实际需要的技能，为学生定制设计的课程规划和推荐系统。我们将这些课程交付模型命名为 JobFit 和 ModuLearn。

JobFit：职业驱动的课程

JobFit 建立在一个简单的前提上，即告知学生通过完成知识单元他们将获得的技能。这有助于学生分析从个人学习途径中获得的技能以及这些技能与职业前景的关系。

学生可以探索和试验各种途径。这个“如果呢?” 分析是根据他们的职业目标和知识偏好量身定制的。该系统监控他们的学习进度，并主动提供替代途径，以最大限度地提高他们获得与其目标相关的技能。

我们的技能基于公认的框架。对于科学、技术和商业，我们使用信息时代技能 ( SFIA ) 框架第 8 版，定义了 121 项技能，每个技能处于七个不同的级别。

例如，在组织中执行基本风险评估需要最低级别的“信息安全”技能。在最高级别，它使人们能够设计确保全球信息安全的组织和政府政策。

澳大利亚、英国和的政府和组织已经使用 SFIA 技能创建了数据集来定义所需的工作概况。

利用这些数据集，我们设计了一个典型的课程规划工具。(要登录，请提供您的电子邮件和您想在系统中扮演的角色。不需要密码。)西悉尼大学的学生可以使用它来探索他们与 ICT 工作角色的技能兼容性。

上图显示了与一般角色配置文件的兼容性，对于考虑初级职位的 ICT 学士学生。下面的视频展示了这个工具的可能性。

这种方法有几个好处。首先，学生了解他们的学习如何发展他们的技能。然后，他们可以设定职业驱动的目标，并就他们的学习途径做出明智的决定。

对技能的扎实理解以及如何在简历和求职信中表达这些技能变得越来越重要。这是因为人力资源部门正在采用自动化方法来搜索和筛选候选人，使用算法处理和文本挖掘。

我们可以使用 SFIA 来表达技术相关领域的技能。但是，它不适用于其他领域，例如工程、人文科学、法律或医学。

我们正在考虑从外部合作伙伴那里获取数据，以分析和处理来自所有行业的实时工作机会所需的技能。然后，我们将能够根据学生的知识概况告知学生任何行业中实际工作机会的数量、种类和兼容性。

这种方法也将使课程设计者面临快速引入新科目的挑战，以保持优于竞争对手的优势。结果往往是课程不连贯，尤其是在满足行业和雇主需求方面。

缺乏对就业市场所需技能和临时补充的了解导致项目没有提供明确的学习途径和与工作角色的相关性。我们的模型允许课程设计者根据就业市场需求分析和验证他们的课程。

最后，我们与行业合作伙伴合作，为感兴趣的行业领域和地区定义了自定义工作简介。以此类自定义技能为目标的学生在与行业合作伙伴一起申请工作时处于更有利的地位。

ModuLearn：促进跨学科技能

让学生了解他们正在获得的技能只是工作的一半。一个学生还必须获取一个相对短的时间所有他们想要的技能。

在本科学位中，大部分课程通常是用核心科目预先定义的。学生通常只剩下一两个学期的时间来将他们的知识集中在特定雇主所需的技能上。在诸如文凭或证书之类的短期课程中，问题更大。

学生的教师或学校也很可能不提供一些关键技能。由于害怕新环境的挑战，学生通常不愿意在不同的学校或学院学习。

为了克服这些问题，我们研究了增加具有不同技能的知识单元的多样性和数量的方法。我们在查尔斯特大学的工程主题树中找到了灵感。它允许学生通过从 1,000 多个不同的主题中进行选择来定制他们的学位。主题按学科组织，具有组织良好的先决条件和途径。

这个主题树缺乏的是技术支持，让学生可以轻松探索他们的所有选择。我们基于主题树的想法并设计了技能信息模块。这些是通常持续两到八周的学习单元。每个模块都明确定义了作为先决条件所需的技能及其提供的技能。

相互交织的模块网络提供基础知识和应用知识，但与一学期的科目相比，每个模块对学生的承诺更少。我们希望以这种方式鼓励学生跨学科学习。

然而，管理所有可能的模块组合、先决条件和用户偏好是一项重大的技术挑战。这需要新的研究，而不仅仅是现有人工智能方法的应用。

我们与巴塞罗那人工智能研究所 ( IIIA ) 合作，开发了技术手段来为课程设计者和学生设计和维护基于模块的课程。交付模式可以适应不同的公共或私人融资方案和教育标准，例如澳大利亚资格框架 ( AQF )。

课程开发往往滞后于技术开发和不断变化的市场需求。理想情况下，课程开发应该更具响应性和面向未来，而不是被动响应。使用较小的模块而不是一学期的科目，可以更快地适应不断变化的就业市场需求。