Afgestudeerden die een steeds competitievere arbeidsmarkt betreden, zijn zich vaak niet bewust van de vaardigheden en waarden die zij werkgevers bieden. De uitdaging is groter met nieuwe functies die certificeringen en zowel multidisciplinaire vaardigheden als specialistische kennis vereisen, zelfs voor startersfuncties.

We willen onze afgestudeerden empoweren en hun carrièrevooruitzichten maximaliseren. Nieuw onderzoek heeft ons in staat gesteld de kracht van kunstmatige intelligentie te benutten voor een op maat ontworpen cursusplannings- en aanbevelingssysteem voor studenten op basis van de vaardigheden die hun gewenste banen daadwerkelijk vereisen. We noemden deze curriculumleveringsmodellen JobFit en ModuLearn.

JobFit:een loopbaangericht curriculum

JobFit bouwt voort op een eenvoudig uitgangspunt om studenten te informeren over de vaardigheden die ze zullen verwerven door het voltooien van een kenniseenheid. Dit helpt studenten om vaardigheden te analyseren die zijn opgedaan tijdens een individueel studietraject en hoe deze zich verhouden tot loopbaanperspectieven.

Studenten kunnen verschillende trajecten verkennen en ermee experimenteren. Dit "wat als?" analyse is afgestemd op hun loopbaandoelen en kennisvoorkeuren. Het systeem bewaakt hun studievoortgang en biedt proactief alternatieve trajecten aan om de verwerving van vaardigheden gerelateerd aan hun doelen te maximaliseren.

We baseren de vaardigheden op erkende kaders. Voor de wetenschap, technologie en zaken, we gebruiken het Skills for Information Age (SFIA) framework versie 8, het definiëren van 121 vaardigheden, elk op zeven verschillende niveaus.

Bijvoorbeeld, het uitvoeren van een basisrisicobeoordeling in een organisatie vereist "informatiebeveiliging"-vaardigheid op het laagste niveau. Op het hoogste niveau stelt het de persoon in staat om organisatorisch en overheidsbeleid te ontwerpen dat wereldwijde informatiebeveiliging garandeert.

Overheden en organisaties in Australië, Verenigde Staten, Het Verenigd Koninkrijk en de Europese Unie hebben datasets gemaakt met behulp van SFIA-vaardigheden om gewenste functieprofielen te definiëren.

Op basis van deze datasets, we ontwierpen een prototypische tool voor cursusplanning. (Inloggen, geef uw e-mailadres en de rol die u wilt spelen in het systeem. Een wachtwoord is niet vereist.) Studenten van de Western Sydney University kunnen het gebruiken om hun compatibiliteit met ICT-functies te onderzoeken.

De bovenstaande grafiek toont de compatibiliteit met algemene rolprofielen, voor Bachelor of ICT-studenten die junior-level posities overwegen. Onderstaande video laat de mogelijkheden van deze tool zien.

Deze aanpak heeft verschillende voordelen. Eerst, studenten begrijpen hoe hun studie hun vaardigheden ontwikkelt. Ze kunnen dan loopbaangerichte doelen stellen en weloverwogen beslissingen nemen over hun studietrajecten.

Een goed begrip van vaardigheden en weten hoe deze tot uitdrukking te brengen in cv's en sollicitatiebrieven worden steeds belangrijker. Dit komt omdat personeelsafdelingen geautomatiseerde benaderingen toepassen om kandidaten te zoeken en uit te filteren, met behulp van algoritmische verwerking en tekstmining.

We kunnen SFIA gebruiken om vaardigheden op technologiegerelateerde gebieden uit te drukken. Echter, het is niet van toepassing op andere gebieden zoals engineering, menswetenschappen, recht of geneeskunde.

We kijken naar het verkrijgen van gegevens van een externe partner om de vereiste vaardigheden van live vacatures in alle sectoren te analyseren en te verwerken. Dan kunnen we de studenten informeren over de hoeveelheid, verscheidenheid en compatibiliteit van actuele vacatures in elke branche op basis van hun kennisprofiel.

Deze aanpak zal ook ten goede komen aan curriculumontwerpers die worden geconfronteerd met de uitdagingen van nieuwe vakken die snel worden geïntroduceerd om een ​​voorsprong op concurrenten te behouden. Het resultaat is vaak een onsamenhangend curriculum, vooral als het gaat om het voldoen aan de behoeften van de industrie en de werkgevers.

Een gebrek aan inzicht in welke vaardigheden gewenst zijn op de arbeidsmarkt en ad-hoc toevoegingen hebben geleid tot programma's die geen duidelijke studiepaden en relevantie voor werkrollen bieden. Met ons model kunnen curriculumontwerpers hun curriculum analyseren en valideren ten opzichte van de behoeften van de arbeidsmarkt.

Laatste, samenwerken met industriële partners, we hebben aangepaste functieprofielen gedefinieerd voor het interessegebied en de plaats van de branche. Studenten die zich richten op dergelijke aangepaste vaardigheden, bevinden zich in een sterkere positie wanneer ze solliciteren bij een branchepartner.

ModuLearn:bevorderen van interdisciplinaire vaardigheden

Studenten informeren over de vaardigheden die ze opdoen is slechts het halve werk. Ook moet een student in relatief korte tijd alle gewenste vaardigheden verwerven.

In de bacheloropleidingen, een groot deel van de cursus is meestal vooraf gedefinieerd met kernonderwerpen. Studenten hebben vaak maar een of twee semesters om hun kennis te concentreren op de gewenste vaardigheden van bepaalde werkgevers. Nog meer een probleem bij kortere cursussen zoals diploma's of certificaten.

Het is ook waarschijnlijk dat de faculteit of school van een student bepaalde kritische vaardigheden niet biedt. Studenten zijn vaak terughoudend om in een andere school of faculteit te studeren, bang voor de uitdaging van een nieuwe omgeving.

Om deze problemen op te lossen, we hebben gekeken naar manieren om de variëteit en het aantal kenniseenheden met uiteenlopende vaardigheden te vergroten. We vonden inspiratie in de Engineering Topic Tree van Charles Sturt University. Hiermee kunnen studenten hun diploma aanpassen door te kiezen uit meer dan 1, 000 verschillende onderwerpen. Onderwerpen zijn geordend per vakgebied, met goed georganiseerde voorwaarden en trajecten.

Wat deze themaboom mist, is de ondersteuning van technologie waarmee studenten gemakkelijk al hun opties kunnen verkennen. We bouwden voort op het idee van de themaboom en ontwierpen op vaardigheden gebaseerde modules. Dit zijn onderwijseenheden van doorgaans twee tot acht weken. Elke module definieert duidelijk de vereiste vaardigheden als vereiste en de vaardigheden die het oplevert.

Een verweven netwerk van modules levert fundamentele en toegepaste kennis op, maar elke module vereist minder inzet van studenten dan semesterlange vakken. Op deze manier hopen we studenten te stimuleren om over disciplines heen te studeren.

Echter, het beheren van alle mogelijke modulecombinaties, vereisten en gebruikersvoorkeuren is een belangrijke technologische uitdaging. Dit vroeg om nieuw onderzoek, niet alleen een toepassing van bestaande AI-benaderingen.

In samenwerking met het Artificial Intelligence Research Institute (IIIA) in Barcelona, we hebben technologische middelen ontwikkeld om een ​​op modules gebaseerd curriculum te ontwerpen en te onderhouden voor zowel curriculumontwerpers als studenten. Leveringsmodellen kunnen worden aangepast aan verschillende openbare of particuliere financieringsopties en onderwijsnormen, zoals het Australian Qualifications Framework (AQF).

De ontwikkeling van leerplannen loopt vaak achter op de technologische ontwikkeling en veranderende marktbehoeften. Ideaal, curriculumontwikkeling moet meer responsief en toekomstgericht zijn in plaats van reactief. Met kleinere modules in plaats van semesterlange vakken, het is mogelijk om veel sneller aan te passen aan de steeds veranderende behoeften van de arbeidsmarkt.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.