观点的文章

前面。Artif。智能。,25 May 2023
秒。AI对人类学习和行为改变
卷6 - 2023 | https://doi.org/10.3389/frai.2023.1173099

学习为终身职业发展分析:一个框架支持可持续发展的形成性评价和自我反省项目发展中职业自我效能感

Tamishka黄铜 ¹

JohnPaul肯尼迪 ¹ ^*

佛罗伦萨加布里埃尔 ¹

Bec尼尔 ²

黛博拉·德维斯 ¹

西蒙·n·伦纳德 ¹

¹南澳大利亚大学,南澳大学教育期货、变化和复杂性在学习中心SA、澳大利亚阿德莱德
²南澳大学、南澳大学教育期货研究中心教育和社会包容、SA、澳大利亚阿德莱德

在纷繁复杂的教育机构面临的挑战在这个时代迅速发展的就业市场的职业自我效能感在学生的发展。自我效能感一直被认为是发达国家通过直接经验的能力,能力的间接经验,社会劝说,生理信号。这四个因素,特别是前两个,很难构建成一个上下文的教育和培训项目,改变技能使毕业生能力的具体含义不太为人所知,尽管这个集合的其他贡献,很大程度上是不可知的。作为回应,在本文中,我们认为元认知模型的工作职业自我效能感的培养学生的技能需要评估他们的技能,态度和价值观,然后适应和发展他们自己的职业环境的发展。我们将提出的模型是在一个紧急环境演变复杂的子系统之一。识别不同的因素,该模型提供了特定的认知和情感结构可行的学习分析职业发展的重要目标。

1。介绍

越来越多的数字化教育意味着我们现在有大量的数据告知教育者对学生的学习和学习环境中正在发生的事情。机器学习和人工智能的耦合(ML / AI)有能力收集和分析不同,大型数据集提供了强大的方法来评估学习和影响在学习环境中,我们已经将这种模式称为学习分析(LA) (朗et al ., 2022)。可以使用可用的工具和方法现在教育教师等专业人士进行评估和评价更有效。他们也可以用来定性operationalise不同的评估和评价,这在以前是没有的,至少不是在任何合理的成本。

本文报告工作项目的早期关注使用拉创造新形式的评估事件能够嵌入在中学生的职业发展计划。在这个项目的早期阶段,我们正在寻求确保我们使用的主要是关于学习(Gaševićet al ., 2014),计算的发展方面的工作来故意和慎重审议地服务于我们的学习目标。

本文的重点是一个框架使用拉和ML / AI提供有效和持续的反馈学生在我们的职业发展计划。内容讨论here-careers教育是许多读者立即感兴趣的,因为它是一个正在经历重大的教学和学习领域课程改革在世界的许多地方。然而,我们在出版的主要目的,是分享我们的模型作为一个例子包括洛杉矶的教育设计的初始阶段。为形成或总结性的目的,评估事件我们创建和学习数据收集中立和客观;他们创造教育现实(佩罗塔和威廉姆森,2018)。我们的目的是提供一个“榜样”工作知识和技术工作的设计为我们想要的现实选择。在这个过程中,我们正在积极寻求使用ML /人工智能的力量来创建一个新的教育现实我们正在设计的职业发展规划。

1.1。需要一个新的职业教育理论的实践

在这个世纪,越来越多的政策在很多国家呼吁(终身)“学习社会”的发展,Boud (2000)认为需要更加重视“可持续”评估。借款从流行的可持续发展的定义,他认为会议的评估需要礼物不应该妥协对未来的学习者的需要。此外,他认为的日常锻炼的主要总结性评估实践,我们认为,改变了这一切太多实际上主要障碍终生学习质量。

在此后的二十年,学习型社会已经改变了的想法。面对日益增长的自动化、全球化和协作,“未来的工作”正在成为一个改变环境(澳洲年轻人基金会,2018年)那些阅读Boud 20年前的工作几乎无法想象。4.0产业的出现和其他数字转换,包括ML /人工智能和自动化的普及使用,导致许多行业的重组和持续的中断当前和未来的劳动力市场(Ghobakhloo 2020;Dvorakova 2021)。特别是在我们的项目中使用二级学生,行业5.0承诺进一步扰乱现有系统通过将研究和这些创新的工具和过程的中心转向可持续的,有弹性,以人为中心的行业(阿德尔,2022;欧洲委员会,研究和创新总司et al ., 2022;伊万诺夫,2022)。

在未来的不确定性,这些破坏了,我们的研究团队一直从事职业发展项目的设计中学的学生。随着这项工作的进展,Boud可持续评估的想法在我们的思维变得越来越突出。终身学习的理念,当然,给定。我们应该支持终身学习对于年轻人可能需要参与多个或“投资组合”的职业是在从government-as-project-funder设计纲要(国家职业研究所,2022年)。我们工作能力框架然而,我们发现,即使是“轻触”评估事件我们创造有倾向“片段和划分知识和理解为了有一个可控的过程符合时间限制”(Boud 2000,p . 165)。

介绍我们的研究和教育的早期阶段设计打算使用拉和ML /人工智能来构建可持续评估事业发展计划。本文首先为我们的教育设计工作提供进一步的上下文,包括考试的一些现有的职业教育模式的局限性。然后,它将概述一个替代性范式,可以建立在职业自我效能感的概念(CSE) (Reddan 2015)。简而言之,我们认为在缺乏清楚未来的技能需求,我们——职业教育工作者,需要不同的理论基础和框架来构建我们的评估活动。我们认为通过其能力和监控能力和适应持续skills-need变化(Connolly, 2020的概念),我们正在寻求CSE提供了理论依据。我们将阐明一个框架基于这一概念,可以用来将理论转化为可实现评估事件由洛杉矶和ML /人工智能。重要的是要强调,这是故意通用的框架。摘要我们的目的是提供一个框架,可以进化和适应许多特定的本地环境中增强学生的机构在他们的职业生涯决策通过有效的利用率。

2。改变模式

指出,洛杉矶和ML /人工智能在教育评估的使用可以使现有的评估机制更加有效,也可用于从根本上改变被评估。在这个项目中我们试图做后者。我们这样做是因为占主导地位的评估形式的职业教育,当然在我们的澳大利亚上下文,但其他地方,仍然是基于一个过时的范式关注学生的能力和利益。在提出这个要求,我们并不是说能力和兴趣无关。然而,正如我们下面会说,现代劳动力市场的动态特性出现了新的范式发展的相关学术文献(Draaisma et al ., 2016;2020年杰克逊和汤姆林森),在职业发展政策(见,例如,国家职业研究所,2022年),在课程的支持材料(南澳大利亚政府,2022年),但尚未令人信服地进入日常每一所学校实践。

活力的现代劳动力市场已经好了(希利et al ., 2017;Connolly, 2020;2020年杰克逊和汤姆林森;大米et al ., 2022)。由越来越一体化的全球贸易和技术变化迅速,大多数所谓的“高级”的技能需求的经济体,如澳大利亚已经转向知识和服务主导型职业,远离制造(菲尔普斯et al ., 2012;Herrendorf et al ., 2014;希利et al ., 2017;Connolly, 2020;大米et al ., 2022)。由于这发生,劳动力市场变得更加“灵活”,严重依赖临时工和其他不安全的就业模式(菲尔普斯et al ., 2012;Herrendorf et al ., 2014;Connolly, 2020)。一些估计显示,年轻人在澳大利亚完成学校今天可能多达17个不同雇主一生和五个独立的职业(澳洲年轻人基金会,2016年)。

这些变化在流行和政策话语经常出现奇迹和报警的混合物。例如,变化的伪统计“N %的工作存在于20 xx尚未发明”常被宣传政策文件(南澳大利亚政府,2016年)和媒体(例如,对于食物,2017;克鲁格,2021)。这种报告的不幸的后果,无论他们只能猜测工作,是它创造了一个认为几乎没有一个年轻人可以将被赋予了一个不确定的未来麦当劳,2018;2020年杰克逊和汤姆林森)。这感觉是不幸的,因为它仅仅是不正确的。有或没有伪统计,职业发展的研究人员早就回应无疑是一个不稳定的和复杂的劳动力市场不可预测的技能需要通过识别的另一个范例职业教育(Moote阿切尔,2018年)。范式的变化我们看到已经明显。

进化在上个世纪,职业教育的核心作用是使年轻人将自己的兴趣和技能,并使用概念化提供相关的,具体的和经常勉强集中信息关于职业通路和选项(林et al ., 2021)。经常提供一对一的辅导,年轻人和他们的顾问寻求匹配个人体质包括但不限于,能力,个性,和利益与现有职业概要文件(斯波坎Cruza-Guet, 2005;内尔森Kuijpers, 2014;麦基et al ., 2022)。上个世纪的末尾,然而,研究人员开始表达更为广阔的视野对职业教育重点是自己管理自己的职业所需的技能(见,例如,本特松,2011;欧文,2013)。现在这种模式对职业教育等相关政策制定的根深蒂固的在澳大利亚的职业发展蓝图(第二版国家职业研究所,2022年),它将继续直接资助在职业发展空间的方向一样终身职业能力2010年第一版。

2.1。持续的实践模式

转向终身职业学习一直比在政策在实践中难以实现。终身职业学习仍然是一个相当模糊的概念,还没有取代了传统的理解,学校将年轻人准备职业“路径”与有序层次发展在一个组织或职业(巴鲁克,2004;2020年杰克逊和汤姆林森)。简而言之,在非正式的讨论和更正式的评估事件,本质上我们仍然倾向于问年轻人“你想要什么当你完成学业?”这个根本目的固定在我们的实践中,我们集中我们的评估和反馈目标与小空间上的细微差别,在当代职业的复杂性是必要的空间。它应该是不足为奇的行业利益相关者铰接,当前职业发展提供是不切实际的,过时的和不充分准备的学生放学后的生活(澳洲年轻人基金会,2016年;维多利亚议会,2018年)。

作为回应,我们的项目正在寻求支持不同的认识论的实践(福勒et al ., 2022 a,b)。而不是设计教育项目关注的问题在接下来的直接问题,我们正在寻求接近Boud“可持续”的方法。要做到这一点,我们的设计是基于不同的指导评估的问题:“学生如何改善自己的CSE ?”。

3所示。我们的目标:反馈的职业自我效能感

CSE的想法并不新鲜。开发的哈科特和贝茨(1981)CSE是适应的班杜拉(1977)自我效能建设的职业心理学。在班杜拉(1982)理论,自我效能感是指个体相信自己的能力来执行的行动,执行一个给定的行为,和完成任务产生特定性能造诣(班杜拉,1977,1993年,1997年;哈科特和贝茨,1981年)。这些信念影响个人的感受,认为,激励自己和行为(班杜拉,1993)。这种结构可以影响一个人是否选择执行或不执行任务(班杜拉,1977,1982年),被称为认知结构的累积学习经验。班杜拉(1977)确定了影响自我效能的四个主要来源:掌握经验;替代经验;社会说服;和生理/情感状态。

而贝茨,哈科特(2006)已经明确表示,他们不相信CSE是一个单独的构造一般自我效能感,这个想法已经被用于有效地关注信心科目的能力来执行相关的行动进一步的职业选择(借和哈科特,1987;安德森和贝茨,2001年);和他们的能力做出判断的能力来执行行为与职业发展和调整(奈尔斯和索,1992;安德森和贝茨,2001年)。使用这种方式,CSE提供基本信息相关的了解职业发展过程(奈尔斯和索,1992),总结的可能性低的预期功效对职业行为的某些方面可能不利导致最佳职业选择(贝茨,哈科特1986)。

自我效能的赤字会导致个体拖延在职业相关决策或实施可能会推迟一个预制的决定(贝茨,1992)。此外,低CSE的信念,即使基于准确的评估一个人的过去的成就和能力,会阻碍一个人的全部能力从事其他职业的意识(贝茨,哈科特1981)。相反,想象成功的趋势,寻求积极的支持和成果的事业野心,优化高CSE的特性。一般来说,CSE越高,雄心勃勃的个人将自己的职业目标和挑战,和更强的承诺将是他们(Arghode et al ., 2021)。因此,低CSE信仰应该质疑和改进,而高CSE信仰应该得到支持和强化。职业发展理论家普遍承认自我效能信念是职业选择的基本因素翻译能力采取行动(泰勒和贝茨,1983年;借给et al ., 1994)。简而言之,CSE信仰有助于避免或动机对职业行为(贝茨,2004)。

CSE的提高已成为指导设计原则在我们的职业发展教育设计项目。记住这一点,我们现在寻找有效利用拉和ML / AI提供职业教育工作者的教学和评估工具,他们需要把CSE的发展中心的实践。我们也试图这样做的方式是可扩展的,可以支持的采用一种新的实践,而不需要创建一个额外的人力资源不可能可以超越我们的项目的结束。

3.1。学习分析,机器学习和反馈

我们对探索的引力拉的使用在我们的教育设计工作旨在提高学生CSE是由于最近工作领域连接洛杉矶,决策和自主学习(见,例如,黄et al ., 2019;Blackmon和摩尔,2020年)。本研究主要是利用拉系统的能力,为学生提供有意义的反馈,否则表示为“轴承”(Prinsen de Laat, 2014;鲑鱼和Asgari, 2020年)。在这个作品中,我们看到了缩放及时可行的解决方案和个性化的反馈来支持学生的自主学习,满足每个学生的需求个性化和面向数据的方法(Lim et al ., 2021 a;苏萨et al ., 2021)。作为Prinsen和德Laat (2014)认为,洛杉矶可以允许学生反映,做出明智的决定,因为他们跟踪他们的成就。总之,很明显,学生的自我评估自己的学习可以通过使用拉(补充辊温内,2015),洛杉矶的应用已经扩展到决策和干预措施在教室里(Molenaar et al ., 2021)。

潜在的改善反馈是很重要的在考虑我们如何支持CSE的发展。通过掌握经验,自我效能感发展替代性经验,口头劝说,我们身体和生理信息给我们。反馈,尤其是有针对性的、个性化的,可以通过这些渠道。这是最广泛的探索对更广泛的自主学习过程(海蒂和Timperley, 2007年;莱曼et al ., 2014;Lim et al ., 2021 a;钟和袁,2022)。我们的工作特别感兴趣的是第三阶段齐默尔曼的SRL周期(齐默尔曼·莫伊伦·,2009),它强调反思和评估性能和结果导致更多明智的决定在未来的学习周期。

先前的研究已经表明,反馈基于拉可以支持学生的学习,不管之前的学术地位,不同的学习操作和SRL能力(Afzaal et al ., 2021;Lim et al ., 2021 b)。Afzaal et al。(2021)证明,通过使用一种新颖的数据驱动方法,LA技术结合可辩解的ML允许自动和智能反馈提供给学生,从而促进SRL的过程。特别是这些作者表明ML-based算法,借鉴学习管理系统数据生成预测模型,允许数据驱动反馈计算,提出可操作的建议。

我们正在寻求发展的方法不是全新的。古铁雷斯et al。(2020)例如,报告的使用分析和表语统计在仪表板学习顾问在高等教育环境中。然而,我们的雄心是利用ML / AI提供直接反馈到学生自身,在这一过程中,支持更高级别的反射和自律。这种方法也是我们短暂的设计为可伸缩的一部分。

4所示。一个变化的框架

图1提供了一个框架支撑一个“传统”的系统概述职业发展我们上面描述的方法。它的步骤提供的规范的职业建议荷兰(1997)。

图1

图1。“传统”的系统架构图职业咨询谈话。箭头表示在这个系统信息的流动。

在这种传统的方法知识的职业顾问作为中心点careers-based信息。从雇主或学校的角度来看,这种模式有利是存在一个中央接触点和存在一个专家谁可以过滤和处理提供数据。协助职业顾问这个角色性格或能力评估的结果可以帮助为表现的总结或子集信息到一个特定的学生。然而,这种方法的缺点是,它依赖于研究认为,目前占主导地位的性格特征和能力的人在一个特定的职业是职业的需要。也许是这样,但考虑到文化和社会分层的职业阶级和性别等因素高度确定,很可能相关特质和能力由于混杂,社会经济变量。

我们处理的主要弱点,不过,是过程是固定的,线性和终端。上面说,这不是一个合适的模型当前的劳动力市场的要求。模型表明,职业顾问应该考虑的组合特征和careers-based信息。然后,使用一些分类工具,性格测试,和/或调查,牧师选择图书馆为学生的信息。学生应该应对这个策划信息作出决定,这个过程会导致一个声音或一个不健全的决策。在许多方面这一过程机构退出学生,不给他们机会自主探索CSE的职业路径和发展一种认识。

在设定的模式图2是另一个框架中概述的想法通知吗林et al . (2021)。这些想法认为,传统的职业生涯谈话过程中从学生自治,而是提倡更大的参与学生的职业决策周期。为实现这一目标,重要的是,学生既反映了自己掌握的经验和他人的间接经验的自我反思和自我评价的过程。反过来,这个过程将影响自己的基本态度和价值观以及自己的评价能力在某些领域,包括职业技能,协调并告知未来careers-based决策。中概述的框架图2包含这些反馈循环周期和承认careers-based决策通常不是“一次,完成”的决定,而是采取一系列累积的形式决定周期。基于职业信息在这个新的框架现在介导,主持和根据学习者的态度和价值观,决策结果和经验将导致进一步的改变这些态度和价值观。

图2

图2。一个通用的系统框架来解释职业careers-based决策自我效能的影响。扎实的黑色箭头表示信息流,而虚线箭头表示一个变量在这个流时间延迟。蓝色箭头表示内部信息流动。橙色线表示的潜在来源数据,供学习使用分析系统。红线显示,数据表示可能会添加一个额外的“声音”到其他进程。

4.1。在这个框架的潜在作用是什么拉?

还是一个相对年轻的研究领域,LA倾向于采用有限范围的策略提供反馈。不包括有关教育数据挖掘的方法,主要受众是教育机构,三大倾向反馈机制。首先,信息可视化的形式为学生或老师的观众。其次,在合作和其他形式的反馈从社会网络分析的交互。最后,通过提供“推动”产生的基于事件触发或内容分析(见Banihashem et al ., 2022)。

这里提出可行的框架内拉的作用是支持CSE的发展,为学生提供数据和“外部”的见解关于他们的学习进度和性能。这些信息可以帮助学生识别领域的优势和劣势,支持他们在他们的元认知技能的发展,使他们能够设定个人目标,并跟踪他们的进展实现这些目标。虽然这些信息可以提供给学生在上面列出的任何形式,我们相信,在许多情况下一个版本的“推动”或提示方法可能是最有效的。此外,如果拉系统可用于提供个性化和有针对性的反馈,从而帮助学生开发一个更强烈的控制和掌握他们的学习,可以增强他们的CSE,他们会做出更明智的职业发展,和职业生涯的决定。反过来,这可以增加学生的信心,相信他们有能力实现事业成功。

如图所示的橙色箭头导致拉过程块图2,至少有四个数据流,可以通知可操作的系统。具体地说,有机会在这个模型来获得数据在学习者的表现,体验(包括第一手或掌握的经验和间接经验),态度,和能力。的处理表示这个目标,真实世界数据输入形式的仪表板,个性化的提示,或另一种形式的适当的反馈可以提供另一个的信息来源,如红色箭头所示,提高正式或非正式的自我反省和自我评价的过程。建议这个反射过程将导致自我意识的转变职业技能和/或自我效能进而会引起参与者的态度和价值观的转变。这些内部信息传输和处理的蓝色箭头表示图2。数据表示还可以用来提供额外信息的决定在未来职业生涯教育周期,提供一个有意义的和个性化的额外的“声音”职业的对话。利用可行的LA可能详细的见解在这种闭环反馈系统,建议学习者经历低CSE应该能够挑战自己的信仰,反思自己过去的表现和改善他们的态度和未来成功的机会。

当我们离开这个设计的细节,我们可以评论的目标过程。我们参与的过程是一个定位学习第一(Gaševićet al ., 2014)。大部分的工作在洛杉矶的上下文中进行了现有教育设计和不得不处理数据,已经由现有的设计和实践。相比之下,在这个项目中需要改变现有的实践中等职业发展项目提供了包括洛杉矶的机会为我们的教育工程的一个重要因素。我们的框架图2结合了理论和后续的设计猜想,指定的地方拉作为活性剂的学习过程,而不是一个投机取巧的“进驻”拉到现有的学习系统作为一个被动的观察者。也就是说,在设计新的职业教育提供者需要问的问题,“学生需要获得什么信息从这个经验来提高他们的CSE ?”和“活动怎么能由其基础捕获这些信息以一种拉可以处理,造福学生?”。

框架的周期性承认一个有机的复杂性和发展系统,需要职业教育超越传统的一劳永逸的职业的对话。洛杉矶和ML / AI将用于关闭在这个背景下学习循环。它将使提供的反馈在多个维度提供实时的学生通过项目进展。这使我们的教育设计团队的机会故意,故意在程序中创建空间为学生反思自己的发展领域,反过来,采取行动来构建他们的柔软和技术技能的飞速发展程序,反映了当代劳动力市场的快速发展。

4.2。潜在的应用框架

在特定的应用程序框架的概述图2超出了本文的范围,它可能有助于读者考虑两个例子的情况下它可能被利用。作为第一个例子,考虑一个careers-based项目,旨在开发学生的感知的可转让的职业技能,如客户沟通。聊天机器人或其他的程序可能会让使用会话目的代理的目的是为学生利用他们的客户沟通技巧来确定代理的性质的调查,然后解决这个问题。自然,聊天机器人系统将记录的谈话可能会随后进行分析,利用自然语言处理等技术,开发相关的度量问题。使用这些指标,比如谈话沟通清晰和集中质量的student-agent对话,掌握经验的一种形式,可以测量的数据传递给一个洛杉矶的过程。LA过程可以用来提供额外的反馈仪表板或可能是个性化的形式反射提示通知学生的自我反省的过程。反过来这些信息支持的发展学生的CSE他们反思自己的经验,想象自己的长处,并识别可能仍然需要改进的领域。例如,一个学生有一个好的沟通能力水平被拉的过程,可能会收到一个反光的提示,要求他们考虑可能的职业生涯路径,他们认为会使有效利用这个技能。因此,他们选择这样做独立研究这些职业方向和经验增强CSE。

第二个用例可能围绕使用反光杂志或e-Portfolio工作经验计划的一部分。在正常情况下,一个学生进行这样的计划将在隔离工作。然而,如果这个框架提出了采用,那么这种隔离可以被克服。学生进行这样一个项目可能需要保持每天反思他们的经历》杂志上。毫升/人工智能系统可能主题分析学生反思通过寻找模式和/或关键字和文本的识别情绪或其他特性。这些个性化分析,掌握经验的一种形式,结合同行的匿名分析进行项目类似的工作场所,替代经验的来源,可以结合使用一个定制仪表板的模式在学生的反思。这可能是生成摘要的形式,文字云,或其他适当形式。引导反思这些数据可以使用的学生提高他们的认识自己的长处和弱点,并鼓励学生采取积极行动,从而提高他们的CSE。这真实的证据可以帮助通知工作经验计划的自我评价和告知未来careers-based决策过程。

4.3。CSE的影响?

在这个框架中,CSE介导,并通知学生的职业生涯决策过程。例如,我们假设一个学生水平较高的CSE威尔:比reactive-careers proactive-rather做决定;寻找和self-evaluate-rather应对provided-career-based信息;是自我意识的个人优势和区域improvement-rather比无视他们的弱点和发展需求;认识到技能职业之间的可转让性paths-rather比考虑作为小众专业技能;并考虑通用职业paths-rather比特定的工作。这些学习者特征描述乐观的终身学习者,因此,做出合理的职业生涯决策的可能性会更高的学生更高的CSE。

然而,为了建立CSE,个人需要能够形成一个自我意识的职业技能和有效地培养他们的自我效能信念。这可以通过自我反省和自我评价的过程,解释关于自己过去的表现,能力,experiences-both个人和替代。这些过程也由第三方提供的口头劝说,情绪和生理状态。优先的过程自我反省和自我评价的焦点调查导致机会实现和使用可行的LA支持发展中CSE的学习者。在我们的设计ML / AI将为推动和促使这些阶段的反思。

5。评估框架

框架超越现有模式,因为它利用CSE的构造来告知careers-based决策通过使用可操作的。当前职业框架主要是位于careers-based决策过程,传统的对话是一个一劳永逸的过程,很少有机会将洛杉矶,很少有机会去学习从过去的决定。完成循环,然而,通过额外的数据流可以被捕获和处理客观地通过各种流程,然后反馈到这些学生未来的决策过程。因此,他们的下一个更明智的决定。

周期性的框架为多种形式的数据采集提供了大量机会,从掌握和/或替代的经验,职业技能的评估,调查或仪器,测量情感态度。此外,通过精心裁剪和定位的反馈渠道,这些数据可以告诉其他进程在系统内,可能使系统self-moderating和阻尼大的扰动。

框架承认需要学习者负责他们自己的职业发展和促进个人责任的增加实现可持续的职业生涯中,当前劳动力市场的动态趋势看齐。的机构框架很简单,培养学习者了解自己的技能,能力,能力与转变,强调技能的重要性需要自己管理自己的职业生涯。当然,这个框架旨在确保使用LA根本上是关于学习和接下来的计算方面故意提供指定的学习目标。通过使用拉帮助从经验中提取数据,和喂养,自我反省和自我评价的过程,自我效能感可以影响控制的方式,这将影响到生理和情绪状态控制的方式。

此外,这个框架鼓励学生职业教育过程中扮演一个真正积极的角色,而不是如传统框架范围明确界定的一次作用。在这个过程中,没有评估学生的决定,而是一个机会为学生提供自我评估和自省自己的决策,进而帮助他们作出明智的决定在不久的将来。强调这样的框架有助于学生的自主权。

应对传统的职业模式不变,至今仍在影响,框架认识到长期的职业生涯过程的轨迹。与职业生涯不断变化、发展和适应劳动力市场需求,学习者能够获得有针对性的、个性化的反馈,证明可行的LA在职业领域的重要性,以及如何在支持终身职业发展有相当大的贡献。

5.1。潜在的局限性

有一些笔记提醒说,需要考虑关于我们提出的框架。例如,尽管我们已经确定了区域在洛杉矶的学习系统将是有用的,我们是不确定的,我们将能够制定有效措施相关的变量和构造。此外,内在的中介效应和semi-intrinsic变量,如性别和社会经济地位可能会有其他影响这些有效措施的发展。自然语言处理模型的发展近年来结合ML /人工智能处理的效率不断增加给我们希望这些潜在的技术问题是可以克服的。我们鼓励任何实现该框架的研究人员,确保数据收集从各种各样的参与者,一个跨学科的团队,包括专业教育者,参与讨论任何来自洛杉矶的反馈过程的本质。这将一定程度上对任何应用程序最小化潜在的AI的偏见和增加系统的透明度和问责制。

我们还没有确定模型的学生将参与我们希望的方式。他们也习惯了正统,问他们当他们完成学业,所以他们可能不与我们计划的有机和发展环境。实际上,很可能许多学生只会想要一个权威人物,告诉他们要做什么。他们也不希望参与开发CSE的工作和其他复杂的功能,也没有看到ML /人工智能代理作为通知权威人物在一个决策过程。这些问题的信任和正统的心态必然会得到解决,最终克服ML /人工智能的认识和使用越来越普遍。同时,重要的是,系统,利用这个框架采用一种透明的方式操作和数据处理,这样老师和学生都能够看到一个拉系统使其建议。

最后,我们还需要测试的程度或多或少明确反映在这个框架的过程影响直觉在职业生涯决策的导入作用(借和布朗,2020年)。为此,我们鼓励所有研究人员在这个领域探索反思学生的价值观和态度的影响职业决策和考虑职业决策是一个周期性的而不是线性的过程。

6。结论

我们本文中概述的框架还有待检验,但它代表了一个雄心勃勃的试图进行教育设计与洛杉矶和ML /人工智能从一开始就在心里。我们所描述的,我们有理论的理由相信这将导致改进与职业教育实践;这种做法更符合最近的文献和政策方向。

作为初始过程,然而,我们推荐我们的项目团队进行了为他人渴望利用ML / AI和洛杉矶的增加力量来支持新的教育实践。SAMR模型(Blundell et al ., 2022),已广泛应用在考虑计算机在教育领域的作用是有益的。它表明,电脑和其他数字技术可以用来替代、补充、修改或重新定义我们的教育实践。ML / AI似乎最有可能的技术尚未真正定义练习,但这样做需要仔细和深思熟虑的潜在进入我们以人为本的教育设计工作。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

作者的贡献

结核病、FG BN, SL的初始概念。JK发达本文提供的理论框架和结核病而DD提供专业知识和洞察他们的设定。JK、结核病和SL论文的写作和所有作者的编辑和细化的过程。所有作者的文章和批准提交的版本。

资金

这个项目是由国家事业研究所NCIPII000291。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

阿德尔,a (2022)。5.0产业的未来社会:以人为中心的解决方案,挑战和潜在的研究领域。j .云计算11日,40岁。doi: 10.1186 / s13677 - 022 - 00314 - 5

《公共医学图书馆摘要》|CrossRef全文|谷歌学术搜索

Afzaal, M。,Nouri, J., Zia, A., Papapetrou, P., Fors, U., Wu, Y., et al. (2021). Explainable AI for data-driven feedback and intelligent action recommendations to support students self-regulation.Fronti。人工智能4、723447。doi: 10.3389 / frai.2021.723447