核心观点
职业教育和培训（VET）在培养劳动力技能、支持生产率、包容性和经济韧性方面发挥着核心作用。然而，VET 课程和资格的开发过程往往复杂、资源密集且耗时，难以适应快速变化的劳动力市场需求。人工智能（AI）为改善 VET 开发过程提供了新的机遇，但其应用也带来了挑战。
VET 开发现状
- VET 开发过程：通常涉及多方利益相关者（政府、行业代表、VET 机构和教师）的协商和合作，以将劳动力市场需求转化为结构化的学习成果、认可的凭证和培训机会。
- VET 开发挑战：包括平衡利益相关者利益、管理时间和资源限制、以及将劳动力市场变化转化为及时的更新。
- AI 的潜力：AI 可以通过分析大量数据、支持能力映射、协助起草和修订等方式，提高 VET 开发的效率、相关性和循证性。
AI 在 VET 开发中的应用
- 应用阶段：AI 已应用于 VET 开发的各个阶段，包括技能预测、咨询、起草、验证和协调。
- 应用任务：主要包括数据分析、能力映射、自动化起草、监管和立法监测、利益相关者参与、加速 VET 开发周期以及支持循证决策。
- 应用领域：AI 更多地应用于数字、绿色和人工智能相关领域，以及模块化学习和微证书等灵活的提供方式。
- 数据和技术：主要使用劳动市场数据、资格框架、行业标准、行政数据、现有课程和利益相关者反馈等数据，以及通用 AI 应用程序或定制版本的平台。
挑战和风险
- 主要障碍：包括 AI、数字和数据素养差距；获取安全、适用 AI 工具的途径不均；数据碎片化或质量低；缺乏 VET 特定的指南和机构支持；以及资源限制。
- 潜在风险：包括削弱协作治理、损害问责制和透明度、以及因过度依赖未经验证或存在偏见的 AI 输出而引发的质量问题；以及数据保护和安全风险。
政策建议
- 制定明确的战略：建立国家、教育和 VET 行业 AI 战略，明确 AI 的价值所在，并与系统级目标保持一致。
- 管理风险：通过嵌入以人为本的治理来管理 AI 相关风险，并制定 VET 特定的指南，确保专家验证和问责制。
- 平衡不同观点：在确保公平获取 AI 的同时，平衡不同的利益相关者观点、机构能力和监管要求。
- 共同创建指南并建立能力：与利益相关者共同创建 VET 特定的 AI 指南，并加强有针对性的能力建设，以支持 VET 开发过程中透明和任务相关的 AI 使用。
- 加强数据基础设施和治理：提高 VET 课程和资格的数据可用性、质量、互操作性和机器可读性，同时加强强大的数据治理、安全和道德保障。
研究结论
AI 有潜力成为 VET 开发的有力工具，但其应用需要谨慎考虑。通过制定明确的战略、管理风险、平衡不同观点、共同创建指南并加强数据基础设施和治理，国家可以有效地将 AI 整合到 VET 开发中，从而提高 VET 的相关性、质量和响应能力。
