核心观点与问题
人工智能（AI）正越来越多地应用于职业教育与培训（VET）课程和资格的发展，支持劳动力市场分析、利益相关者输入的起草和综合等工作。AI的应用有助于提高效率、响应性和与劳动力市场需求的契合度，但其应用仍处于实验阶段，主要集中于分析大量劳动力市场数据、技能映射、利益相关者反馈和初步草案等准备阶段。这些应用虽然可以提高速度、一致性和证据使用，但也引发了关于治理、质量、问责制和所有权等重要问题。
VET发展具有独特的制度特征，包括通过协商、监管和多利益相关者过程开发课程和资格，通常嵌入法律框架和质量保证安排中，并涉及公共机构、社会伙伴、行业机构和提供者。这些过程中的决策对学习者和雇主具有强烈的信号效应，并对劳动力市场结果和公众对VET的信任产生直接影响。证据表明，VET发展中AI的使用仍然不均衡，并受到不同关注点、障碍和潜在风险的影响。
现有指导框架的局限性
现有的国际AI指导原则虽然提供了重要的基础，但并未充分考虑VET系统的制度现实。这些原则和以教育和培训为重点的框架为AI在VET发展中的应用提供了重要基础，但并未详细反映VET系统的制度、法律和程序特征。VET课程和资格是公共机构、社会伙伴、行业机构和提供者协商和（通常）监管过程的产物，具有法律、信号和质量保证功能，直接影响学习者、雇主和公众信任。
五项原则
为解决VET发展中AI应用的指导原则空白，本研报提出了五项原则，以支持VET利益相关者在VET发展中有效和安全地使用AI：
- 以人为本：强调AI应作为VET发展的支持工具，协助分析或技术任务，而最终判断、验证和责任仍牢牢掌握在人类专家和利益相关者手中。
- 多样性和包容性：关注确保AI的使用不会只有利于资源充足的利益相关者，而是支持广泛和包容性的VET发展参与，包括中小企业、小型提供者和数字或AI能力较低的利益相关者。
- 问责制：明确VET发展中决策、流程和结果的责任必须明确分配给VET利益相关者，即使在使用AI的情况下，也要防止关于课程和资格所有权和批准权的模糊不清。
- 透明度：要求VET利益相关者了解AI在VET发展中何时以及如何使用，用于什么目的，基于哪些数据以及有何局限性，以维护信任、支持持续改进，并避免过度依赖AI生成的输出。
- 数据质量、安全和保护：强调需要高质量、相关且治理良好的数据，以及强有力的敏感教育和工作市场信息保护措施，以确保AI的使用符合法律要求，并维护对VET系统的信任。
实践应用与国家经验
每项原则都附有其实践应用和相关国家经验：
- 荷兰：最终资格文件通过由职业教育与劳动力市场合作组织（SBB）协调的行业协会中的专家协商来批准。AI仅作为支持工具（例如起草和重叠检查）使用，而最终责任明确掌握在人类专家和行业机构手中。
- 瑞士：ICT Berufsbildung Schweiz使用强大的多层验证和协商流程，确保AI支持的输出始终由合格的VET利益相关者审查和批准，从而加强利益相关者之间的共同责任。
- 德国：联邦职业教育与培训研究所（BIBB）一直在试点使用AI起草培训法规，生成初始关键信息和比较文件。虽然AI在组织任务中表现相对良好，但BIBB发现AI尚无法满足VET法规发展中的法律、结构和质量管理要求，因此专家输入和判断至关重要。因此，其使用仅限于准备和技术支持功能。
- 爱沙尼亚：资格管理局（EQA）一直在系统层面试点AI工具，并进行结构化协调，以便所有行业协会和专家小组都能参与。行业协会协调员——他们管理职业标准发展的工作组，并确保符合方法论指南——启动了AI的使用。
- 立陶宛：自下而上的实验导致了VET提供者在AI使用方面存在显著差异。VET机构如考纳斯技术职业培训中心强调，AI的采用主要由教师驱动且缺乏协调，导致VET提供者之间参与程度不均一、实践不一致。
- 英国：Skills England/IfATE通过对其Skills Compass工具的迭代用户测试，试点了一个专门的VET开发AI平台，使用结构化反馈来完善向决策者展示AI见解的方式。
政策建议
政策制定者可以采取以下措施：
- 建立具有明确目标和支持的策略：制定连贯的国家、教育和VET部门AI战略，明确AI在VET发展中增加价值的地方，将AI的使用与系统级目标保持一致，并提供角色和任务特定的支持，以超越碎片化的实验。
- 以人为本的方法管理风险：通过在VET发展中嵌入以人为本的治理来管理与AI相关的风险，补充一般的AI框架，并制定VET特定的指导方针，确保人类监督、专家验证和AI生成输出的问责制。
- 平衡不同观点，同时确保对AI使用的平等访问：通过在VET发展中支持负责任的AI创新使用，同时确保包容性访问，避免早期采用者和资源受限的提供者之间差距扩大，来平衡利益相关者观点、机构能力和监管要求。
- 共同制定指南，并建立战略AI使用能力：与社会伙伴和从业者共同制定VET特定AI指南，并加强持续、有针对性的能力建设，以支持在VET发展过程中透明、有效和任务相关的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，以实现值得信赖和有效的AI使用。
研究结论
这些原则共同构成了一个连贯且互补的框架，用于管理在课程和资格开发过程中如何使用AI，而不是规定应使用哪些AI工具或AI采用应实现哪些成果。它们不提供有关特定AI系统或应用的技術指导，也不取代现有的法律或监管要求。所有这些原则都假设能力建设是有效使用AI的持续要求，与包容性、所有权和问责制密切相关。鉴于AI技术的快速发展和VET系统的多样性，这些原则旨在灵活地应用于机构、部门和监管环境。它们旨在成为VET系统之间对话、决策和持续学习的共同参考点，帮助VET利益相关者将AI作为改进的支持工具，同时保持所有权、保护信任和包容性，并维护VET课程和资格的完整性。
