Utexaminerade som går in på en allt mer konkurrensutsatt arbetsmarknad är ofta omedvetna om de färdigheter och värderingar de erbjuder arbetsgivare. Utmaningen är större med nya jobbroller som kräver certifieringar och både multidisciplinära färdigheter och specialistkunskaper, även för nybörjarpositioner.

Vi strävar efter att stärka våra akademiker och maximera deras karriärmöjligheter. Ny forskning har gjort det möjligt för oss att utnyttja kraften i artificiell intelligens för ett specialdesignat kursplanerings- och rekommendationssystem för studenter baserat på de färdigheter som deras önskade jobb faktiskt kräver. Vi döpte dessa läroplansleveransmodeller till JobFit och ModuLearn.

JobFit:En karriärdriven läroplan

JobFit bygger på en enkel premiss att informera eleverna om de färdigheter de kommer att få genom att slutföra en kunskapsenhet. Detta hjälper eleverna att analysera färdigheter som förvärvats från en individuell studieväg och hur dessa relaterar till karriärmöjligheter.

Eleverna kan utforska och experimentera med olika vägar. Detta "tänk om?" analysen är skräddarsydd efter deras karriärmål och kunskapspreferenser. Systemet övervakar deras studieframsteg och erbjuder proaktivt alternativa vägar för att maximera deras förvärv av färdigheter relaterade till deras mål.

Vi bygger kompetensen på erkända ramar. För vetenskap, teknik och affärer, vi använder ramverket för Skills for Information Age (SFIA) version 8, definiera 121 färdigheter, var och en på sju olika nivåer.

Till exempel, att utföra en grundläggande riskbedömning i en organisation kräver kunskap om "informationssäkerhet" på lägsta nivå. På högsta nivå gör det det möjligt för personen att utforma organisatoriska och statliga policyer som säkerställer global informationssäkerhet.

Regeringar och organisationer i Australien, Förenta staterna, Storbritannien och Europeiska unionen har skapat datauppsättningar med hjälp av SFIA-kunskaper för att definiera önskade jobbprofiler.

Utifrån dessa datamängder, vi designade ett prototypiskt kursplaneringsverktyg. (Att logga in, vänligen ange din e-postadress och den roll du vill spela i systemet. Ett lösenord krävs inte.) Western Sydney University-studenter kan använda det för att utforska sin kompetenskompatibilitet med IKT-jobbroller.

Diagrammet ovan visar kompatibiliteten med allmänna rollprofiler, för kandidatexamen i IKT-studenter som överväger befattningar på juniornivå. Videon nedan visar möjligheterna med detta verktyg.

Detta tillvägagångssätt har flera fördelar. Först, eleverna förstår hur deras studier utvecklar deras färdigheter. De kan sedan sätta karriärstyrda mål och fatta välinformerade beslut om sina studievägar.

Gedigen förståelse för färdigheter och att veta hur man uttrycker dessa i CV:n och följebrev blir allt viktigare. Detta beror på att personalavdelningar använder automatiserade metoder för att söka efter och filtrera bort kandidater, med hjälp av algoritmisk bearbetning och textutvinning.

Vi kan använda SFIA för att uttrycka kompetens inom teknikrelaterade områden. Dock, det gäller inte andra områden som teknik, humanvetenskap, lag eller medicin.

Vi tittar på att skaffa data från en extern partner för att analysera och bearbeta nödvändiga färdigheter från livejobberbjudanden inom alla branscher. Vi kommer då att kunna informera eleverna om mängden, variation och kompatibilitet av faktiska jobberbjudanden i alla branscher baserat på deras kunskapsprofil.

Detta tillvägagångssätt kommer också att gynna läroplansutformare som står inför utmaningarna med att nya ämnen snabbt introduceras för att behålla en fördel gentemot konkurrenterna. Resultatet är ofta en osammanhängande läroplan, särskilt när det gäller att möta industrins och arbetsgivarnas behov.

Bristande förståelse för vilken kompetens som önskas på arbetsmarknaden och ad hoc-tillskott har lett till program som inte ger tydliga studievägar och relevans för arbetsroller. Vår modell låter läroplansutformare analysera och validera sin läroplan mot arbetsmarknadens behov.

Sista, arbeta med industripartners, vi definierade anpassade jobbprofiler för branschens intresseområde och ort. Studenter som riktar in sig på sådana anpassade färdigheter har en starkare position när de ansöker om arbete med en branschpartner.

ModuLearn:Främja tvärvetenskapliga färdigheter

Att informera eleverna om de färdigheter de skaffar sig är bara hälften av jobbet. En student måste också skaffa sig alla sina önskade färdigheter under en relativt kort period.

I grundexamen, mycket av kursen är vanligtvis fördefinierad med kärnämnen. Studenter har ofta bara en eller två terminer för att fokusera sina kunskaper på specifika arbetsgivares önskade färdigheter. Det är ännu mer problem i kortare kurser som examensbevis eller certifikat.

Det är också troligt att en elevs fakultet eller skola inte erbjuder några kritiska färdigheter. Studenter är ofta ovilliga att studera i en annan skola eller fakultet, fruktar utmaningen med en ny miljö.

För att övervinna dessa problem, vi tittade på sätt att öka variationen och antalet kunskapsenheter med olika kompetenser. Vi hittade inspiration i Charles Sturt Universitys Engineering Topic Tree. Det låter eleverna anpassa sin examen genom att välja från över 1, 000 olika ämnen. Ämnen är organiserade efter discipliner, med välorganiserade förutsättningar och vägar.

Vad det här ämnesträdet saknar är stödet av teknik som gör att eleverna enkelt kan utforska alla sina alternativ. Vi byggde på ämnesträdidén och designade färdighetsinformerade moduler. Det är studieenheter som vanligtvis pågår två till åtta veckor. Varje modul definierar tydligt de färdigheter som krävs som förutsättningar och de färdigheter den levererar.

Ett sammanflätat nätverk av moduler ger grundläggande och tillämpad kunskap men varje modul kräver mindre engagemang från studenter än terminslånga ämnen. Vi hoppas på detta sätt uppmuntra studenter att studera över discipliner.

Dock, hantera alla möjliga modulkombinationer, förutsättningar och användarpreferenser är en betydande teknisk utmaning. Detta krävde ny forskning, inte bara en tillämpning av befintliga AI-metoder.

Arbetar med Artificial Intelligence Research Institute (IIIA) i Barcelona, vi utvecklade tekniska medel för att utforma och underhålla en modulbaserad läroplan för både läroplansutformare och studenter. Leveransmodeller kan anpassas till olika offentliga eller privata finansieringsalternativ och utbildningsstandarder, såsom Australian Qualifications Framework (AQF).

Läroplansutveckling tenderar att släpa efter teknikutvecklingen och förändrade marknadsbehov. Helst läroplansutveckling bör vara mer lyhörd och framtidsfokuserad snarare än reaktiv. Med mindre moduler istället för terminslånga ämnen, det går att anpassa sig mycket snabbare till ständigt föränderliga behov på arbetsmarknaden.

Denna artikel publiceras från The Conversation under en Creative Commons -licens. Läs originalartikeln.