مهارت های فناوری اطلاعات در برنامه های درسی آموزش حرفه ای و نتایج بازار کار

نمایش فرمول:؟فرمول های ریاضی به عنوان MATHML رمزگذاری شده اند و در این نسخه HTML با استفاده از MathJax به منظور بهبود نمایشگر خود نمایش داده می شوند. جعبه را برای خاموش کردن MathJax از آن جدا کنید. این ویژگی به JavaScript نیاز دارد. برای بزرگنمایی روی فرمول کلیک کنید.

ما از برنامه های آموزشی حرفه ای برای بررسی چگونگی آموزش مهارت های IT در بسته های مهارت های گسترده تر و چگونگی ارتباط این موارد با نتایج بازار کار استفاده می کنیم. بسته های مهارت ها ترکیبی معمولی از مهارت های فناوری اطلاعات (به عنوان مثال ، CNC) و مهارت های فنی یا غیر فنی (به عنوان مثال ، علوم مادی یا ایمنی کار) هستند که به طور مشترک در دنیای واقعی مورد نیاز هستند و در برنامه های درسی آموزش دارند. این دیدگاه گسترده از آموزش مهارت های فناوری اطلاعات بینش جدیدی در مورد چگونگی ادغام مهارت های دیجیتال با موفقیت در برنامه های آموزش و آموزش آینده ارائه می دهد. ما از برنامه های آموزشی حرفه ای و آموزش حرفه ای (VET) آموزش کارآموزی دوگانه در سوئیس استفاده می کنیم. ما از روشهای پردازش زبان طبیعی برای تجزیه و تحلیل متون گسترده برنامه درسی استفاده می کنیم ، که به طور دقیق مهارت هایی را که باید آموزش داده شود تعریف می کند. ما چهار بسته مهارت معمولی را شناسایی می کنیم که هر یک از آنها در یکی از چهار نوع مهارت IT (CNC/CAD ، فناوری های کنترل ، فناوری های سیستم ، برنامه های IT) متمرکز شده اند. تجزیه و تحلیل تجربی ما نشان می دهد که فارغ التحصیلان دامپزشکی که در این بسته های مهارت آموزش دیده اند ، در مقایسه با فارغ التحصیلان دامپزشک بدون این بسته های مهارت ، نتایج بازار کار مثبت را دریافت می کنند. علاوه بر این ، ما می دانیم که نتایج مثبت فقط با تفاوت در نیازهای مهارت شناختی مشاغل مربوطه هدایت نمی شود.

• مهارت های IT
• متن به عنوان داده
• تجزیه و تحلیل محتوای برنامه درسی
• آموزش کارآموزی

معرفی

با توجه به استفاده فزاینده از فن آوری های اطلاعاتی (IT) در بازار کار ، آموزش فناوری اطلاعات از اهمیت بالایی برخوردار است. با این حال ، آموزش ارزشمند فناوری اطلاعات باید چیزی بیش از یادگیری یک مهارت خاص فناوری اطلاعات و بدون هیچ زمینه ای باشد ، زیرا مهارت های IT در محل کار معمولاً با مجموعه ای از مهارت های مرتبط که تکمیل فناوری و دانش IT است ، ترکیب می شوند. به عنوان مثال ، هنگامی که کارگران کنترل عددی رایانه (CNC) را یاد می گیرند ، آنها همچنین باید دانش خوبی در مورد چاشنی و فرز ، خصوصیات مواد ، نحوه خواندن برنامه های تولید یا نحوه اجرای برنامه های تولید با CNC داشته باشند تا بتوانند از این فناوری به طور مؤثر استفاده کنند. بشرمسئله آموزش مهارت های فناوری اطلاعات همراه با بسته ای از مهارت های مکمل تاکنون در ادبیات اقتصاد مورد غفلت واقع شده است. با این حال ، دانستن اینکه چگونه چنین بسته های مهارتی به نظر می رسد برای طراحی برنامه های آموزشی که در نظر گرفته شده است مهارت های مورد نیاز کارگران را در مواقع افزایش دیجیتال سازی در اختیار کارگران قرار دهد (به عنوان مثال ، SPöttl و Windelband Citation 2021 ، با تمرکز بر اینکه چگونه نه زمینه شغلی نیاز به تطبیق موعد دارند ، مشاهده کنید. به چهارمین انقلاب صنعتی).

تا کنون ، مطالعات تجربی در مورد مهارت های فناوری اطلاعات و نتایج بازار کار فقط بر روی نرم افزار IT ، زبانهای برنامه نویسی یا سخت افزار در ارسال های شغلی متمرکز شده است (Atalay et al. Citation 2018 ؛ Buchma ، Buchs و Gnehm Citation 2020) ، در گزارش های دقیق خودمهارت های فناوری اطلاعات (Borghans and Ter Weel Citation 2006) ، یا از آن برای حل مسئله اساسی استفاده می شود (Falck ، Heimisch-Roecker و Wiederhold Citation 2020). با این حال ، یک تحلیل تجربی از آموزش IT مؤثر برای محیط کار و باید با سایر مهارت های فنی یا غیر فنی ، یعنی بسته های مهارت با مهارت های فناوری اطلاعات ، ترکیب شود ، هنوز هم در ادبیات مفقود است.

در این مقاله ، ما بررسی می کنیم که چگونه مهارت های IT در بسته های مهارت های گسترده تری در برنامه های آموزشی گسترده آموزش و آموزش حرفه ای (VET) در زمینه برنامه های آموزش کارآموزی سه یا چهار ساله در سوئیس ، که تقریباً دو سوم از برنامه های آموزشی دو سوم را شامل می شود ، آموزش داده می شود. نیروی کار سوئیس ، یعنی همه کارگران با مهارت متوسط. ما تجزیه و تحلیل می کنیم که چگونه چنین بسته های مهارت های IT با نتایج بازار کار فارغ التحصیلان برنامه های آموزشی مربوطه مرتبط است. چنین دامپزشکی دوگانه در سطح تحصیلات متوسطه در دوره های آموزشی قانونی برای آموزش در محل کار در شرکتی که شاگرد (تقریباً 80 ٪ از زمان) و یادگیری مبتنی بر مدرسه را در یک مدرسه حرفه ای ویژه استخدام می کند ، بنا شده است. تقریباً 20 ٪ از زمان). به پایان رساندن چنین مدرک دامپزشکی دوگانه ، مسیرهای کاملاً مشخصی را برای گزینه های آموزش عالی عالی ارائه می دهد (به Backes-Gellner و Geel Citation 2014 برای سیستم سوئیس مراجعه کنید ؛ Jaik and Wolter Citation 2019 برای روند انتخاب شغلی در سوئیس).

داده های مهارت های ما شامل متن به عنوان داده های 166 برنامه درسی آموزش حرفه ای با هر یک به طور متوسط 44 صفحه است. مطالعاتی که به صورت دستی برنامه های درسی را از دامپزشک دوگانه تجزیه و تحلیل می کنند ، در زمینه های دیگر نشان داده اند که محتوای آنها ، به عنوان مثال میزان ویژگی آن ، برای نتایج بازار کار مهم است (به عنوان مثال ، Eggenberger ، Rinawi و Backes-Gellner Citation 2018 ؛ Eggenberger and Backes-Gellner استناد2020). ما عمیق تر حفر می کنیم و به محتوا و چگونگی ترکیب مهارت های خاص در "بسته های مهارت های معمولی با مهارت های فناوری اطلاعات" و چگونگی ارتباط این بسته های مهارت با نتایج بازار کار فارغ التحصیلان مربوطه ، نگاه می کنیم. داده های بازار کار ما از بررسی حمایت اجتماعی و بازار کار سوئیس (SESAM) است که حاوی داده های فردی از یک نمونه نماینده از جمعیت شاغل سوئیس است.

از آنجا که برنامه های درسی 166 شغل سوئیس بسیار مفصل است و بنابراین بدنهای گسترده ای را ارائه می دهد (در کل 8،102 صفحه) ، ما روشهای پردازش زبان طبیعی (NLP) ، یعنی یادگیری ماشین را که از متون استفاده می شود ، استفاده می کنیم تا محتوای این متون برنامه درسی را تجزیه و تحلیل کنیم. بشربا انجام این کار ، ما بر روی یک رشته اخیر از ادبیات تجربی در اقتصاد ، جامعه شناسی و سایر رشته های مرتبط ساخته شده ایم که از تجزیه و تحلیل خودکار متن استفاده کرده است - در جستجوی کلمات کلیدی خاص - برای ارسال های شغلی (Buchma ، Buchs و Gnehm Citation 2020 ؛ Brown and Souto-وترو استناد 2020 ؛ Deming and Kahn Citation 2017 ؛ Grinis Citation 2019 ؛ Schultheiss et al. Citation 2018). ما این ادبیات را با معرفی نوع جدیدی از متن ، یعنی برنامه درسی آموزش حرفه ای و با استفاده از یک رویکرد روش شناختی نوآورانه برای تجزیه و تحلیل محتوای ما ، یعنی مدل سازی موضوع گسترش می دهیم. 2 از یک الگوریتم NLP بدون نظارت استفاده می کند که می تواند برای یک متن بزرگ از متن بدون واژگان از پیش تعریف شده اعمال شود ، از این طریق به تشخیص الگوهای متن در متون برنامه درسی وسیع و شناسایی بسته های مهارت های معمولی کمک می کند. الگوریتم بدون نظارت ما به وضوح چهار بسته مهارت های مختلف را با آن تشخیص می دهد ، هر یک از آنها شامل مهارت های مختلف فناوری اطلاعات و سایر مهارت های فنی و غیر فنی هستند: اول ، یک بسته مهارت با طراحی CNC/رایانه (CAD) از جمله ، به عنوان مثال ، برنامه ریزی مواد ، تولید ،آزمایش کردن؛دوم ، یک بسته مهارت با فن آوری های سیستم از جمله به عنوان مثال ، جهت گیری فرآیند ، مونتاژ ، اسناد فنی. سوم ، یک بسته مهارت با برنامه های فناوری اطلاعات از جمله ، به عنوان مثال ، مدیریت پروژه ، رسیدگی مستقل ، سفارشات. و چهارم ، یک بسته مهارت با فن آوری های کنترل از جمله ، به عنوان مثال ، دانش در مورد قالب گیری ، ابزارهای برش ، درک تمرین گرا.

تجزیه و تحلیل تجربی ما نشان می دهد که چگونه چهار بسته مهارت مشخص شده با آن با نتایج بازار کار مانند دستمزد و اشتغال همراه است. 3 نتایج ما نشان می دهد که کارگرانی که در یک بسته مهارت با آن آموزش دیده اند ، دستمزد بالاتری دارند و احتمال اشتغال بالاتری دارند ، در مقایسه با کسانی که بدون آموزش در چنین بسته ای مهارت با آن هستند. در تجزیه و تحلیل دستمزد ، هنگام مقایسه اثرات اندازه چهار بسته مهارت های مختلف با یکدیگر ، نتایج نشان می دهد که بسته مهارت های مربوط به IT-Applications بازده دستمزد بالاتری نسبت به سه بسته دیگر مهارت با آن ، یعنی با فناوری های کنترل دارد. با CNC/CAD و با فناوری های سیستم. در حالی که اهمیت برنامه های کاربردی IT نیز در مطالعات قبلی نشان داده شده است (به عنوان مثال ، Atalay و همکاران استناد 2018 نشان دهنده افزایش مهارت در برنامه های فناوری اطلاعات مورد نیاز در پست های شغلی است) ، نتایج ما نیز تأکید می کند که بسته مهارت ها با برنامه های فناوری اطلاعات شامل می شودنه تنها برنامه های فناوری اطلاعات بلکه مدیریت پروژه.

تجزیه و تحلیل های اضافی به نگرانی احتمالی مبنی بر اینکه بسته های مهارت با مهارت های فناوری اطلاعات فقط در مشاغل متقاعد کننده ای وجود دارد ، می پردازد ، در این صورت ما فقط تأثیر بازار کار مشاغل متقاعد کننده را اندازه گیری می کنیم و اثر بسته های مهارت های فناوری اطلاعات را ضبط نمی کنیم. برای پروکسی نیازهای مهارت شناختی یک شغل (مستقل از بسته های مهارت های تجزیه و تحلیل متن) ، ما از یک پایگاه داده خارجی استفاده می کنیم که "سطح مورد نیاز شناختی" را برای هر شغل دامپزشکی سوئیس فراهم می کند (Goetze و AKSU Citation 2018). تجزیه و تحلیل تجربی اضافی ما نشان می دهد که نتایج قبلی ما از نظر ساختاری تغییر نمی کند ، یعنی روابط مثبت بین بسته های مهارت های ما با آن و نتایج بازار کار آنها فقط تأثیر مشاغل شناختی بیشتر نیست.

درمجموع ، مقاله ما شواهدی را ارائه می دهد که نشان می دهد آموزش IT کارآمد در بسته های مهارت هایی که مهارت های IT را با طیف وسیعی از مهارت های مکمل دیگر ترکیب می کنند ، آموزش داده می شود. از نظر مفهومی ، بسته های مهارت های فناوری اطلاعات شامل مهارت های IT مربوطه با مهارت های مکمل مانند مهارت های فنی ، سازمانی ، اجتماعی یا سایر مهارت های غیر شناختی است. این مهارت های اضافی استفاده از مهارت های IT را به دلیل اثرات مکمل کارآمدتر می کند. به عنوان مثال ، یادگیری CNC فقط در صورتی ارزشمند است که کارگران در مورد خصوصیات مواد دانش داشته باشند ، قادر به خواندن برنامه های تولید هستند و با آزمایش آشنا هستند. کارگرانی که ترکیبی از چنین مهارتهایی دارند ، در فرایند تولید به کیفیت بالاتری می رسند یا قادر به رفع عوارض در فرآیند تولید هستند. در مقابل ، کارگرانی که فقط مهارت های CNC دارند و از خصوصیات مادی محدود یا فاقد دانش نیستند - یا قادر به خواندن برنامه های تولید نیستند ، یا با آزمایش آشنا نیستند - نمی توانند این کار را انجام دهند. بنابراین کارگرانی که دارای کل بسته مهارت با مهارت های فناوری اطلاعات مربوطه هستند ، برای بنگاهها با ارزش تر از کارگرانی هستند که فقط دارای یک مهارت تک فناوری اطلاعات و بدون مهارت های مکمل مربوطه هستند. در نتیجه ، ما انتظار داریم که شرکت ها برای کارگرانی که دارای چنین بسته های مهارت های مکمل هستند ، دستمزد بالاتری بپردازند. از نظر تجربی ، ما چهار بسته مهارت مختلف با آن پیدا می کنیم. ما نشان می دهیم که آنها از چه مهارتهایی تشکیل شده اند و نشان می دهند که چگونه آنها با نتایج بازار کار ارتباط دارند. بنابراین ، مطالعه ما ایده های مفهومی جدید و شواهد تجربی در مورد اهمیت آموزش بسته های منسجم مهارت ها را ارائه می دهد که شامل مهارت های مهم فناوری اطلاعات به همراه مهمترین مهارت های فنی و غیر فنی مکمل است.

زمینه بسته های مهارت با آن

در این بخش ، ما مفهوم بسته های مهارت را با آن پیشنهاد می کنیم. پس از آن ، ما یک مرور کلی از دو رویکرد با استفاده از منابع داده متن ، برنامه های درسی و ارسال های شغلی ، برای اندازه گیری مهارت ها ارائه می دهیم.

مفهوم بسته های مهارت با آن

ما در سه مرحله مفهوم بسته های مهارت را با آن بیان می کنیم. اول ، ما تحقیقات تجربی را در مورد مهارت های IT ، یعنی تمام مهارتهایی که به کارگران کمک می کند از فناوری های اطلاعاتی استفاده کنند ، استفاده کنند و از آنها استفاده کنند (Falck ، Heimisch-Roecker و Wiederhold Citation 2020) ارائه می دهیم. دوم ، ما یک دیدگاه آموزشی اضافه می کنیم که بسته های مهارت را با آن در نظر می گیرد. سوم ، ما از نظر مفهومی مطالعات تجربی و دیدگاه آموزش را پیوند می دهیم.

مطالعات تجربی در مورد مهارت های فناوری اطلاعات و نتایج بازار کار به Krueger (استناد 1993) باز می گردد که بررسی کرده است که چگونه دستمزدها با استفاده از رایانه ها در محیط کار ارتباط دارند. در مقابل ، دیناردو و پیشکه (استناد 1997) بحث کردند که رویکرد اندازه گیری استفاده از رایانه کارگران به اندازه کافی مهارت های IT را نشان نمی دهد. مطالعات اخیر رویکردهای اضافی در اندازه گیری مهارت های فناوری اطلاعات را ارائه می دهد. این تحقیق - به عنوان مثال - تأثیرات ذکر نرم افزار ، زبانها یا سخت افزار در ارسال های شغلی (Atalay et al. Citation 2018 ؛ Buchma ، Buchs و Gnehm Citation 2020) یا اینکه چگونه کارگران با استفاده از جدیدترین فن آوری ها روی کارفرمایان ارزش دارند ، ارزش گذاری می کند. بررسی ها (Tambe ، Xuan و Cappelli Citation 2020). مطالعات بیشتر از مهارت های فناوری اطلاعات گزارش شده کارگران (Borghans and Ter Weel Citation 2006) استفاده می کند یا حل مسئله اساسی را با استفاده از آن ارزیابی می کند (Falck ، Heimisch-Roecker و Wiederhold Citation 2020). تا به امروز ، تحقیقات تجربی تمایل دارد مهارت های فناوری اطلاعات را به عنوان دست زدن به یک یا چند مهارت خاص فناوری اطلاعات و از دست دادن آنها در نظر بگیرد که چگونه مهارت های IT در واقع آموزش داده می شود (یعنی یک دیدگاه آموزش).

با توجه به مهارت های فناوری اطلاعات از منظر آموزش ، ما پیشنهاد می کنیم که مهارت های فناوری اطلاعات در طول آموزش فناوری اطلاعات با مهارت های دیگر آموزش داده می شود و اشکال مختلف این آموزش های فناوری اطلاعات وجود دارد. برنامه های درسی آموزش حرفه ای منعکس کننده آموزش و مهارت های فناوری اطلاعات است. 4 برنامه درسی ، مانند مشاغل دامپزشکی سوئیس ، محتوای آموزش را تعریف می کند ، یعنی آنها شامل توضیحات مفصلی از مهارت ها هستند. امتحانات نهایی گسترده تضمین می کند که هنگام ورود به بازار کار ، فارغ التحصیلان دامپزشک مهارت های مورد نیاز برای شغل خود را دارند (Eggenberger ، Rinawi و Backes-Gellner Citation 2018). چنین برنامه های درسی نشان می دهد که چگونه مهارت های فناوری اطلاعات به طور مؤثر آموزش دیده می شوند و از این طریق دیدگاه آموزش مهارت های فناوری اطلاعات را نشان می دهند. برای نشان دادن دیدگاه آموزش ، ما مثال دیگری را شرح می دهیم - یکی از مهارتهای CNC که در مقدمه ذکر شده است: یادگیری نحوه استفاده از نرم افزار نه تنها مربوط به عملکرد نرم افزار بلکه در مورد نحوه انجام کارهای خاص حرفه ای است (به عنوان مثال ، یک تجاریکارمندی که حسابداری را انجام می دهد) با این نرم افزار در زمینه فرآیند تولید یا خدمات - به این معنی که یک کار خاص فناوری اطلاعات همیشه به سایر کارها و دانش ها مرتبط است. فقط با ترکیب این مهارت ها ، کارگران قادر به انجام کارآمد حسابداری برای یک بخش یا شرکت هستند. بنابراین ، صرفاً یادگیری عملکرد یک نرم افزار کافی نیست ، اما یک کارگر باید مهارت های نرم افزاری را با مثلاً دانش اساسی حسابداری ترکیب کند.

برای پیوند مفهومی مطالعات تجربی و دیدگاه آموزش ، استدلال های نظری حاصل از رویکرد مهارت های Lazear (استناد به 2009) را گسترش می دهیم. این رویکرد این ایده را ارائه می دهد که برنامه های آموزشی یا سرمایه انسانی کارگران باید به عنوان "بسته های مهارت" در نظر گرفته شوند که شامل انواع مهارت های مختلف با وزن های مختلف است. به عنوان مثال ، Eggenberger ، Rinawi و Backes-Gellner (استناد 2018) بسته های مهارت را در سطح شغلی تجزیه و تحلیل می کنند. یعنی یک برنامه آموزش شغلی شامل ترکیبی از مهارت های واحد است که در شغل مربوطه مورد نیاز است. مطالعه Eggenberger ، Rinawi و Backes-Gellner (استناد 2018) اخیراً توسط یک مطالعه جدید ارائه شده است که مهارت های IT را به عنوان یک دسته خاص از مهارت های واحد معرفی می کند (Eggenberger and Backes-Gellner Citation 2020). آنها بین مهارت های فناوری اطلاعات عمومی و متخصص تمایز قائل می شوند و نشان می دهند که مهارت های عمومی فناوری اطلاعات پس از جدایی غیر ارادی برای کارگران دارای بسته های مهارت خاص شغلی ، با درآمد مثبت است. با این حال ، این مطالعه به بررسی چگونگی ترکیب مهارت های IT با مهارت های دیگر ، فنی یا غیر فنی در مشاغل مختلف نمی پردازد.

رویکرد ما استدلال می کند که به جای اینکه فقط مهارت های IT را به عنوان مهارت های واحد در نظر بگیریم ، به ویژه از دیدگاه آموزش - همچنین مهم است که در نظر بگیریم که مهارت های تک تک در نظر گرفته نمی شوند یا نباید به صورت جداگانه آموزش داده شوند بلکه همراه با مجموعه ای از مهارت های دیگر استفاده می شوند که استفاده می شودمکمل در مکانهای کاری معمولی و مشاغل برای چنین مهارتهای IT. در رویکرد ما ، هر شغل دارای تعداد زیادی مهارت واحد است که به طور معمول در بسته های مهارت های قابل تشخیص تجربی به وضوح ترکیب می شوند. برخی از این بسته های مهارت ها شامل آن هستند ، برخی نه ، برخی از بسته های مهارت از محتوای IT بالاتر و برخی دیگر محتوای IT پایین تر هستند. بنابراین ما یک مشخصات تجربی از بسته های مهارت برای هر شغل داریم. برای هر شغل ، ما برای تمام بسته های مهارت های آن با آن وزن داریم. این وزن نشان دهنده اهمیت این بسته مهارت های IT در آموزش این شغل است و از این نظر همچنین چشم انداز آموزش در مورد مهارت های IT را ارائه می دهد.

رویکردها برای اندازه گیری مهارت

برای تجزیه و تحلیل تجربی ما ، تصمیم گرفتیم به جای ارسال شغلی ، که عمدتاً در ادبیات قبلی مورد استفاده قرار گرفته است ، از برنامه های درسی به عنوان منبع داده متن استفاده کنیم. ما این کار را انجام می دهیم زیرا تجزیه و تحلیل برنامه های درسی آموزش دو مزیت اصلی در مورد تجزیه و تحلیل پست های شغلی برای هدف ما دارد: اول ، در حالی که متون ارسال های شغلی عمدتاً چند مهارت را که در حال حاضر در محل کار برای یک شغل خاص مورد نیاز هستند ، نامگذاری می کنند ، متون آموزش دامپزشکبرنامه های درسی (در کشورهایی که دارای برنامه های دامپزشکی دوگانه مانند سوئیس یا آلمان هستند) مهارتهایی را که در یک شغل آموزش داده می شود و مورد نیاز است ، به طور گسترده تعریف و توضیح می دهد (و کارگران به دلیل معاینات اجباری تضمین می شوند). 5 ثانیه ، بر خلاف پست های شغلی که به دلیل فضای بسیار محدود تبلیغات شغلی ، فقط می توانند مهارت های مهمی را در حال حاضر نامگذاری کنند ، متون برنامه درسی تمام مهارتهایی را که کارگران در دوره آموزشی گسترده خود کسب می کنند (سه تا چهار سال) توصیف می کنند. به دلیل هدف و کوتاه بودن آنها ، ارسال های شغلی همیشه فقط می توانند فقط مهارت هایی را که مهمترین فرآیند استخدام در زمان خاص از زمان هستند ، ذکر کنند ، اما این مهارت ها مطمئناً توسط بسیاری از مهارت های دیگر که بی نام باقی می مانند ، احاطه شده است. مهارت های نامشخص هنوز ممکن است در تبلیغات شغلی دلالت داشته باشد زیرا آنها بخشی از دانش مشترک در یک صنعت خاص یا حوزه شغلی هستند - اما برای تجزیه و تحلیل متن آنها با این وجود نامرئی خواهند بود. بنابراین ، ما ترجیح می دهیم از متون جامع تر برنامه درسی دامپزشک برای تجزیه و تحلیل بسته های مهارت خود به جای ارسال های شغلی استفاده کنیم.

برای عملیاتی کردن و اندازه گیری مهارت های تجربی از متون با استفاده از یادگیری ماشین ، ما همچنین انواع مختلفی از روش هایی را که می تواند برای استخراج اطلاعات از متون در پست های شغلی مورد استفاده قرار گیرد ، بحث می کنیم (به عنوان مثال ، Atalay و همکاران استناد 2018 ؛ بوچمن ، بوچس و استناد به GNEHM2020 ؛ براون و Souto-Otero Citation 2020 ؛ Deming and Kahn Citation 2017) یا در متون برنامه درسی (به عنوان مثال ، Eggenberger ، Rinawi ، و Backes-Gellner Citation 2018 ؛ Eggenberger and Backes-Gellner Citation 2020 ؛ Janssen and Mohrenweiser استناد به استناد 2018).

رویکرد اول بر اندازه گیری نیازهای مهارت در ارسال های شغلی ، تبلیغاتی که به طور طبیعی به عنوان داده ها به صورت متن و با روش های یادگیری ماشین انجام می شود ، متمرکز شده است. این روشها متون بدون ساختار را برای سازماندهی اطلاعات ذاتی در آنها پردازش می کنند (Gentzkow ، Kelly و Taddy Citation 2019) ، زیرا در مقایسه با منابع داده معمولی (به عنوان مثال ، پایگاه داده های مهارت های شغلی) ، متون اصلی به عنوان داده ها احتمالاً دارای اطلاعات دقیق تری هستندبه عنوان مثال ، اطلاعات نظرسنجی. Atalay و همکاران.(استناد 2020) ، بوچمن ، بوچس ، و گنمم (استناد 2020) ، براون و سوتو اوترو (استناد 2020) ، دمینگ و کان (استناد 2017) ، گرینیس (استناد 2019) و شولتیس و همکاران.(استناد 2018) نشان دهید که متون ارسال شغل حاوی اطلاعات مربوط به بازار کار هستند. Atalay و همکاران.(استناد 2020) حتی نشان می دهد که متون ارسال شغل نشان دهنده تکامل کار بهتر از رشد یا کاهش عناوین شغلی است.

رویکرد دوم مبتنی بر برنامه درسی آموزش حرفه ای است که محتوای آموزش را تعریف می کند و بنابراین بینش هایی در مورد مهارت های اکتسابی ارائه می دهد. به عنوان مثال ، این روش برای مطالعه سیستم های دامپزشک دوتایی در آلمان و سوئیس اعمال می شود (Eggenberger ، Rinawi ، and Backes-Gellner Citation 2018 ؛ Jansen ، de Grip و Kriechel 2017 ؛ Janssen و Mohrenweiser Citation 2018 ؛ Eggenberger and Backes-Gellnerاستناد 2020). در مطالعات قبلی ، محققان به طور دستی مهارتهای شرح داده شده در برنامه های آموزشی حرفه ای را تجزیه و تحلیل می کنند و سپس مهارت ها را با نتایج بازار کار پیوند می دهند (Eggenberger ، Rinawi و Backes-Gellner Citation 2018). برخلاف این تجزیه و تحلیل های دستی ، مطالعه ما اولین کسی است که روش های یادگیری ماشین را در برنامه های درسی اعمال می کند ، و پس از مطالعه ما ، اخیراً ، برخی از مطالعات همچنین درسی را با استفاده از روش های یادگیری ماشین آنالیز کرده اند (Eggenberger and Backes-Gellner Citation 2020 یا Kiener، Gnehm ، و Backes-Gellner Citation 2020).

هر دو رشته ادبیات ، مطالعات مربوط به ارسال های شغلی (به عنوان مثال ، Atalay et al. Citation 2018 ؛ Buchma ، Buchs و Gnehm Citation 2020 ؛ Deming and Kahn Citation 2017) و مطالعات مربوط به برنامه های درسی (به عنوان مثال ، Eggenberger ، Rinawi و Backes-Gellner Citation 2018 ؛ Eggenberger and Backes-Gellner Citation 2020 ؛ Janssen and Mohrenweiser Citation 2018) ، مشترک است که آنها مهارت های خود را به صورت پیشینی تعریف می کنند ، یعنی از واژگان از پیش تعریف شده استفاده می کنند و اگر از روش های NLP استفاده می کنند و نه یک تحلیل دستی-آنها-آنها از آنها استفاده می کنند. در درجه اول از روشهای NLP نظارت شده استفاده کنید. استفاده از واژگان از پیش تعریف شده هنگامی مفید است که تحقیق بر روی یک یا چند مهارت خاص مورد علاقه آنها متمرکز شود. در این حالت ، محققان می توانند از کلمات کلیدی خاصی استفاده کنند که به جای یک روش NLP بدون نظارت با داده های اصلی مانند ما ، مهارت های واحد را ضبط می کنند (بخش را ببینید (بخش را ببینید"شناسایی بسته های مهارت با آن در برنامه های درسی"). با توجه به اینکه مقاله ما علاقه مند به یافتن الگوهای ترکیب مهارت در برنامه های درسی است که ما نمی توانیم پیشینی را تعریف کنیم اما می خواهیم به صورت تجربی ، یعنی بسته های مهارت که به طور معمول در زمینه آموزش حرفه ای آموزش داده می شوند ، شناسایی کنیم ، ما تصمیم گرفتیم که از روشی استفاده نکنیم که از آن استفاده نکنیم. نیاز به تعاریف قبلی از یک از پیش تعریف شده (انتخاب کوچک) از مهارت های واحد دارد بلکه روشی است که از نیاز به تعاریف قبلی جلوگیری می کند. بنابراین ، ما از یک روش مدل سازی موضوع استفاده می کنیم که نیازی به تعاریف قبلی یا طبقه بندی ندارد اما قادر به تشخیص ساختارهای پنهان ، نهفته و در درون متن به نام مباحث است (جزئیات در بخش "شناسایی بسته های مهارت های آن در آن در برنامه های آموزشی ارائه شده است.').

داده ها

داده هایی که ما برای اندازه گیری بسته های مهارت با آن استفاده می کنیم ، از این پس به نام "داده های مهارت" ، برنامه های درسی آموزش حرفه ای ، یعنی برنامه های درسی دامپزشکی سوئیس هستند. ما از متون برنامه درسی برای آموزش VET استفاده می کنیم که در فهرست آنلاین کنفدراسیون سوئیس برای برنامه های آموزش و آموزش حرفه ای دوگانه قانونی در سطح فدرال منتشر شده است. در کل 6 ، ما مهمترین برنامه درسی 166 دامپزشک سوئیس را پوشش می دهیم. برنامه های درسی نه تنها گسترده هستند (در مجموع 8،102 صفحه ، به طور متوسط 44 صفحه برای هر برنامه درسی) بلکه از نظر محتوا نیز غنی است (در مجموع تقریباً 1. 5 میلیون کلمه ، به طور متوسط 8،030 کلمه برای هر برنامه درسی).

علاوه بر داده های مهارت، از داده های SESAM در بازار کار استفاده می کنیم. مجموعه داده شامل اطلاعات دقیق برای نمونه ای نماینده از جمعیت سوئیس است. SESAM داده های نظرسنجی نیروی کار سوئیس (SLFS) را با اطلاعات ثبت های بیمه های اجتماعی مختلف پیوند می دهد و ساختار پانل متحرکی دارد (استناد اداره آمار فدرال 2011). اداره آمار فدرال اطلاعات حاصل از نظرسنجی را با داده های اداری مرتبط می کند. ما بین سال های 2010 و 2016 پانلی شبیه به Balestra و Backes-Gellner (نقل به نقل از 2017)، Eggenberger، Rinawi، و Backes-Gellner (Citation 2018) یا Eggenberger and Backes-Gellner (Citation 2020) برای سال های قبل می سازیم.. در سال 2010، اداره آمار فرکانس بررسی را تغییر داد، بنابراین ما فقط از داده های پس از سال 2010 استفاده می کنیم تا یک سری زمانی ثابت برای تجزیه و تحلیل خود داشته باشیم. 7

در میان متغیرهای SESAM، متغیرهای وابسته ما هستند، یعنی داده های دستمزد اداری در مورد درآمد ناخالص از اشتغال در سال و وضعیت اشتغال. داده های SESAM همچنین شامل ویژگی هایی مانند سن، جنسیت، درصد زمان کار و ملیت است. متغیرهای مربوط به روش تطبیق و نمونه گیری دو متغیر است: متغیر «سطح تحصیلات» (ما با دیپلم VET در سطح متوسطه بالا استفاده می کنیم) و متغیر «شغل آموزشی» (یعنی کارگر در کدام شغل بوده است. در ابتدا آموزش دیده است).

ما داده های مهارت ها و داده های بازار کار فردی را در سطح شغلی مطابقت می دهیم. 8 داده های بازار کار از SESAM شامل متغیر شغل آموزشی اصلی است که برای افراد دارای تحصیلات VET با مشاغل تحت پوشش برنامه های درسی مطابقت دارد. ما کدهای مشاغل را از دو مجموعه داده به دنبال Eggenberger، Rinawi، و Backes-Gellner (نقل به 2018) پیوند می دهیم، که تطبیق مشابهی را برای برنامه های درسی قبلی انجام دادند. 9

پس از تشریح داده ها، نحوه به دست آوردن معیارهای بسته های مهارت های مختلف با فناوری اطلاعات را از داده های مهارتی خود با استفاده از روش NLP در بخش زیر ارائه می دهیم. متعاقباً، تحلیل های بازار کار را ارائه می کنیم.

شناسایی «بسته های مهارتی با فناوری اطلاعات» در برنامه های درسی آموزش حرفه ای

ما از روشهای NLP استفاده می کنیم که تکنیک های یادگیری ماشین را با زبانشناسی ترکیب می کند و به تجزیه و تحلیل مقادیر گسترده متن برای شناسایی بسته های مهارت در متون برنامه درسی کمک می کند. چنین روشهای محاسباتی برای تجزیه و تحلیل متن ، فرصت های جدیدی را برای تحقیقات اقتصادی ایجاد می کند (جنتزکو ، کلی و تادی استناد 2019). تجزیه و تحلیل متن قبلی بر اساس برنامه نویسی دستی به تعاریف و دسته بندی های قبلی نیاز داشت. به عبارت دیگر ، دسته ها قبل از کدگذاری متون تعریف شده اند (کوین و همکاران استناد 2010). یک نمونه از چنین طبقه بندی دستی مهارت ها در مطالعه Eggenberger ، Rinawi و Backes-Gellner (استناد 2018) که به صورت دستی بسته های مهارت های شغلی سوئیس را به صورت دستی طبقه بندی می کنند ، یافت شده است. رویکرد مدل سازی موضوع که ما از 10 استفاده می کنیم به چنین تعاریف قبلی یا طبقه بندی نیاز ندارد بلکه ساختارهای پنهان ، یعنی نهفته و در درون متن به نام موضوعات را تشخیص می دهد (گریمر و استوارت استناد 2013). ما از این مباحث استفاده می کنیم تا بسته های مهارتی را که در برنامه های درسی VET تجویز و تعریف شده اند ، نشان دهند. ما اولین کسی هستیم که بسته های مهارت را به عنوان عملیاتی کردن مفهوم نظری بسته های مهارت ها اندازه گیری می کنیم ، همانطور که در بخش "مفهوم بسته های مهارت با آن" بیان شده است.

مدل سازی موضوع قبلاً هرگز در برنامه های درسی آموزش حرفه ای اعمال نشده است. تاکنون از برنامه های مدل سازی موضوع برای تجزیه و تحلیل توییتر ، داده های خبری ، سخنرانی ها یا خلاصه های علمی در تحقیقات سیاسی ، ارتباطی و بازاریابی استفاده شده است (Amado et al. Citation 2018 ؛ Benites-Lazaro ، Giatti و Giarolla Citation 2018 ؛ Maier etAl. Citation 2018 ؛ Reisenbichler and Reutterer Citation 2019). نمونه ای از یک برنامه قبلی با تمرکز بر مطالعات تحقیقات اقتصاد چگونه مباحث در تحقیقات اقتصادی با استفاده از مدل سازی موضوع به متون کامل مقالات در پایگاه داده JSTOR تکامل می یابد (Ambrosino و همکاران استناد 2018).

در برنامه ما ، مباحث نشان دهنده بسته های مهارت است زیرا ما از متون برنامه درسی به عنوان یک پایگاه داده استفاده می کنیم. تصویر شماتیک فرایند NLP ما را ارائه می دهد (شکل 1). این فرایند با برنامه های درسی شغلی آغاز می شود و در اندازه گیری بسته های مهارت با آن توسط اشغال به پایان می رسد. ما دو روش را اعمال می کنیم: اول ، مدل سازی موضوع ، یعنی روش اصلی NLP (در بخش "روش اصلی NLP" توضیح داده شده است) ، و دوم ، ابزار تفسیر (در بخش "ابزار تفسیر" توضیح داده شده است). سرانجام ، قسمت آخر بسته های مهارت های حاصل را با آن نشان می دهد.