AIEdナレッジベースAIEd KB
このページの内容

このページを英語で読む

概念

職業教育訓練（Vocational Education and Training）

作成日 2026-10-11 · 更新日 2026-10-11

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

職業教育訓練（VET） — 名前のある職業、職種、技術的役割へ人を準備させる教育の一分野であり、学問的知識ではなく実践に近い力量を中心に組織化されています。職場学習が既に就業している人のスキルアップを指すのに対し、VETは職業への初期準備を含みます。高等教育が学位による学びを指すのに対し、VETはしばしば非学位で国家資格枠組みによって枠づけられています。その定義的な特徴は、学習者が機器で何ができるかによって評価されること、教授が作業場・シミュレータ・職場の近くで行われること、そして実践的な教授を担う人間の訓練担当者がしばしば制約条件となっていることです。AI研究においてVETは、独自の学習者層——学問的な自信が実証された技能と職業的アイデンティティに結びついている人々——としても、学校や大学の文献よりも薄く断片的な独自の証拠基盤としても現れます。

考えるべき問い

  • 資格が学習者のできることを証明するなら、AI支援の学習のどれほどが本物の実践に数えられ、どれほどが力量を築く反復の代替になるでしょうか。
  • AIエージェントが人間の訓練担当者がかつて演じた相手——患者、操縦士、依頼人——を演じるとき、何が失われるでしょうか。合成の相手がモデル化できない判断はどれでしょうか。
  • 口頭による評価は学級規模とともにうまく拡大しません。AIが証拠を顕在化するが判断しないなら、評価能力のどの部分が軽減され、どの部分が単に教師に移されるだけでしょうか。
  • AI in VETの証拠基盤に職場を舞台とした研究は一つもありませんが、VETは職場ベースの学習によって定義されています。学習が実際に起きる場所で信頼に値する研究は何を必要とするでしょうか。
  • EU AI法は職業訓練における学習成果を評価するAIを高リスクとして扱いますが、一部の法域には何もありません。調達は利用可能な最も厳格な基準に従うべきでしょうか。

はじめに

職業教育訓練は、自動車整備士、航空管制官、インテリアデザイナー、介護職者など、特定の職業へ人を準備させます。その通貨は積み上げられた単位ではなく実証された力量です。評価はパフォーマンスベースになりがちで、教授は機器に結びつき、実践を監督する熟練の訓練担当者は希少です。

このナレッジベースにおける隣人たちは、主に範囲が異なります。専門職訓練は主に既に就業している人々の職場・企業でのスキルアップを扱い、VETは初期の職業準備も含みます。成人学習は職業的な特異性ではなく学習者の特性を指します。高等教育は学位を授与する学びを指し、VETの多くはNZQAのユニット基準やEQFといった資格枠組みによって組織化されています。STEM教育とVETは技術的な領域で重なりますが、STEM教育は概念的理解を目指すのに対しVETは使える手順を目指します。キャリア発達と即戦力はVETプログラムが判断される就業可能性の資質を指し、VETはそれを生み出す責任を負う教授システムを指します。

AI in VETで独特なのは、その分野が求めると言うものと実際に作るものとの間の隔たりです。構成主義的な理論は広く標榜される一方、行動主義的なドリル・アンド・プラクティスシステムが支配的で、学習者主体性のあるデザインは稀なままです。繰り返し現れるデザインの問いは、AIが教授を提供できるかどうかではなく、力量を生み出す実践を追いやることなく、人員をかけるのに費用のかかる職業学習の部分——現実的なシナリオ、適時のフィードバック、役割を演じられる相手、口頭の証拠——を吸収できるかどうかです。

職業教育訓練におけるAIの現れ

  • 若く断片的で地理的に集中した証拠基盤。 AI in VETの最初のシステマティックレビュー（VETにおけるAIのレビュー）は、PRISMAガイドラインの下、ERIC、Web of Science、Elicitを通じて2015〜2026年に公表された26の実証研究を特定しました。技術領域9件、領域一般9件、経営管理5件、健康3件。舞台は教室6件、オンライン8件、ブレンディッド4件、シミュレーションベース8件——そしてVETの職場ベースの性格にもかかわらず職場は0件でした。26件のうち17件はアジア起源で、少なくとも1つの参照を共有したのは9件のみで、互いに引用し合った研究はありませんでした。5件は無作為化実験、21件は前実験的または準実験的デザインで、多くは介入直後の成果を測定し、AIを活用したデザインに学習者に能動的な役割を与えたのは3件のみでした。著者らは教育における「チューリングの罠」——AIを人間の判断を増強するのではなく人間の教授を複製するために使うこと——を警告し、支配的な成功の物語に代えて失敗事例と境界条件を求めています。

  • シミュレーションが希少な役割演じ手を吸収する。 ASTRA（ATCO訓練シミュレータ）は、航空管制訓練の能力制約を標的にします。simpilots——シミュレーションされた空域で操縦士と管制官の両方を演じる専門の人間の訓練担当者——です。ASTRAは自律的なLLM駆動の模擬操縦士に置き換え、シナリオの複雑さを保ちながら人員のボトルネックを取り除き、規模を持った適応的な実践を可能にします。これは効果検証試行ではなくシステム記述ですが、AI in VETに繰り返し現れるメカニズムを名指します。希少な投入物が相手を演じる熟練の人間であるところでは、エージェントがその役を担い、実践を拡大させることができます。

  • 没入的でエージェント支援されたプロジェクト作業は、選択的にデザイン能力を高めうる。 AI-IVE-PBL研究は、中国の職業大学の1年次インテリアデザインコースで、VRの中でLLM支援のデジタルヒューマンアシスタントとともに実行される、4次元5段階（発見、展望、モデリング、コミュニケーション、洗練）のモデルAI-IVE-PBLを特定します。12週間の2群準実験（有効回答63件、31対32）で、没入・エージェント条件はANCOVAの下、デザイン能力（η²p = .138）と創造能力（η²p = .111）で高く得点し、認知的関与はd = 0.90、行動的関与はd = 0.75、動機づけはd = 0.74、満足度はd = 0.69、認知的負荷は低く（d = −0.52）なりました。革新的思考と感情的関与は有意に達しなかったものの、著者らはそれを根強い認知パターンへの短期的な天井に帰しています。すべての成果は自己申告で、デザイン成果物も専門家評価もありません。[GenAI＋XRのパイプラインでデザインの[self-efficacy|自己効力感が低下し、目隠しパネルの優位性が見られなかった研究]]と対照的に読むと、その差はハードウェアよりも、段階構造とルーブリックを誰が握っているかのように見えます。

  • 評価は真正性の問題が最も鋭い場所である。 AkoVoice研究は、レベル3自動車整備4クラスとレベル3工学1クラスで試行されたAkoVoiceを記録します。AIがルーブリックの証拠を顕在化し人間の評価者が判断するよう設計されています。調査した33人の学習者のうち21人（64%）は音声課題が現実的だと同意し、同じ割合が自分の知っていることを伝える明確な方法を与えてくれたと述べました。リアルタイムに話すことが書面のポートフォリオよりもこの真正の評価に適していることに異論を唱えた人はいませんでした。同一の問いに対する語数は学習者間で5〜8倍変動しましたが、事実ベースの問いの正確さは改善せず、2語から13語で答えた9人の学習者はすべて正しく評価され、最短は2語「3500 kgs」で値で照合されました。収録、保存、AI判断の起草、教師への報告の一連のサイクルは、8 GBのグラフィックメモリを積んだ1台のWindowsノートPCでオフライン動作し（Mistral 7BをOllama経由、faster-whisper、Chatterbox）、鉄骨がWi-Fiを無力にする作業場で最大12人の学習者を同時に評価し、録音は暗号化され90日後に削除されました。論文は、EU AI法が職業訓練における学習成果を評価するAIを高リスクとして扱う一方、ニュージーランドにはTVET固有の枠組みがないと記しています。

  • 代替ではなく有界の伴走。 Amico研究は、技術・職業的な文脈におけるAIの価値が、人間らしさではなく説明責任のある教育学的な媒介に依存すると論じています。そのAmicoプロトタイプは、技術的な明瞭さと段階的な課題誘導に向けたAmicoMioと、省察的な対話と産婆術的な問いに向けたAmicoTuoを組み合わせます。デザイン原則は関係的な橋渡しです。相互作用を意図的に一時的なものとし、人間との接触へ方向づけ、歯止めで有界にし、大人がhuman-in-commandの責任を保持します。探索的なパイロット（N = 30、イタリアと中国、有界セッション20回）では、参加者はそのシステムを有界の支援ツールとして扱い、代替や依存の期待の報告はありませんでした。

  • AI支援の学習は努力を置き換えるとき心理的コストを伴う。 AI自律学習研究は、中国の職業大学の学生1,264人を構造方程式モデリングで調査し、AI支援の自律学習がハーディネス（コミットメント、統制、挑戦）と負に関連し、否定的自己評価というバーンアウトの次元である学業的達成感の低下と正に関連することを見出しました。ハーディネスは部分的に媒介していました。デザインは横断的・自己申告・単一機関であり、因果関係は確立していませんが、この枠づけはVETにとって重要です。自信が反復的な実践を通じて築かれるところでは、AIを代替として使うことは、粘り強さの資質も達成的な熟達感も低下させうるのです。

  • 検証を明け渡さずにカリキュラム制作を加速する。 Crewscaler研究は、専門職のスキルアップの5段階すべて——知識の獲得、コンテンツ開発、検討と検証、チューター coaching、評価開発——にAIを適用しつつ、青写真のデザイン、主題専門家の検討、誤概念の創作は人間に残します。その外部妥当性検証には、NASBA CPE認定、そのフレームワークの知識ベースのみを使ってNVIDIA認定試験に合格した学習者3人中3人の合格、53技能の青写真にタグ付けされた530問の問題バンクが含まれます。検証を第一級の段階として扱うという点でここに属します。ハルシネーションの検出は教育のパイプラインにはほぼ欠けており、論文は既定のLLMチュータリングが正しい教育学的行動の52〜70%にしか達しないと報告しています。

関連概念

関連記事

メタデータ

分野Vocational Education
レベルAdult Learning, Higher Ed
対象読者Instructors, Curriculum Designers, Institutions
学習と教授キャリア形成とその準備, 職場学習
技術と手法ヒューマン・イン・ザ・ループ, 知的個別指導, シミュレーション
評価と測定真正な評価
SourceHistoryEditChat

このページを埋め込む

下のコードをコピーして、学習管理システムや他のウェブサイトにこのページを埋め込みましょう。埋め込み版ではページの内容のみが表示され、サイトのヘッダー・ナビゲーション・フッターは非表示になります。