Обучение на рабочем месте

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Обучение на рабочем месте — использование ИИ для развития трудовых ресурсов, корпоративного обучения и приобретения профессиональных навыков. Профессиональное обучение распространяет ИИ в образовании за пределы формального школьного образования в контексты работы и обучения в течение всей жизни.

Вопросы для размышления

• Вспомните навык, который вы выучили на работе, а не в аудитории. Что сделало это обучение на рабочем месте эффективным, и как ИИ-коуч мог бы его воспроизвести или улучшить?
• Предложенная страницей рамка Workforce Readiness Level предполагает, что высшие ступени компетенций «ограничены встроенным в индустрию опытом, а не курсовой работой». Что это означает для того, как нам следует обучать людей — и для пределов ИИ-Моделирование?
• Виртуальные пациенты и тренажёры позволяют специалистам практиковаться безопасно. Какие виды суждения и межличностных навыков симулятору, возможно, будет трудно уловить, какой бы реалистичной она ни была?
• «Проблема двойного поезда» (Dual Train Problem) — напряжение между быстро меняющимися навыками ИИ и более медленным темпом политики и учебного плана. Если бы вам нужно было выбрать устойчивые компетенции для приоритетного развития у сегодняшних учащихся, что бы вы выбрали?
• Взрослые учащиеся совмещают работу и учёбу, часто через экраны. Как ИИ-поддерживаемое профессиональное обучение может одновременно давать возможность и осложнять этот баланс — особенно вокруг данных, доверия и времени?

Введение

ИИ в профессиональном обучении

• Симуляция и практика: обучение с виртуальным пациентом и тренажёры обучения ATCO создают профессиональные среды практики на базе ИИ. В подготовке преподавателей ролевая симуляция с ИИ распространяет это на обучение через практику: Student GPT симулировал содержащего заблуждения студента средней школы по математике, чтобы будущие преподаватели могли потренироваться диагностировать и исправлять ошибки учащихся, согласуясь с «аппроксимациями практики» практико-ориентированного обучения преподавателей как доступным дополнением к дорогим платформам вроде TeachLivE.

Wang et al. (2026) добавляют урок о политике коучинга: постепенное снятие помощи с учётом оценочной компетенции учащегося сократило время круга на симуляторе на 27.9% (p = 0.005) и число отказов на 3.52 на круг, тогда как снятие помощи по правилам с фиксированным расписанием не дало надёжного изменения времени круга.

• Интеграция обучения в течение всей жизни: Непрерывное обучение и Взрослые учащиеся исследования связывают профессиональное обучение с непрерывным образованием.

• Публичный сектор: внедрение ИИ в публичном секторе рассматривает обучение в государственных контекстах.

• Рамки готовности трудовых ресурсов: Smith et al. предлагают рамку Workforce Readiness Level (WRL), адаптирующую шкалу Technology Readiness Level к девяти ступеням компетенций, оцениваемым по четырём столпам (цифровая/ИИ-грамотность, киберфизическая беглость, коллаборация человек–машина, принятие решений на основе данных), при правиле «никаких тонких столпов». Свидетельства с капстоун-проектов в интеллектуальном производстве показывают, что высшие ступени готовности ограничены встроенным в индустрию опытом, а не курсовой работой, — что указывает на обучение, интегрированное в работу, как необходимое для профессионального обучения ИИ.

• Приоритеты преподавателей и работодателей расходятся. Опрос 500 преподавателей в США и панель работодателей согласились в важности только одного из 26 навыков ИИ — установления реалистичных ожиданий относительно работы с поддержкой ИИ — и только три из 26 преподавались половиной или более преподавателями (Fried (2026)).

• Свидетельства по ДП, специфичные для предметной области, тонки. Систематический обзор преподавателей языка (Li et al. 2026) обнаружил, что только три из 23 исследований сообщали о структурированном профессиональном развитии, однако те, что сообщали, сходились на приросте в знаниях, уверенности и идентичности — свидетельство того, что структурированное, специфичное для предметной области обучение (соединяющее технический навык с практической мудростью) одновременно редко и эффективно, и что ПД должно двигаться от повышения осведомлённости и этики через практическое освоение инструментов к совместному проектированию уроков с усилением ИИ.

• Профессиональное развитие преподавателей педагогического образования как построение моделей: Eyal (2025) провёл годовой курс на 180 часов, в ходе которого 22 преподавателя педагогического образования из высшей школы совместно спроектировали Adaptive Artificial-Intelligence-Literacy Model, заменив фиксированные лестницы компетенций тремя взаимосвязанными осями (соответствие контексту, профессиональные потребности, динамическое развитие) и опросником рефлексивной самооценки из 20 пунктов. Предпосылка дизайна в том, что ИИ-грамотность ситуативна: будущему преподавателю в условиях ограниченных ресурсов, предметному преподавателю и директору школы нужны разные компетенции, поэтому профессиональное развитие должно быть нацелено на ролевое суждение, а не на стандартизированную рубрику.

• На что должно быть нацелено обучение: измерительная база поля отстаёт от описываемой ею технологии. В систематическом обзоре 33 инструментов измерения ИИ-грамотности преподавателей Zainal, Mohd Matore и Maat (2026) обнаружили, что 29 (87.9%) были нацелены на общие понятия ИИ, тогда как только четыре (12.1%), все опубликованные в 2025 году, касались генеративного ИИ. Если инструменты отслеживают то, что призвано выстроить обучение, то это распределение делает компетенцию генеративного ИИ в преподавании наименее измеряемой и наиболее срочной целью профессионального развития.

• Прогнозирование трудовых ресурсов: Fletcher et al. обозревают серую литературу США по ИИ и инженерно-вычислительным трудовым ресурсам, формулируя «Проблему двойного поезда» (быстрое изменение vs срочная политика) и рекомендуя высшему образованию приоритизировать устойчивые компетенции в области ИИ, Этика и Управление ИИ, а также основанные на навыках документы об образовании, согласованные с возникающими ролями (например, Промпт-инжиниринг, аудит ИИ, политика в области ИИ) для поддержания центрированной на человеке работы в автоматизированной экономике.

• Дизайны, поддерживающие навыки, проигрывают при метриках пропускной способности. de Jong (2026) утверждает, что рефлексивное взаимодействие противоречит обещанию более быстрых решений и большей пропускной способности, ведущему внедрение ИИ в профессиональной работе: контролируемое исследование может абсорбировать это трение, среда же, измеряющая результативность по скорости или количеству, — нет, и там, где конкуренты предлагают эквивалентную поддержку без трения, дизайны, поддерживающие навыки, становятся конкурентным недостатком — проблемой, которая, как говорит статья, может относиться к организационной политике или государству, а не к дизайну взаимодействия.

• Устное оценивание для работоспособности на рабочем месте. Дизайн-исследование в сфере TVET решает давнее несоответствие между перегруженным текстом оцениванием и вербальными, ситуативными способностями, которые сертифицируют профессиональные квалификации, используя Большие языковые модели (LLM) для поддержки интерактивного устного оценивания. На четырёх когортах голосовой формат был признан реалистичным 21 из 33 учащихся, без несогласных ответов относительно его преимущества перед письменным портфолио, а система работала полностью офлайн на одном ноутбуке до 12 одновременных учащихся, удаляя записи через 90 дней и оставляя выставление оценок асессорам (Designing AI-Supported Oral Assessment in TVET). Это конкретный пример того, как ИИ расширяет диапазон оцениваемых компетенций в профессиональном обучении, а не только автоматизирует существующие письменные форматы. Однако его когорты были классами автомеханической и инженерной подготовки Level 3, поэтому свидетельства лежат в сфере первичного профессионального образования, а не повышения квалификации на рабочем месте, которую охватывает эта страница.

• Условия институтов, а не национальный контекст, объясняют разрывы в готовности. Сравнительный опрос 568 преподавателей университетов в центрах развития педагогического состава китайских (n = 340) и казахстанских (n = 228) вузов (Bi, Araily, Lyu & Xiu, 2026) обнаружил, что казахстанские преподаватели опережали по всем семи измерениям готовности к GenAI на базовой линии, с наибольшими разрывами в дисциплинарном переносе, дизайне промптов и поддерживаемом ИИ оценивании. Иерархическая регрессия демонтировала национальное объяснение: различие между странами резко упало, как только в модель вошли предшествующее использование GenAI и недавнее обучение, и стало незначимым — на 80% — как только были добавлены институциональная поддержка, воспринимаемое разрешение экспериментировать, доступ к многоязычным ресурсам, ясность политики и чувствительность к риску. Воздействие было распределено неравномерно (явное большинство казахстанских преподавателей имели обучение ИИ за последние шесть месяцев, против примерно четверти китайских преподавателей), и китайские преподаватели сообщали о более высокой ясности политики и более высокой чувствительности к риску. Структурированное обучение работе с задачами-промптами превзошло обычное ознакомление с GenAI по дизайну промптов на пост-тесте с большим отрывом. На этих свидетельствах готовность преподавателей производится обеспечением и разрешением — тем, что центр предлагает и что он позволяет, — а не национальной системой, в которой он находится.

• Краткое обучение сдвигает суждения, а не намерения. Пилотный пред-пост эксперимент с 100 немецкими преподавателями (Mesenhöller и Böhme, 2026) обнаружил, что воспринимаемая полезность (d = .32) и воспринимаемая лёгкость использования (d = .25) значимо возросли после короткой ориентированной на практику сессии по ИИ для дифференциации, тогда как поведенческое намерение не сдвинулось от уже высокой базовой линии (M = 3.07). Авторы читают этот разрыв как признак того, что принятие зависит от условий, которые сессия не может предоставить, таких как время, инфраструктура и ясные институциональные правила. Короткие форматы стоит проводить, но их сочетание с этими условиями — то, что превращает благоприятное суждение в использование.

• Устойчивое мониторинг, а не разовые семинары, для начального обучения. Систематический обзор 11 исследований ИИ в начальной подготовке преподавателей математики начальной школы (Pinto et al., 2026) обнаружил, что девять вмешательств были одиночной сессией или несколькими сессиями, встроенными в существующие курсы, что установки обычно измерялись один раз постфактум, и что этика появлялась только в трёх исследованиях. Авторы утверждают, что компетенция в области ИИ должна развиваться по всей последовательности подготовки, от подготовительной фазы в педагогическую практику и ранние годы работы, с мониторингом, который следует за этим развитием.

• Воздействие и повторение, а не демография, отслеживают благоприятные восприятия. В смешаннометодном исследовании 302 турецких преподавателей математики начальной школы (Ciğerci и Uygun, 2026) предшествующее обучение ИИ (t = 3.661) и частота использования ИИ (F = 41.280) были переменными, наиболее последовательно ассоциированными с позитивными взглядами, тогда как готовность (M = 3.98) и установки (M = 3.82) лежали существенно выше личного опыта (M = 3.00). Авторы трактуют предшествующее обучение как яснейший рычаг, на который школы могут подействовать, что указывает на повторное, устойчивое использование, а не однократное введение.

• Ротация ролей как несущая структура. Дизайн-ориентированное исследование 62 будущих педагогических психологов в Казахстане (Kenzhebayeva et al., 2026) ротировало студентов через четыре профессиональные позиции за восемь недель, с генеративным ИИ, поставлявшим предварительные идеи. Авторы утверждают, что ценность заключалась в ротации, а не в инструменте, поскольку каждая роль обрамляла один и тот же случай по-разному, и более поздние циклы показывали больше запросов на теоретическое обоснование. Они сообщают вовлечённость, а не измеренный прирост, не собрав никаких пред-пост мер компетенции.

Отличие от академического образования

Профессиональное обучение отличается от академического образования своей фокусировкой на прикладных навыках, непосредственной значимости для работы и характеристиках взрослых учащихся. Теория Взрослые учащиеся и принципы Взрослые учащиеся информируют дизайн профессионального обучения ИИ. Другая его граница — профессиональное образование и подготовка (VET): VET принимает людей, ещё не обладающих профессией, и завершается торговым или техническим квалификационным документом, поэтому оно несёт первичную профессиональную подготовку и квалификационные рамки, которые её сертифицируют, тогда как профессиональное обучение исходит из существующей роли — переквалификации, непрерывного профессионального образования или сертификации от поставщика — и предполагает компетенцию, которую присуждает VET.

Регенерация экспертизы как задача обучения. Каркас Cognitive Commons (Lovett 2026) утверждает, что HRD должен выйти за пределы организационной переквалификации к управлению профессией на уровне: устранение позиций развития для начинающих в секторах, подверженных ИИ, может истощить общий пул экспертизы, от которого зависят все организации, с эффектом с задержкой во времени, появляющимся только через 5–20 лет. Это переобрамляет профессиональное обучение от развития индивидуальных компетенций к поддержанию коллективного общего достояния.

Соединяйте производство с ИИ с верификацией и ищите внешние меры. Nguyen et al. (2026) ставят автоматизированные проверки на галлюцинации и аудит SME между составлением и поставкой в пятиступенчатом конвейере повышения квалификации, и опирают сильнейшие утверждения каркаса на аккредитацию NASBA CPE и экзамен сертификации от поставщика, а не на самоопределённые меры успеха.

Связанные понятия

• Непрерывное обучение
• Взрослые учащиеся
• Профессиональное образование и подготовка
• Развитие педагогической практики
• ИИ-грамотность
• Моделирование
• Высшее образование
• Генеративный ИИ
• Большие языковые модели (LLM)
• Адаптивное обучение
• Персонализированное обучение
• Виртуальная и дополненная реальность — где практика в иммерсивной среде наиболее устоявшаяся

Связанные статьи

• Artificial Intelligence (AI) and the Future of the Engineering and Computing Workforce: A Systematic Review of Gray Literature and Document Analysis of U.S. Reports (2020–2025) — AI and the Future of the Engineering and Computing Workforce
• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — рамка Workforce Readiness Level для интеллектуального производства в эпоху ИИ
• AI-accelerated End-to-End Framework for Rapid Professional Upskilling
• AI Coaching for Accelerating Human Skill Development with Reinforcement Learning
• The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist
• ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots
• The Main Barrier to AI Adoption in the Public Sector is Lack of Training
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — HiBob AI Skills Framework, валидированная с преподавателями и работодателями
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — The tragedy of the cognitive commons: AI and expertise regeneration
• A Systematic Review of Language Educators' Practices and Development with GenAI — Language educators' practices and development with GenAI
• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
• Research on the optimization of the training system of university faculty development centers in the context of GenAI: a comparative analysis based on Chinese and Kazakhstani universities — сравнительный опрос, показывающий, что условия институтов, а не национальный контекст, объясняют разрывы в готовности преподавателей к GenAI (Bi et al. 2026)
• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — преподаватели педагогического образования совместно проектируют адаптивную модель ИИ-грамотности и рефлексивный опросник (Eyal 2025)
• Assessing teachers' AI literacy: a systematic review of measurement tools — обзор, показывающий, что инструменты измерения ИИ-грамотности преподавателей отстают от генеративного ИИ, указывая цель обучения (Zainal et al. 2026)
• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — трёхчасовое ПД повысило воспринимаемую полезность и лёгкость использования у немецких преподавателей, но не намерение использовать ИИ для дифференциации
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — обзор ИИ в начальной подготовке преподавателей математики начальной школы: краткого обучения, сфокусированного на инструментах, недостаточно
• Evaluation of primary school teachers’ use and perceptions of artificial intelligence in primary school mathematics instruction: a mixed-methods study — опрос, связывающий предшествующее обучение ИИ и частоту использования с позитивными восприятиями турецких преподавателей начальной школы
• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — ротация ролей как структурирующий механизм ИИ-поддерживаемой профессиональной подготовки
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement