AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Профессиональное образование и подготовка

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Профессиональное образование и подготовка (VET) — сегмент образования, который готовит людей к названным профессиям, ремёслам и техническим ролям, организованный вокруг компетентности, приближенной к практике, а не вокруг дисциплинарных знаний. Там, где обучение на рабочем месте описывает повышение квалификации уже трудоустроенных, VET включает начальную подготовку к ремеслу; там, где высшее образование называет обучение со степенью, VET часто не предполагает степени и framing на национальные рамки квалификаций. Его определяющие особенности состоят в том, что учащихся оценивают по тому, что они могут делать с оборудованием, что обучение происходит рядом с мастерской, симулятором или рабочим объектом и что человеческие наставники, которые ведут практическое обучение, часто являются связывающим ограничением. В исследованиях по ИИ VET предстаёт и как отдельная популяция учащихся — та, чья академическая уверенность связана с продемонстрированным навыком и профессиональной идентичностью, — и как отдельная база доказательств, более тонкая и фрагментированная, чем школьная или университетская литература.

Вопросы для размышления

  • Если квалификация удостоверяет то, что учащийся может делать, какая часть обучения с помощью ИИ считается аутентичной практикой, а какая подменяет собой повторение, которое строит компетентность?
  • Что теряется, когда ИИ-агент отыгрывает роль контрагента — пациента, пилота, клиента, — которую раньше играл человеческий наставник? Какие суждения синтетический контрагент не может смоделировать?
  • Устное оценивание плохо масштабируется с размером класса. Если ИИ выводит на поверхность доказательства, но не выносит суждений, какие части потенциала оценивания облегчаются, а какие просто переносятся на преподавателя?
  • Ни одно исследование в базе доказательств по ИИ в VET не проведено на рабочем месте, хотя VET определяется обучением, основанным на работе. Чего потребовало бы достоверное исследование там, где обучение действительно происходит?
  • Закон ЕС об ИИ (EU AI Act) относит оценивание ИИ результатов обучения в профессиональной подготовке к категории высокого риска, тогда как в некоторых юрисдикциях такой категории нет. Следует ли закупкам следовать самому строгому из доступных стандартов?

Введение

Профессиональное образование и подготовка готовит людей к конкретным профессиям — автомеханикам, авиадиспетчерам, дизайнерам интерьеров, работникам по уходу, — и его единицей является продемонстрированная компетентность, а не накопленный зачёт. Оценивание, как правило, основано на исполнении, обучение привязано к оборудованию, а квалифицированные наставники, которые контролируют практику, являются дефицитными.

Соседи по этой базе знаний отличаются главным образом объёмом. Обучение на рабочем месте охватывает повышение квалификации на рабочем месте и в корпорациях, в основном для уже трудоустроенных людей; VET охватывает и начальную профессиональную подготовку. Взрослые учащиеся называет характеристики учащихся, а не профессиональную специфику. Высшее образование называет обучение, дающее степень, тогда как значительная часть VET организована рамками квалификаций, такими как стандарты единиц NZQA или EQF. STEM-образование и VET пересекаются в технических доменах, но STEM-образование нацелено на концептуальное понимание, тогда как VET — на применимую процедуру. Профессиональное развитие и готовность к карьере называет диспозиции трудоустройства, по которым судят программы VET; VET называет систему обучения, которая несёт ответственность за их формирование.

Отличительная особенность ИИ в VET — это разрыв между тем, чего сектор хочет по своим заявлениям, и тем, что он строит: конструктивистская теория широко исповедуется, тогда как доминируют бихевиористские системы drills-and-practice, а конструкции, поддерживающие агентность учащегося, остаются редкими. Повторяющийся вопрос проектирования состоит не в том, может ли ИИ доставить обучение, а в том, может ли он взять на себя те части профессионального обучения, которые дороги в кадровом отношении — реалистичные сценарии, своевременную обратную связь, отыгранных контрагентов, устные доказательства, — не вытесняя при этом практику, которая производит компетентность.

Как ИИ проявляется в профессиональном образовании и подготовке

  • Молодая, фрагментированная и географически сконцентрированная база доказательств. Первый систематический обзор ИИ в VET (Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) выявил 26 эмпирических исследований, опубликованных в 2015–2026 годах, через ERIC, Web of Science и Elicit в соответствии с рекомендациями PRISMA: девять в технических доменах, девять общепредметных, пять в бизнес-администрировании и три в здравоохранении. Настройки были шестью аудиторными, восемью онлайн, четырьмя смешанными и восемью на основе симуляции — и ни одного на рабочем месте, несмотря на рабочий характер VET. Семнадцать из 26 исследований возникли в Азии; только девять исследований разделяли хотя бы одну ссылку, и ни одно не цитировало друг друга. Пять были рандомизированными экспериментами и 21 использовали доэкспериментальные или квазиэкспериментальные конструкции, измеряя результаты в основном сразу после вмешательства, и только три давали учащимся активную роль в конструкции, усиленной ИИ. Авторы предупреждают об образовательном «ловушке Тьюринга» — использовании ИИ для воспроизведения человеческого обучения вместо усиления человеческого суждения — и призывают к случаям отказов и граничным условиям вместо преобладающего нарратива успеха.

  • Симуляция поглощает дефицитного ролевого исполнителя. ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots нацелена на ограничение потенциала в обучении авиадиспетчеров: simpilots, специализированных человеческих наставников, которые отыгрывают и пилотов, и диспетчеров в моделируемом воздушном пространстве. ASTRA заменяет их автономными sim-пилотами на базе LLM, сохраняя сложность сценария, устраняя кадровое узкое место и позволяя адаптивную практику в масштабе. Это описание системы, а не испытание эффективности, но оно называет механизм, повторяющийся во всём ИИ в VET: там, где дефицитным ресурсом является квалифицированный человек, играющий контрагента, агент может удерживать эту роль и позволить практике расширяться.

  • Иммерсивная, поддерживаемая агентами проектная работа может повышать способности к дизайну — избирательно. Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments описывает AI-IVE-PBL — четырёхмерную, пятифазовую модель (открытие, воображение, моделирование, коммуникация, уточнение), запущенную в VR с ассистентом-цифровым человеком на базе LLM на курсе интерьерного дизайна первого года обучения в китайском профессиональном колледже. В 12-недельном квазиэксперименте с двумя группами (63 валидных ответа; 31 против 32) условие «иммерсивность плюс агент» показало более высокие результаты по способностям к дизайну (η²p = .138) и креативным способностям (η²p = .111) при ANCOVA, с когнитивной вовлечённостью d = 0.90, поведенческой вовлечённостью d = 0.75, мотивацией d = 0.74, удовлетворённостью d = 0.69 и более низкой когнитивной нагрузкой (d = −0.52). Инновационное мышление и аффективная вовлечённость не достигли значимости, что авторы объясняют краткосрочными потолками на устоявшихся когнитивных паттернах. Каждый результат — это самоотчёт, без артефактов дизайна или экспертных оценок. Прочитанное на фоне Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study, где конвейер GenAI плюс XR дал снижение уверенности в собственных силах дизайнеров Самоэффективность и отсутствие преимуществ в слепых оценках жюри, это различие выглядит меньше как вопрос оборудования, чем как вопрос о том, кто удерживает структуру фаз и критерии оценивания.

  • Оценивание — это место, где проблема подлинности острее всего. Designing AI-Supported Oral Assessment in TVET документирует AkoVoice, опробованный в четырёх классах автомобильной подготовки Level 3 и одном классе инженерии Level 3, спроектированный так, что ИИ выводит на поверхность доказательства по рубрике, а человек-эксперт выносит суждение. Из 33 опрошенных учащихся 21 (64%) согласились, что голосовое задание было реалистичным, и такая же доля сказала, что оно дало ясный способ сообщить то, что они знают; никто не выразил несогласия с тем, что говорение в реальном времени подходит для этого аутентичного оценивания лучше, чем письменное портфолио. Счётчики слов для идентичных вопросов варьировались в пять–восемь раз между учащимися без улучшения точности на фактологических вопросах, и девять учащихся, отвечавших от 2 до 13 слов, были все отмечены верно, при этом самым коротким был ответ из двух слов, «3500 кгс», совпавший по значению. Полный цикл захвата, хранения, черновика суждения ИИ и отчётности для преподавателя работал в офлайн-режиме на одном ноутбуке Windows с 8 ГБ графической памяти (Mistral 7B через Ollama, faster-whisper, Chatterbox), оценивая до 12 учащихся одновременно в мастерской, где стальной каркас блокирует wifi, при этом записи шифровались и удалялись через 90 дней. Статья отмечает, что закон ЕС об ИИ (EU AI Act) относит оценивание ИИ результатов обучения в профессиональной подготовке к категории высокого риска, тогда как в Новой Зеландии нет секторальной рамки TVET.

  • Ограниченное сопровождение, а не подмена. Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China утверждает, что ценность ИИ в технических и профессиональных условиях зависит от ответственного педагогического посредничества, а не от человекоподобности. Его прототип Amico соединяет AmicoMio, ориентированного на техническую ясность и пошаговое руководство задачей, с AmicoTuo, ориентированным на рефлексивный диалог и майевтическое вопрошание. Принцип конструкции — это реляционный мост: взаимодействие намеренно временное, направленное к человеческому контакту и ограниченное защитными мерами, при этом взрослые сохраняют ответственность «человек у руля». Эксплораторные пилоты (N = 30, Италия и Китай, 20 ограниченных сессий) показали, что участники относились к системе как к инструменту ограниченной поддержки, без сообщённых ожиданий подмены или зависимости.

  • Обучение с помощью ИИ несёт психологическую цену, когда заменяет усилие. AI-Assisted Autonomous Learning and Reduced Academic Accomplishment in Vocational Higher Education: The Mediating Role of Hardiness опросило 1 264 студента профессиональных колледжей в Китае с использованием структурного моделирования уравнений и обнаружило, что автономное обучение с помощью ИИ отрицательно связано с хардинесом (обязательство, контроль, вызов) и положительно связано с редуцированным академическим достижением — измерением выгорания в виде негативной самооценки. Хардинес частично опосредовал эту связь. Конструкция поперечная, основанная на самоотчёте и одном учреждении, поэтому причинность не установлена, но фрейминг важен для VET: там, где уверенность строится через повторяющуюся практику, ИИ как замена может снижать как диспозицию к настойчивости, так и переживаемый опыт мастерства.

  • Ускоренное производство учебных программ без уступки в проверке. AI-accelerated End-to-End Framework for Rapid Professional Upskilling применяет ИИ на всех пяти стадиях повышения профессиональной квалификации — получение знаний, разработка контента, рецензирование и проверка, тьюторский коучинг и разработка оценивания, — сохраняя при этом проектирование архитектуры (blueprint), рецензирование предметной области и создание заблуждений за людьми. Его внешняя валидация включает аккредитацию NASBA CPE, три из трёх учащихся, сдавших экзамен на сертификацию NVIDIA, используя только базу знаний рамки, и банк из 530 вопросов, размеченных по архитектуре из 53 навыков. Он находится здесь потому, что трактует проверку как полноправную стадию: обнаружение галлюцинаций в значительной степени отсутствует в образовательных конвейерах, и статья сообщает, что тьюторинг по умолчанию на базе LLM достигает лишь 52–70% корректных педагогических действий.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаVocational Education
УровеньAdult Learning, Higher Ed
Целевая аудиторияInstructors, Curriculum Designers, Institutions
Обучение и преподаваниеПрофессиональное развитие и готовность к карьере, Обучение на рабочем месте
Технологии и методыЧеловек в контуре, Интеллектуальное тьюторство, Моделирование
Оценивание и измерениеАутентичное оценивание
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.