AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

职场学习

创建 2026-08-09 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

职场学习 — 把人工智能用于劳动力发展、企业学习与专业技能习得。专业培训把人工智能教育延伸到正式学校教育之外的职场与终身学习情境。

值得思考的问题

  • 想想你在工作中学到而非在课堂上学到的一项技能。是什么使那项职场学习有效，而一个人工智能教练又如何可能复现或改进它？
  • 本页的劳动力准备度水平框架暗示，最高的能力阶段“由行业嵌入的经验而非课程作业把关”。这对我们应如何培训人 — 以及对人工智能模拟的局限 — 意味着什么？
  • 虚拟病人与培训模拟器让专业人士安全地练习。哪些判断与人际技能可能是模拟器无论多真实都难以捕捉的？
  • “双轨列车问题”是快速变化的人工智能技能与较慢的政策与课程步伐之间的张力。如果你能为今天的学习者选择要优先培养的持久能力，你会选什么？
  • 成年学习者平衡工作与学习，常通过屏幕。由人工智能驱动的专业培训如何既促成又使那种平衡复杂化 — 尤其在数据、信任与时间方面？

引言

专业培训中的人工智能

  • 模拟与练习： 虚拟病人培训与ATCO 培训模拟器创造了由人工智能驱动的专业练习环境。在教师教育中，人工智能角色扮演模拟把这延伸到基于实践的教与学：Student GPT模拟了一个持有误解的初中数学学生，让职前教师练习诊断与补救学生错误，与基于实践的教师学习的“实践近似”相一致，是 TeachLivE 这类昂贵平台的可负担补充。

  • Wang 等人（2026）增加了一条教练策略教训：对照学习者估计的能力渐撤协助，使模拟器单圈时间减少 27.9%（p = 0.005）、每圈失败减少 3.52 次，而按固定时刻表进行规则式渐撤则没有产生可靠的单圈时间变化。

  • 终身学习整合： 终身学习与成人学习者研究把专业培训连接到持续教育。

  • 公共部门： 公共部门人工智能采用考察政府情境中的培训。

  • 劳动力准备度框架： Smith 等人提出一个劳动力准备度水平（WRL）框架，把技术准备度水平量表改编为九个能力阶段，在四个支柱（数字/人工智能素养、赛博—物理流畅性、人机协同、数据驱动决策）上评分，并遵循“无弱支柱”规则。来自智能制造顶点项目的证据表明，最高的准备度阶段由行业嵌入的经验而非课程作业把关 — 指向工作整合学习对专业人工智能培训至关重要。

  • 教师与雇主优先事项分歧。 一项对 500 名美国教师与一个雇主评审组的调查，在 26 项人工智能技能中只就一项的重要性达成一致 — 为人工智能增强的工作设定现实预期 — 而 26 项中只有三项由半数或以上教师讲授（Fried（2026））。

  • 领域特定的专业发展证据稀薄。 一项对语言教育者的系统综述（Li 等人 2026）发现 23 项研究中只有三项报告了结构化的专业发展，而那些报告了的则在知识、信心与身份上汇于增益 — 证据表明结构化的、领域特定的培训（把技术技能与实践智慧配对）既稀缺又有效，且专业发展应从提升觉察与伦理，经动手掌握工具，走向人工智能增强课程的协同设计。

  • 教师教育者专业发展作为模型建构： Eyal（2025）开办了一个为期一年、180 小时的课程，22 名高等教育教师教育者在其中共同设计了适应性人工智能素养模型，以三个相互关联的轴（情境契合、专业需求、动态发展）取代固定的能力阶梯，并配一个 20 项的反思性自评问卷。设计前提是人工智能素养是情境化的：资源受限环境中的职前教师、学科教师与校长需要不同的能力，因此专业发展应瞄准特定角色的判断而非标准化评分规则。

  • 培训应瞄准什么： 该领域的测量基础落后于它所描述的技术。在一项对 33 个教师人工智能素养工具的系统综述中，Zainal、Mohd Matore 与 Maat（2026）发现 29 个（87.9%）瞄准一般人工智能概念，只有四个（12.1%，均发表于 2025 年）涉及生成式人工智能。如果工具追踪培训旨在建构的东西，那么这一分布就标志着教学中的生成式人工智能能力是最少被测量、最紧迫的专业发展目标。

  • 劳动力预测： Fletcher 等人综述了关于人工智能与工程/计算劳动力的美国灰色文献，框定了“双轨列车问题”（快速变化对迫切的政策），并建议高等教育优先培养持久的人工智能能力、伦理与AI 治理，以及与新兴角色（例如提示工程、人工智能审计、人工智能政策）对齐的基于技能的凭证，以在自动化经济中维持以人为本的工作。

  • 技能维持设计在吞吐量指标下失利。 de Jong（2026）论证，反思性互动与驱动专业工作中人工智能采用的更快决策、更高吞吐量的承诺相矛盾：受控研究可以吸收这种摩擦，而按速度或数量衡量绩效的环境不能，且在竞争对手提供无摩擦的同等支持之处，技能维持设计成为竞争劣势 — 该论文说这一问题可能属于组织政策或政府，而非互动设计。

  • 职场能力的口头评估。 一项 TVET 设计研究处理文本密集的评估与专业资格所认证的口头、情境化能力之间的长期错配，用一个大语言模型（LLM）支持互动口头评估。在四个队列中，21/33 名学习者认为语音格式真实，且对其优于书面作品集的优势无异议回应，而该系统在一台笔记本电脑上完全离线运行，最多同时支持 12 名学习者，90 天后删除录音，评分留给评估者（Designing AI-Supported Oral Assessment in TVET）。这是人工智能在专业培训中拓宽可评估能力范围的一个具体例子，而非只是自动化现有书面格式。不过，其队列是三级汽车与工程班，因此证据位于初始职业供给而非本页所覆盖的职场技能提升之中。

  • 是机构条件而非国家情境解释准备度差距。 一项对中国（n = 340）与哈萨克斯坦（n = 228）教师发展中心 568 名大学教师的比较调查（Bi、Araily、Lyu 与 Xiu（2026））发现，哈萨克斯坦教师在基线上领先全部七个GenAI准备度维度，最大差距在学科迁移、提示设计与人工智能支持的评估上。分层回归拆解了国家解释：一旦先前的 GenAI 使用与近期培训进入模型，国家差异就急剧下降；一旦加入机构支持、感知到的试验许可、多语言资源可得性、政策清晰度与风险敏感性，就变得不显著 — 减少 80%。暴露分布不均（哈萨克斯坦教师中明显多数在过去六个月受过人工智能培训，而中国教师约为四分之一），且中国教师报告更高的政策清晰度与更高的风险敏感性。结构化的提示—任务培训在后测提示设计上大幅优于常规的 GenAI 熟悉化。按此证据，教师准备度由供给与许可产生 — 即一个中心提供什么、允许什么 — 而非由它所处的国家体系产生。

  • 简短培训改变判断，而非意图。 一项对 100 名德国教师的课前—课后试点（Mesenhöller 与 Böhme（2026））发现，在一场关于用人工智能进行差异化的简短实践导向课程之后，感知有用性（d = .32）与感知易用性（d = .25）显著上升，而行为意图没有从已经很高的基线（M = 3.07）移动。作者把这一差距解读为接受取决于一场课程无法提供的条件，如时间、基础设施与清晰的机构规则。简短格式值得办，但把它们与那些条件配对，才是把有利判断转化为使用的东西。

  • 初始培训要持续监控，而非一次性工作坊。 一项对 11 项小学数学初始教师培训中人工智能研究的系统综述（Pinto 等人（2026））发现，九项干预是嵌入现有课程的单次或数次课程，态度通常在事后只采样一次，而伦理只出现在三项研究中。作者论证，人工智能能力需要在整个培训序列中发展，从预备阶段进入实习与从教最初几年，并有跟随这一进程的监控。

  • 暴露与重复而非人口统计，追踪有利的看法。 在一项对 302 名土耳其小学数学教师的混合方法研究中（Ciğerci 与 Uygun（2026）），先前的人工智能培训（t = 3.661）与人工智能使用频率（F = 41.280）是与正面看法最一贯相关的变量，而意愿（M = 3.98）与态度（M = 3.82）远高于个人经验（M = 3.00）。作者把先前培训当作学校可采取的最清晰杠杆，这指向重复的、持续的使用而非单次介绍。

  • 角色轮换作为承重结构。 一项对 62 名哈萨克斯坦职前教育心理学学生的基于设计的研究（Kenzhebayeva 等人（2026））让学生在八周内轮换四个专业岗位，由生成式人工智能提供初步想法。作者论证价值在于轮换而非工具，因为每个岗位以不同方式框定同一案例，且后期循环显示更多对理论论证的请求。他们报告的是参与度而非测得增益，没有收集前后能力测量。

区别于学业教育

专业培训区别于学业教育之处在于其聚焦应用技能、即时的职场相关性与成年学习者特征。成人学习者理论与成人学习者原则为专业人工智能培训设计提供依据。它的另一个边界是职业教育与培训：职业教育接纳尚未持有该职业的人，以行业或技术资格结业，因此它承载初始职业准备与为其认证的资格框架，而专业培训从一个既有角色出发 — 再培训、继续专业教育或供应商认证 — 并假定职业教育所授予的能力。

专长的再生作为一项培训关切。 认知公地框架（Lovett 2026）论证，人力资源发展必须超越组织再培训，走向职业层面的管理：在人工智能暴露的部门中取消入门级发展岗位，会耗竭所有组织都依赖的共享专长池，其时间延迟效应只在 5–20 年后出现。这把专业培训从个人能力发展重新框定为集体公地的维护。

把人工智能产出与核验配对，并寻求外部测量。 Nguyen 等人（2026）把自动幻觉检查与一个主题专家审计置于起草与交付之间（贯穿一个五阶段技能提升流水线），并把该框架最强的主张安放在 NASBA CPE 认证与一个供应商认证考试上，而非自定的成功测量。

关联概念

关联文章

相关资源

  • Master Instructional Design
    一个 Claude 技能，将一位资深教学设计者的方法论打包为十五种参与模式与三十一份按需加载的参考文件，覆盖学习与发展的完整领域。

元数据

层次Adult Learning, Higher Ed
目标读者Instructors, Administrators, Learners
学习与教学终身学习
技术与方法生成式人工智能, 大语言模型（LLM）, 模拟
教育中的人工智能基础AI 素养, 教育发展
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。