教育与未来智能

帮助机构研究学习和技能如何随着技术的变化而发展。

我们如何研究这个领域

探索者将学习、技能和不断变化的专业活动联系起来，作为构建制度问题的一种方式。它不会预测特定的毕业生成绩，也不会告诉大学采用哪种课程。负责任的讨论应考虑证据质量、学习者背景、教师能力、数据治理以及重新审视假设的频率。这些场景是探究的起点，而不是预测的起点。

1. 01

   快速变化的世界中的教育

   随着技术和劳动力需求的变化，机构会做出长期选择。良好的规划将持久的学习目标与短暂的工具趋势区分开来，并随着证据的发展留下适应的空间。

   当工具、专业任务和学习者需求发生变化时，机构必须做出持续多年的决策。规划可以将持久的教育目标与临时的产品趋势区分开来，并确定哪些假设需要审查。目的是支持深思熟虑的制度选择，而不是预测一个固定的未来。

2. 02

   未来技能

   技能结合了知识、判断、沟通和实践。一个有用的框架将学习与实际活动联系起来，并认识到一个职位可以包含具有不同变化风险的任务。

   当与具体活动联系起来时，未来的技能更容易讨论。一个领域可以将技术知识与判断、沟通、协作和负责任地使用证据结合起来。框架应该明确其定义，并认识到角色之间的差异，而不是将广泛的技能标签视为通用衡量标准。

3. 03

   学术决策智能

   机构决策受益于明确的定义、可比较的证据和透明的假设。数据可以组织问题，但它不能取代学术判断或保证学习成果。

   学术决策支持可以组织有关项目、学习途径和机构准备情况的证据。它应该显示信息是如何定义的、信息来自哪里以及哪些问题尚未得到解答。分数或比较不能保证学习者的成果或取代学生和机构的学术判断。

4. 04

   人工智能和工作的未来

   人工智能可能会改变哪些任务是辅助的、自动化的或新创建的。影响因行业和背景而异，因此情景规划比一种自信的预测更负责任。

   人工智能可以协助某些任务，使其他任务自动化并创造新的工作形式。效果取决于采用、监管、成本、组织选择以及专业人员如何适应。情景规划可以帮助人们检查可能的转变，同时避免声称特定职业或时间表是确定的。

5. 05

   课程演变

   课程可以将持久的基础与新兴方法的实践结合起来。机构需要通过某种方式来审查学习成果、教师能力以及更新的相关性。

   课程设计可以将持久的基础与实践新兴方法的机会结合起来。机构可以考虑重温课程的频率、如何支持教师以及如何评估学习成果。改变应该以教育目标为基础，而不仅仅是因为新工具的出现而做出改变。

6. 06

   机构数据和质量

   数据质量决定结论。出处、覆盖范围、更新频率和定义应该是可见的，以便决策者可以判断数据集代表什么和不代表什么。

   数据质量取决于定义、覆盖范围、收集实践和更新节奏。大学数据集可能仅描述其包含的机构和指标，而不是完整的教育经历。明确的出处和限制有助于决策者判断比较是否与他们的问题相关。

7. 07

   高级人工智能的场景

   更强大的人工智能可以以不同的方式改变专业任务。场景在替代假设下测试准备情况，并应随着能力、监管和采用的变化而进行修改。

   高级人工智能场景可以帮助机构了解在不同假设下学习、评估和专业实践可能会如何变化。每个场景都应该说明什么是真实的以及什么证据可以改变它。这些场景指导讨论；它们不是劳动力市场的预测或关于确定性的主张。

8. 08

   教育研究

   有用的研究提出可衡量的问题，区分相关性和原因，并包括学习者和教育者。调查结果应包括其他人可以检查的方法和限制。

   教育研究受益于明确的问题、适当的方法、参与者保护和透明的限制。团队应区分描述性观察和因果发现，并纳入学习者和教育者的观点。当可以检查方法并且诚实地报告不确定性时，结果会更有用。

9. 09

   与机构的合作

   与大学和学习组织的合作应从范围问题、适当的数据治理以及对评估、所有权和出版的共同期望开始。

   与大学和学习型组织的合作应从有限的问题、适当的治理和共同的期望开始。合作伙伴需要明确数据访问、评估、发布、归属和责任。此页面邀请未来的讨论；这并不意味着已经建立了指定的学术伙伴关系。