Jaiswal, K., Kuzminykh, I., & Modgil, S. (2024). Understanding the skills gap between higher education and industry in the UK in artificial intelligence sector.Industry and Higher Education, 09504222241280441.
北京大学教育学院硕士生杨梵 摘译
摘要
随着人工智能对行业运行模式的改变，该领域的人才需求也在增加。本文调查了英国大学如何开设人工智能课程，为学生在现实世界中的就业做好准备。为深入了解大学课程与行业需求之间的差别，作者查阅了所授课程和招聘广告网站的内容。通过使用自定义数据收集工具从招聘广告和大学课程中收集信息，并进行频率和朴素贝叶斯分类器（Naive Bayes classifier）分析。本研究将准确显示行业所需技能，研究定义了12个技能类别，人工智能领域的大学课程在大部分技术性技能方面都很均衡，包括编程和机器学习项目，但在数据科学和数学与统计技能类别方面存在差距。
一、引言
日新月异的人工智能正迅速改变行业面貌，对专业技能人才的需求也在逐渐增加，但目前还没有足够的技术人员来满足行业需求。这种人才短缺影响了许多行业和全球经济。关于这一短缺出现的原因目前还没有明确结论，有推测将其归因于大学和培训机构没能跟上人工智能领域的快速发展。英国政府已采取措施解决人工智能技术人员缺乏的问题，2020年秋政府推出了以人工智能和数据科学为重点的课程计划，并以奖学金的形式提供支持。据CRAC关于2020年4月至2023年3月期间开设的人工智能项目调查表明，该计划“对英国人工智能领域的研究生数量持续产生积极影响”，特别是为女性、黑人学生和残疾学生提供了更多机会。
在这些最新进展的基础上，本研究致力于了解高等教育与行业实践间的技能差距。具体而言，我们将对比授予人工智能学位的学生的技能与英国人工智能领域岗位所需的技能，为实现这一目标我们提出了三个研究问题：
（1）英国人工智能行业招聘人员需要哪些技能？
（2）获取人工智能专业学位的学生习得了哪些技能？
（3）大学课程提供的专业知识水平是否足以胜任人工智能相关行业？
与现有其他研究相比，本研究的主要贡献在于进行了人工智能技术方面大学课程与行业需求间的比较，而非仅仅讨论行业需求。并且现有研究大多关注美国而很少涉及英国甚至欧洲，本研究则针对英国展开。
二、研究背景
本文的研究方法借鉴了此领域已发表的大量具有相似目标的研究论文。如Verma et al. (2022)讨论美国市场招聘广告中AI和ML技能需求的研究，该研究采取了严密的过程以收集分析数据，使用Python进行网络搜索从而提取职位名称和描述、运用n-gram技术从职位描述中提取相关信息，我们的研究也应用了类似的短语分析。Verma, Lamsal 和 Verma的研究特殊之处在于使用了技能分类框架，在Manning et al., 2008;Pranckevicius and Marcinkevicius, 2017等作品中也可以看到分类框架，这些研究除分类外还进行了文本分析，考虑到了词汇长度、复杂性及所用数据集的大小。Attwood and Williams (2023)考察网络安全行业技能差距的研究指出了解决技能差距的重要意义，特别是在软件工程等网络学科，并利用TF-IDF技术将职位与特定知识领域相匹配，最终确定了不同职位描述中表现最好的知识领域。所有上述相关研究的共同点是利用网络收集数据，与开展调查相比，网络搜索更具性价比，并且能够提供海量实时数据。
Sarin (2019)的研究确认了学生和雇主所重视的技能间存在差别，其研究结果显示学生通常在定量的主题上大量投入，雇主则认为沟通技巧和专业领域知识也很重要。并且政府官网上关于英国劳动力市场的报告也强调了技能短缺的问题，通过统计2020年间发布的人工智能岗位招聘和访谈有关公司，指出了在人工智能概念和算法、编程语言、软件和系统工程等技术性技能，以及软技能、隐私和道德方面存在技能差距。作者认为除了新兴的硬科技技能外，软技能仍然具有很高的价值。
总之，上述研究为本文提供了可参考的背景和观点，本研究借鉴了Verma等人（2022）提出的将技能分组为n-grams的概念，以及Attwood 和Williams（2023）大学网络安全研究中将大学学位技能与招聘所需技能间进行的对照。但本研究的独特之处是首先定义了可用于分析的人工智能技能类别，并希望通过这种映射进一步发现区别和最终揭示技能差距。
三、研究方法
本研究分别收集数据建立了雇主对人工智能相关工作所需的技能（包括热门技能使用频率）和大学获得人工智能学位学生所掌握技能两个数据集并进行映射，从而尝试发现相关性以揭示研究结果，两个数据集分别包含158个招聘广告中的技能和30个大学课程中的技能。本研究选择领英作为收集招聘广告平台，该平台提供了详细的招聘信息和所需技能，并使用了名为Clay的扩展程序。学生获得技能的数据来源于大学网站，根据英国政府政策文件中公布的最新官方数据，2017年仅有26所大学开设了人工智能本科课程，但截至2024年3月已有61所大学提供人工智能学位，本研究集中于开设人工智能课程的英国大学，特别是QS排名靠前的大学，以分析最高质量的人工智能课程与工作所需间的技能差距。
在数据分析阶段，本研究通过对两个数据集进行词组频率分析获得表示技能的高频词组，并利用Naive Bayes模型进行分类，提取出12个技能类别（如下表），每个类别包含一些从招聘职位描述中识别出的最常出现的相关技能。
四、研究结果与分析
频率分析结果显示，最常见的所需技能和被教授技能是与机器学习、编程和软件开发相关技能，商务管理和云技术的重视程度较低，与工具和伦理相关的技能则在数据集中占比最小。
通过比较人工智能工作所需技能与大学课程教授技能发现：
（1）技术性技能占据主导地位，凸显了人工智能领域对技术性技能的持续强烈需求。大学通过开设Python、Java、c++等编程语言课程以培育相关技能，在工作岗位中除上述基本技能外，专业环境通常还需要更多实用性技能以及处理大量数据的经验，另外Keras 和Sci-kit learn等其他框架的使用也在增加。
（2）与大学相比，工作岗位中对数据科学的需求增加。大学课程的数据科学通常包括Python、R、SQL等语言知识，工作中则通常更强调高级的数据科学技能如云计算和实时数据处理等大数据技术，需要熟悉数据处理和可视化，大学开展的各类项目尚未使用此类技术。
（3）工作中更强调商业管理，如人工智能顾问这样的职位通常由不仅具有强大技术背景，而且能够在与客户合作时做出战略性商业决策的人担任，但大学人工智能课程中很少直接教授这方面技能，往往只能从选修课或学术俱乐部获得。研究认为大学只有将学生为外部客户提供短期工作作为课程部分，才能弥补这一技能差距。
（4）软性技能方面未体现明显技能差距，大学通过小组项目培养交流合作等技能，此类技能在工作后可迁移到团队项目中。
（ 5）数学和统计学方面技能差距较大，大学课程中的数学和统计学内容包括概率、统计数据、代数等，但工作所需的是这些技能的实际应用，而大学生往往缺乏实践经验，能够以复杂方式优化代码的学生可能无法在统计软件中实现其方案。
（6）行业知识类技能在大学中更为突出，大学通过综合课程传授领域知识，如伦敦帝国学院提供的健康数据分析和机器学习，但在工作时各行业通常更青睐全面发展而非仅仅具备某特定领域知识的员工。
（7）大学和工作两组数据集中都认识到道德伦理的重要性，说明在人工智能发展过程中人们对伦理因素的重视程度在提升。大学会开设讲述处理人工智能及其应用时必须考虑的伦理因素的额外板块，此类板块通常是不计学分的必修课，以确保全部学生接受人工智能伦理教育。在工作中伦理因素的重要性也很突出，因为需要考虑来自不同背景的人和他们的观念、人工智能广泛发展所涉及的伦理问题，以及应对不断变化的人工智能管理环境。
五、讨论
本研究对人工智能技术分类的类别更多关注技术性技能而非软技能，并且由于研究目标是建立与大学课程间的对照映射，技能分类也忽略了沟通交流、人际交往、管理等技能和动机、时间管理、信心等员工属性。
和Verma等人（2022）在美国进行的研究以及英国政府调查结果相一致的是，本研究发现英国就业市场最需要的人工智能技能是编程和机器学习技能，但与美国相比英国对大数据技能和数学与统计技能的需求较少。在大学课程和工作需求两个数据集对照时，技术性技能都得到体现，这方面没有明显的技能差距。大学课程所传授与工作需求间的差距主要体现在工作要求学生具备很强的分析能力、广泛的一般性知识和很强的沟通协作技能，大学教育在这些方面有所欠缺。
作者反思了本研究存在的不足：由于clay仅适用于在领英网站收集数据，本研究的工作需求技能数据集仅采用了来自领英的数据，该网站的偏见、歧视或随机性或将对研究结果产生较大影响，另外，在对技能进行分类时所使用的分类工具精确度也有提升空间。
人工智能专业人才与技能短缺的问题在全球范围内普遍存在，最新报告（Salesforce, 2024）访谈了来自澳大利亚、法国、德国、英国和美国的600名不同行业的IT专业人士，所有部门都面临着能够有效使用人工智能的工作人员缺乏的问题，公共部门尤为严重。公司解决这一问题的首选方式是雇佣拥有人工智能技术的资深专业人士，而非保留和培训现有员工，这一趋势在全球范围内都很明显。但在招聘专业人才存在困难的情况下，这一方法是否可行？通过比较领英上人工智能技术人才库和招聘岗位的数量以及大量岗位空缺的现象，可以发现现有人才库规模很难填补职位空缺。作者认为这种供需反差说明了不仅需要适当数量的人工智能专家，而且大学也应优先确保其毕业生具备必要的技能水平。
六、结论
研究表明大学课程教授同时也是行业所需的最常见技能为机器学习、编程和软件开发相关技能，数据科学和分析也较为重要，与研究技能、特定工具和职业道德相关的技能则最不常见。总体而言，大学提供的技能和行业所需技能在大多数类别中相对平衡，但研究也揭示了二者间的差距，如行业需求比大学更重视数据采集、分析和可视化相关的数据科学和分析技能；大学课程相比于工作所需提供了太多的行业领域特定知识。最后，鉴于未来社会政治和技术领域都将强调人工智能技术开发和应用带来的伦理影响，本研究建议行业和大学都应提升对人工智能伦理的重视程度。
