Mapping Curricula to Occupational Work Activities Using a Shared DWA Ontology: Evidence from the Course-Skill Atlas and O*NET

技术摘要：利用共享 DWA 本体将课程设置映射至职业工作活动

问题陈述
大学正面临着日益增长的压力，需要证明其学术项目如何为数据密集型和人工智能驱动型职业做准备。然而，目前缺乏证据表明如何系统地将记录在案的课程信号与职业特定的工作活动进行程序级的比较。现有的挑战包括：由于词汇、粒度和文档规范的差异，难以将学术语言（教学大纲、课程描述）转化为职业分类法（工作任务）。课程特征与职业任务陈述之间的直接文本匹配往往是脆弱的，且缺乏可追溯性。此外，尽管存在能力框架，但它们并未实证展示这些预期如何在不同机构的记录在案的课程信号中得到体现。核心问题在于，缺乏一种可追溯的、基于共享本体的方法，能够将大规模课程数据与基于任务衍生的职业需求进行对齐，而不依赖于表层的文本匹配。

研究方法
本研究开发了一个课程分析框架，该框架通过使用官方 DWA 标识符作为共同本体，将来自**课程侧信号（Course-Skill Atlas, CSA）的课程信号与来自 O*NET 的职业侧任务需求映射到共享的详细工作活动（Detailed Work Activity, DWA）**空间中。

• 数据源：
  • 课程侧： CSA 数据集，该数据集从超过 300 万份美国高等教育教学大纲中推断出技能信号。研究使用了“机构-领域-年份”记录以及广泛的活动级特征得分矩阵。
  • 职业侧： O*NET 30.3 数据库，特别关注任务陈述（Task Statements）、任务到 DWA 的映射（Tasks to DWAs）以及 DWA 参考文件。研究焦点职业为数据科学家（Data Scientists, SOC 15-2051.00）。
• 向量构建：
  • 课程向量： 将 CSA 特征标签映射到官方 O*NET DWA ID。原始课程权重通过计算 CSA 得分的教学大纲计数加权平均值得出，然后进行 L2 归一化，以代表相对强调程度。
  • 职业向量： 通过“任务到 DWA”文件将 O*NET 任务陈述链接到 DWA ID。按 DWA ID 进行计数聚合，然后进行 L2 归一化，以创建任务衍生的职业概况。
• 对齐指标：
  • 余弦相似度（Cosine Similarity）： 衡量课程向量与职业向量之间相对强调程度的方向相似性。
  • Coverage@K： 一种名义度量，指示职业侧的前 K 个 DWA 是否出现在课程向量中（存在/缺失）。
  • 技能差距指数（Skill Gap Index, SGI）： 一种职业加权的赤字度量，用于捕捉高优先级职业 DWA 的欠强调程度。
• 验证策略：
  • 使用 8 × 8 验证矩阵，将八个课程组（如计算机科学、数学、商业）与八个职业概况（如软件开发人员、统计学家、会计师）进行比较。
  • 基于排名的正向控制检查，验证理论上预期的课程组（如会计学对应会计师）是否在余弦相似度中排名最高。
  • 敏感性分析，测试针对覆盖率阈值和权重方案（如二元权重 vs. 任务链接计数权重）变化的稳健性。
  • 群体级稳健性检查，将课程组聚类为“核心”（技术/定量型）和“应用”（商业导向型）两个群体。

关键结果

• 焦点案例（计算机科学 vs. 数据科学家）：
  • 全名义覆盖： 所有 16 个任务衍生的数据科学家 DWA 均存在于计算机科学课程向量中（Coverage@10, @20, @30 = 1.000）。
  • 相对强调程度对齐较弱： 尽管实现了全覆盖，但余弦相似度较低（0.114），且技能差距指数较高（0.886）。
  • 强调差距： 最大的差距出现在高权重职业 DWA 中，例如“应用数学原理或统计方法”（职业权重：0.459 vs. 课程权重：0.031）。研究结论认为，差距在于强调程度而非缺失；数据科学家的活动确实存在，但与职业概况中的重要性相比，在记录在案的课程信号中获得的相对权重较低。
• 验证矩阵：
  • 该框架成功恢复了理论上合理的模式。计算机科学在软件开发人员和数据库架构师方面排名最高；数学在统计学家和运筹分析师方面排名最高；会计学在会计师方面排名最高。
  • 值得注意的是，数学与数据科学家概况的余弦相似度最高，这强化了 O*NET 任务衍生概况的定量性质。
• 稳健性： 结果在不同的权重方案和覆盖率阈值下保持稳定。核心群体（计算机科学、数学、工程、物理）一致表现出与技术型职业更高的对齐度，而应用群体则更好地与商业导向型角色对齐。

核心贡献

1. 可追溯的共享本体框架： 本研究引入了一种课程–职业对齐方法，使用官方 DWA ID 作为共享键，避免了直接的文本匹配，并确保了从原始数据到最终指标的可审计性。
2. 区分覆盖范围与强调程度： 分析重新定义了课程–职业差距。研究表明，一个课程可以完全覆盖职业所需的活动类型（名义覆盖），但在相对于职业优先级的权重上存在显著的欠强调（加权对齐）。
3. 程序评估的诊断工具： 该框架提供了一种可重复、数据驱动的方法，用于考察记录在案的课程信号如何对应职业工作活动，这可以作为课程审查的起点，而非衡量教学质量或学生掌握程度的决定性标准。

意义与主张
本文主张，这种 DWA-ID 对齐方法提供了一种结构化、可追溯的方式，向利益相关者（雇主、政策制定者、认证机构）传达课程优先级。通过将名义覆盖与相对强调程度分离，该框架有助于识别特定的“强调差距”，即课程信号可能未能反映职业工作活动强度或中心性的部分。

作者明确指出，DWA-ID 对齐不应被解释为对教学质量、学生学习或职业准备度的直接衡量。相反，它作为一个诊断工具，用于考察记录在案的课程信号如何传达学习活动。研究强调，观察到的差距反映了课程文档中活动的呈现方式，这可能与实际执行的教学或学生的掌握程度有所不同。该框架被呈现为一种用于高等教育中循证沟通和课程分析的可复用方法，特别是在数据科学等新兴的跨学科领域。