في عالم سريع التغير، أصبح من الضروري أن تكون المناهج الدراسية متوافقة مع احتياجات سوق العمل. هذه التحديات لم تغيب عن الباحثين، وها هي ورقة بحثية جديدة تقدم حلاً مبتكرًا عبر إطار عمل مدعوم بتقنيات معالجة اللغة الطبيعية (Natural Language Processing - NLP) لمواءمة المناهج الدراسية مع متطلبات السوق.

تتناول الدراسة تحديات استخراج المعلومات المرتبطة بالمناهج الدراسية وسوق العمل، حيث تعتمد الطرق التقليدية على الأساليب السطحية والتي لا تستطيع استعادة الكفاءات الضمنية.

لذا، اقترح الباحثون إطار عمل يتكون من أربع مراحل تشمل:

1. **التحفيز باستخدام مخططات محددة**: يتم استخدام نماذج لغات ضخمة (Large Language Models - LLM) لتحسين دقة استخراج المعلومات بناءً على مخططات محددة مسبقًا.
2. **المطابقة اللغوية**: يتم استخدام نموذج Sentence-BERT (SBERT) لتحقيق توافق بين المعلومات المستخرجة والمفردات المحددة في نظام التصنيف ESCO.
3. **بروتوكول القرار ثنائي الطبقات**: الذي يعالج أي تناقضات بين النماذج المختلفة.
4. **آلية التحقق**: التي تجمع بين قياسات موثوقية الاستخراج والتوافق مع المخططات ونسبة الاكتمال المستند إلى المستوى.

تم تطبيق هذا الإطار على برنامج بكاليوس في علوم الحاسوب المعتمد من ABET في جامعة الإمارات العربية المتحدة، حيث تم استخراج 400 سجل كفاءة من خطة الدراسة المكونة من 85 دورة دراسية وتوافقها مع 30 إعلان وظيفة، مما أسفر عن توفير رؤى قيمة حول الفجوات في المهارات.

على سبيل المثال، أظهرت النتائج أن الفجوة في المهارات العامة والأفقية بلغت 25%، وأظهرت فجوات أقل في مجالات مثل خوارزميات ونظرية الحوسبة (13.8%) والهندسة البرمجية وإدارة المشاريع (12.2%). لكن المفاجأة كانت في أن فجوة الذكاء الاصطناعي وعلوم البيانات كانت قريبة من الصفر.

هذا الابتكار يعد خطوة جديدة نحو ضمان جودة التعليم الجامعي من خلال مواءمة مخرجات التعليم مع متطلبات سوق العمل.