Matchning av kompetenser inom arbetslivet och utbildningsväsendet med hjälp av IT-verktyg av Erik Bergerfors och Kristoffer Eriksson

Transkript

1 Matchning av kompetenser inom arbetslivet och utbildningsväsendet med hjälp av IT-verktyg av Erik Bergerfors och Kristoffer Eriksson Institutionen för matematik, natur- och datavetenskap Högskolan i Gävle S Gävle, Sweden nf00ken@student.hig.se nf02ebs@student.hig.se Abstrakt Matchning av kompetenser inom arbetslivet och skolväsendet har i alla tider varit ett problem. De båda parterna har talat olika språk. Oftast är det samma kompetens som menas men eftersom det är olika begreppsnormer pratar man förbi varandra. Länsarbetsnämnden hade som en tidig idé en konferens där delar från näringslivet och delar från utbildningssektorn skulle samlas. Representanterna från näringslivet skulle komma med sin förfrågan om arbetskraft, t.ex. Vi behöver datakunnig personal som har kompetensen javaprogrammering och C#-programmering. Representanterna från utbildningssektorn ska försöka matcha detta med befintliga utbildningar och om behovet inte är täckt, kanske anordna en sådan utbildning. Detta skulle realiseras genom ett signalsystem, ett system som hämtade upp de förfrågningar och behov som de båda parterna har och som därefter genom bearbetning och analys kunna uppfylla de båda parternas behov. Enligt tidigare studier av detta ämne har det kommit fram att om detta signalsystem ska kunna fungera måste det finnas en kompetensdatabas som är tillräcklig och att denna databas är kopplad till kurser som i sin tur är kopplade till utbildningar. Problematiken här i ligger att det inte finns någon sådan databas i dag och ingen sådan koppling. Det som behövs för att detta ska fungera är en gemensam begreppsnorm, en kompetensdatabas som båda parterna använder. Med det it-verktyg som har utvecklats i denna uppsats matchas dessa kompetenser och på så sätt kan de båda parterna kommunicera med samma språk. Det resultat som har kommit fram är att med hjälp av det it-verktyg som har utvecklats går det att klassificera kompetenser med en gemensam begreppsnorm. Nyckelord: Datakategorisering, centrala databaser, kompetens, utbildning, kurser

2 Innehåll 1 Inledning Syfte Bakgrund Problem Frågeställningar Hypoteser Teoretisk Bakgrund OOPPO Utveckling av begreppsmodell åt Länsarbetsnämnden Klassificering på detaljnivå av yrkesroller inom IT-sektorn Klassificeringsmetoder DDC (Dewey Decimal System) UDK (Universella Decimal Klassifikationen) SAB SAO Tesarus Designen av en tesaurus Tesaurus påverkan vid informationssökning Dynamisk tesarus EPSRC FACET Project Automatisk indexering Automatisk klassificering XML Mapaz och Mapaz MZ Centrala databaser (LADOK) Metod Val av metod Genomförande och tester Studier av befintliga system Nyckelordsräkning Databasen för inmatning av kurser Matchning av kompetens Kurser som matchas Kompetensdatabasen SAB Ämnesord (SAO) Resultat Resultat från studier av befintliga system Resultat från nyckelordsräkning Databasen Webbrobotarna Matchningen Resultat av matchningen av kompetensmål och kurser Diskussion Diskussion Resultat från nyckelordsräkning Diskussion kring Kompetensdatabasen Diskussion kring SAB Angående webbroboten Koppling kompetens Diskussion matchningen Distribuerad lösning Befintliga kurser Slutsats Förslag på fortsatt forskning

3 9 Tack Referenser Bilagor

4 1 Inledning 1.1 Syfte Syftet med examensarbetet är att undersöka möjligheten att skapa en kompetensdatabas som ska fungera genom en gemensam begreppsnorm för arbetslivet och skolväsendet. 1.2 Bakgrund I alla tider har det varit ett stort problem med matchning mellan de utbildningar som ges på skolor och de arbeten som finns ute i arbetslivet. Skolorna ger sin utbildning som de tycker utan att ha någon direkt koppling till näringslivet. Länsarbetsnämnden hade en tidig idé om en konferens där delar från näringslivet och delar från utbildningssektorn samlades. På denna konferens skulle information om behov och efterfrågan delas. Representanterna från näringslivet skulle komma med sin förfrågan om arbetskraft, t.ex. Vi behöver datakunnig personal som har kompetensen javaprogrammering och C++ - programmering. Representanterna från utbildningssektorn skulle försöka matcha detta med befintliga utbildningar och vid behov anordna utbildningar som saknas. Efter lite utvärderingar och överväganden kom länsarbetsnämnden på idén om ett signalsystem. Detta signalsystem skulle vara en datorstyrd och digitaliserad form av denna konferens. Tanken är att båda parterna ska mata in information, denna information bearbetas av signalsystemet som därefter ska ge en klar bild av hur framtidsbehovet ser ut i arbetslivet och arbetslivets behov av utbildningar. Sedan tidigare finns två examensarbeten [24][25] som tagit upp delar av problematiken kring detta område. Dessa handlade om definitioner av yrkesroller samt ett förslag på hur en koppling mellan utbildning och yrken skulle kunna se ut. Nästa steg i utvecklingsprocessen av detta signalsystem var utvecklingen av en prototyp till signalsystem. Detta gjordes av kursdeltagare i en kurs på Högskolan i Gävle som heter Objektorienterad programmering och projektorganisation, härefter refererad som OOPPO [23]. Vid utvecklingen av denna prototyp uppdagades viss problematik kring utbildningsdelen i systemet. 1.3 Problem Enligt tidigare studier inom detta ämne (OOPPO-projektet på Högskolan i Gävle), har det kommit fram att om detta signalsystem ska kunna fungera måste det finnas en kompetensdatabas som är tillräcklig och som kan appliceras både mot arbetslivets behov samt utbildningsväsendets kompetenser. Problematiken här i ligger att det inte finns någon sådan databas i dag som har dessa uppenbara kopplingar. Det som finns är en databas [26] som AMS använder för att klassificera yrkesroller, problemet med denna kompetensdatabas är att den är inte tillräckligt generell för att kunna klassificera utbildningskompetenser. Problemet med detta blir att de båda parterna på så sätt inte kan prata samma språk. 5

5 1.4 Frågeställningar Är det möjligt att med hjälp av en IT-portal matcha kompetenskraven från arbetslivet med utbildningsväsendets beskrivningar av utbildningar? Kan detta i så fall ske med hjälp av en gemensam normgivande begreppsapparat fångad i någon form av kompetensdatabas? Hur skapas i så fall en sådan kompetensdatabas? Kan det ske via nyckelordsindexering av befintliga kursbeskrivningar på nätet eller kan kompetensdatabasen byggas upp genom att köra en process mot befintliga strukturella databaser i form av körning av ett skript eller en webbrobot? 1.5 Hypoteser Med en standardiserad struktur för kompetenser skulle de olika parterna (utbildningssektorn och arbetsmarknaden) kunna prata samma språk, det skulle gå att klassificera kompetenser på samma sätt. 2 Teoretisk Bakgrund 2.1 OOPPO OOPPO (objektorienterad programmering och projektorganisation) är en tio poängs c- kurs på Högskolan i Gävle. Dess syfte är att ge goda kunskaper inom objektorienterad programmering och inom projektarbete och projektorganisation. Hälften av kursens innehåll (5p) är ett skarpt projekt mot en riktig kund. Ett projekt inom den här kursen gjordes på uppdrag av Länsarbetsnämnen i Gävleborg, och gick ut på att skapa en prototyp som ett beslutsunderlag för en eventuell fortsättning av ett signalsystem [23]. Den del som detta projekt hanterade var ett inmatningsgränssnitt med syfte att förenkla skapandet av ett analyseringsverktyg för att kunna förutspå framtida arbetsbehov. Tanken är att det ska finnas tre användare av detta system. Företaget som ska föra in sina framtidsbehov av arbetskraft t.ex. pensionsavgångar eller expandering av företaget. Utbildningssektorn som ska bistå med den utbildning som arbetena kräver. Studenter som ska kunna logga in på systemet och se vilka jobb som finns om t.ex. ett år och därefter välja den utbildning som detta yrke kräver. Det resultat som togs fram i det här projektet var att det inte finns någon befintligt utbildningsdatabas som innehåller den information som krävs för systemet. Dessutom kom detta projektet fram till att de standarder som används i tidigare undersökning [24] (SUN och AMSYK) inte är tillräcklig för klassificering. Det är för dålig struktur på dessa standarder och det stora problemet kvarstår, vilken kompetens som ska användas som brygga mellan arbetslivets behov och utbildningsdelens beskrivning. Till detta användes en databas som vid kurstillfället användes på Arbetsförmedlingens hemsida [26]. 6

6 2.1.1 Utveckling av begreppsmodell åt Länsarbetsnämnden Utveckling av begreppsmodell för Länsarbetsnämndens signalsystem [24] presenterar ett förslag för en begreppsmodell för ett framtida signalsystem. Detta signalsystem är tänkt att samla information om utbud och efterfrågan av specifik yrkeskompetens på arbetsmarknaden. Begreppsmodellen bygger på AMSYK-koden (Arbetsmarknadstyrelsens klassificeringskod) och modellen bakom SUN-koden (Svensk Utbildningsnomeklatur). Dessa två olika klassficeringsystem har sedan kopplats ihop. Den gemensamma nämnaren som kopplar ihop klassificeringssystemen är en kompetensentitet. 2.2 Klassificering på detaljnivå av yrkesroller inom IT-sektorn Klassificering på detaljnivå av yrkesroller inom IT-sektorn [25] presenterar ett förslag för klassificering av yrkesroller inom IT-sektorn. Detta är ett problem då ITspecifika yrkesroller ofta innehåller komplexa kombinationer av flera delkompetenser och att dessa yrkesroller ofta är mycket dynamiska och förändras över tiden. 2.3 Klassificeringsmetoder DDC (Dewey Decimal System) DDC är världens mest använda klassificeringssystem för data[2]. DDC står för Dewey Decimal System och skapades av bibliotekarien Mervil Dewey ( ). Systemet är uppbyggt av tio huvudklasser ( ), som därigenom delas in i ytterligare underklasser [3]. Här är DDC:s tio huvudklasser: Generalities Philosophy and Psychology Religion Social sciences Language Natural sciences & mathematics Technology (Applied sciences) The Arts Literature & rhetoric Geography & history Var och en av dessa huvudklasser har tio underklasser. Dessa underklasser har sedan i sig ett antal underklasser, där varje underklass blir mer och mer ämnesspecifik. De tio underklasserna för religion är (på engelska): 210 Philosophy & theory of religion 220 Bible 230 Christianity 240 Christian moral & devotional theology 250 Christian orders & local church 260 Social & ecclesiastical theology 270 History of Christianity & Christian sects 280 Christian denominations 290 Comparative religion & other religions 7

7 I DDC (Dewey Decimal Classification), går man från generellt till specifikt med hjälp av antal siffror. Dessa siffror bildar ett DDC-nr med tillhörande beskrivning, på så sätt lyckas man beskriva vilken nivå klassen finns i. Det kan t.ex. se ut såhär: 600 Technology (Applied sciences) 660 Chemical engineering and related technologies 663 Beverage technology Wine and wine making Specific kinds of grape wine White wine Red wine Sparkling wine UDK (Universella Decimal Klassifikationen) UDK (förkortas på engelska UDC) [4] är en vidareutveckling av DDC och bygger precis som DDC på tio huvudklasser. Dessa huvudklasser är: 0 - Allmänt 1 - Filosofi 2 - Religion 3 Samhällsvetenskap (4 är vakant, då lingvistiken flyttades till 8) 5 Matematik, Naturvetenskap 6 Tillämpande vetenskaper 7 - Konstvetenskap 8 Språk, Litteratur 9 - Historia SAB SAB-systemet (Sveriges allmänna biblioteksförening) är det klassifikationssystem som används på folk- och skolbibliotek samt många forskningsbibliotek i Sverige [5]. Systemet är hierarkiskt uppbyggt med huvudavdelningar som var och en betecknas med en bokstav, t ex U för Naturvetenskap. Under U följer sedan en ytterligare finfördelning i ämnen där bokstavskoden byggs ut. T ex Ua för Astronomi, Uab för solsystemet, Uabb för planeter och Uabbc för planeten Mars SAO Svenska ämnesord (SAO) [6] är en allmän ämnesordlista som främst är avsedd för indexering av facklitteratur och annat material. Till största delen är det en förbättrad sammanställning av ett befintligt tryckt ämnesordregister till SAB-systemet och en ämnesordlista som tidigare funnits på Kungliga bibliotekets webbsida. De flesta ämnesorden har en SAB-kod kopplad till sig. 8

8 2.4 Tesarus En tesarus är en systematisk samling av förteckningar över termer inom samma ämnesområde [7]. Huvudanvändningen av en Tesaurs är informationsutvinning. En tesarus sekundära mål är att beskriva och skapa förståelse för ämnen, genom kopplingar mellan olika termer. Bästa sättet att utnyttja tesaurer i informationsutvinnig är genom indexering av databasen och/eller sökning [8]. Bilderna nedan (bild1 och bild 2) förklarar bäst vad en tesarus är: Bild 1 ( ett exempel ur en tesaurus[9]) Bild 2 (ett exempel ur en tesaurus[9]) 9

9 2.4.1 Design av en tesaurus Före själva konstruktionen av en tesaurus måste det ske en utvärdering av systemet som den ska jobba på, vad den ska göra och frågan ställas om den verkligen är nödvändig [8]. Förr i tiden när kategorisering och klassificering av ämnen skedde manuellt (med hjälp av kartotek och andra icke datoriserade metoder) var de den enda möjliga lösningen att använda sig av controlled languages. Manuella system skulle bli väldigt komplexa och stora om dessa skulle behandla innehållet i form av fritext. Det är oftast från fritext data utvinns från databaser, men det finns också databaser som använder sig av endast control language. Lika vanlig är användning av control language och fritext i kombination i en eller två nivåer eller ett hybrid system. Dessa båda språk har sina för och nackdelar som kan ses i (bild 3). Generellt gäller att fritext kan beskriva sitt område mycket bra och ger en relevant data för databasen. Kontrollerat språk kan däremot öka koppling till andra relaterade termer och även öka precisionen vid användande av blandade termer, kontroll av homonymer (ord som stavas lika men har andra betydelser som t.ex. byrå), och verktyg som koller och länkar. Bild 3 (fördelar och nackdelar med fritext genfört med control languages [8]) 10

10 2.4.2 Tesaurus påverkan vid informationssökning Dorothee Blocks [12] tar upp om hur en tesaurus påverkar användarens beteende vid informationssökning, och integreringen av tesaurus i informationssökningsinterfacet för att förbättra själva sökprocessen. Dess resultat hämtades från två preliminära studier. Dessa båda studier följdes av två mera djupgående studier där man använde sig av FACET [13]. De båda djupgående studierna resulterade bl.a. i insikten att det inte var lämpligt att använda tesaurus vid alla steg av sökning, utan att användaren behöver guidning och vägledning vid själva valet av verktyg. Gränssnittet ska vara designat sådant att den tillåter mer avancerad form av tesaurus vid ett senare led i sökningen Dynamisk tesaurus Förutom den vanliga statiska tesaurusen, finns det den dynamiska. Denna har till skillnad från den statiska tesaurus olika delar [10], såsom: Broader term relation (skrivs som prefix åt överordnad term) Narrow term relation (skrivs som prefix åt underordnad term) Use relation (rubrik) Used for relation (synonym) Den har även relationen: Co-occurrence relation (återkommande relation) Denna relation är definierad som den relation mellan nycklord som återkommer i ett dokument. Eftersom det också körs viktning av de olika termerna kan en mera personifierad tesaurus tas fram genom modifiering av nodernas viktning och länk. 2.5 EPSRC FACET Project Det sker just nu en omfattande digitalisering av databaser med syfte för att öka dess tillgänglighet [13] via t.ex. Internet. På grund av detta ökar behovet av att verktyg för sökning och navigering utvecklas. FACET-Projektet undersökte om det var till fördel för användaren att denne inte vet exakt hur indexeringen är gjord för att så effektivt som möjligt få ut den information som användaren eftersöker. Den metod som FACET använder är tesaurer. Det är en av de vanligaste metoderna för indexering och i det här fallet används en så kallad Art and Architecture Thesaurus (AAT). 11

11 2.6 Automatisk indexering Det finns olika former för automatisk informationshämtning ur ett dokument. Den metod som tas upp i [11] skulle kunna användas vid skapandet av en dynamisk tesaurus eftersom denna metod har stöd för att skapa de relationer som krävs vid skapandet av en dynamisk tesaurus. Metoden går ut på att man först använder sig av automatisk nyckelordshämtning och därefter sätter ut roller. Detta system kategoriserar de nyckelord som finns i olika kategorier och ger dessa olika roller som: action, time, human, vilket är en semantisk identifikation av orden. Det material som dessa test kördes på var japanska nyheter. Det japanska språket har till skillnad mot det svenska, predikatet sist i meningen detta oberoende substantivets ordning Automatisk klassificering För att kunna kategorisera en sida måste den först analyseras. Analysen utförs med syfte att upptäcka de grundläggande egenskaperna av sidan. Det finns två steg för denna analys [1]. Det första steget kontrollerar syntaxen - strukturen i syfte att finna vissa HTMLnyckelord som meddelar specifika objekt, t ex tabeller, formulär (fält som användaren ska fylla i) och applets. Det andra kontrollerar och försöker avgöra vilken/vilka av följande fyra kategorier sidan tillhör: 1. Organisationshemsida 2. Länksamling 3. Personlig hemsida 4. Dokument Automatisk klassificering används ganska sällan av sökmotorer idag. I stället använder de sig av enorma indexeringar och klassificeringsverktyg som kräver manuell inblandning, speciellt då det gäller att bestämma klassificeringskategorier eller andra typer av metadata [1]. Vid användning av klassificeringsverktyg så minskar sannolikheten att användaren översköljs med irrelevant information. Automatisk resursupptäckt kombinerat med automatisk fulltextindexering är snabbare och mera omfattande än manuell klassificering men inte lika exakt. 12

12 2.7 XML Conolly et al [15] skriver att XML står för extensible Markup Language. Med extensible menar man att man kan skapa egna taggar med egna unika egenskaper. XML beskrivs i boken som ett metaprogrammeringsspråk. Med andra ord ett språk för att beskriva andra språk. Merparten av alla dokument på webben sparas och skickas i HTML-format. Fördelen med det är dess enkelhet och möjligheterna att visa samma information till många användare. Enkelheten i HTML är också en av dess största svagheter. Allt eftersom folk vill skapa mer attraktiva och dynamiska hemsidor räcker inte HTML till. Detta har lett till att många utvecklare av webbläsare har infört specifika taggar (som bara fungerar i just den webbläsaren). Det har i sin tur gjort det svårare att skapa HTML dokument som ser lika ut i alla browsers. För att förhindra denna uppdelning har W3C tagit fram en standard som heter extensible Markup Language (XML), som bevarar applikationen oberoende och gör HTML portabel och kraftfull. XML 1.0 (Second edition) blev en rekommendation från W3C oktober 2000 (W3C, 2000b) och XML 1.1 med Unicode 3 stöd kom i februari 2004 (W3C, 2004a, 2004a). XML är en begränsad version av SGML (Standard Generalized Markup Language), framtaget speciellt för webbdokument. SGML är ett system för att definiera strukturerade dokument och ett markupspråk för att representera instanser av dessa dokumenttyper. SGML har varit en standard för att underhålla strukturerade dokument mer än ett decennium. SGML gör det möjligt att dela upp dokument i två logiska delar. En del som innehåller strukturen för dokumentet och en annan del för själva innehållet. Strukturdelen kallas för DTD ( Document Type Definition). Genom att man separerar strukturen på dokumentet från innehållet kan författaren enkelt förändra strukturen på dokumentet på ett mycket kraftfullt sätt. SGML har dock inte blivit spritt p.g.a. sin medkomplexitet. XML försöker att efterlikna SGML s funktionalitet fast på ett mindre komplext sätt och på samma gång vara nätverksmedvetet. XML bibehåller de bästa egenskaperna hos SGML, såsom struktur, validering och modifierbarhet. Det gör att SGML-system kan läsa XML dokument. Ett XML-system däremot kan inte läsa SGML-filer. XML är inte tänkt som en ersättare till varken SGML eller HTML (som också är baserat på SGML). Istället är XML designat för att komplettera HTML. Användningen av XML är dock inte begränsad till text och HTML. Tre populära språk som bygger på XML är MathML (mathematics markup language), SMIL (Synchronized Multimedia Integration Language) och CML (Chemistry markuplanguage). Trots att XML är en så pass ny teknologi (XML 1.0 formellt släppt 1998) har det haft en enorm inverkan på dagens IT-system. Det används för grafiska gränssnitt, inbäddade system, distribuerade system, konverteringar av data och databashantering. XML håller redan nu på att bli en standard för datakommunikation i mjukvaruindustrin och ersätter EDI (Electronic Data Interchange) baserade system i en rasande fart. Många analytiker tror XML-baserade format kommer att ersätta befintliga format, för både Internetbaserade och andra typer av dokument. 13

13 2.8 Mapaz och Mapaz MZ Mapaz AB startades 1991 i Stockholm med affärsidén att utveckla ett MPS-system (materialplaneringssystem) för tillverkande industrin[20]. Produkten utvecklas än idag och är fortfarande fullt i drift inom många industriföretag både i Sverige och utomlands. Mapaz har i dagsläget 11 anställda och är familjeägt. Produktkonceptet Mapaz MZ har funnits under utveckling från Produktkonceptet Mapaz MZ har haft statusen patent pending sedan 2001 i Europa och USA. Utvecklingsmiljön är Microsoft.NET. Mapaz MZ är ett IT-verktyg för Internet angående validering och flexibelt lärande. IT-verktyget erbjuder företag, branscher, organisationer, skolor etc. att i samverkan utveckla och dela på tester och kurser med tillhörande utbildningsmaterial. Materialet utvecklas mot gemensamma fastlagda kunskapsmål/yrkesroller för att validera både teoretiskt och praktiskt samt utbilda enligt det flexibla lärandet via IT-verktyget och Internet. 2.9 Centrala databaser (LADOK) Enligt [14], är LADOK ett nationellt system för dokumentation av studenternas närvaro och resultat i högskoleutbildning. Systemet samägs av högskolorna. LADOK:s syfte är att underlätta arbetet på högskolornas institutioner och förvaltning, vid lokal och central planering, vid uppföljning av studieresultat samt att trygga studentens rättssäkerhet. Systemet är designat för att kunna användas av alla statliga högskolor. Grunden för vad som ska få finnas i systemet bestäms av högskoleförordningen. Systemet används för närvarande på 36 högskolor och universitet. Ladok används även för högskolans rapportering till externa informationsmottagare, t ex Centrala studiestödsnämnden, Statistiska centralbyrån och Utbildningsdepartementet. Systemets kärna är gemensam för alla högskolor, utöver det har varje högskola som använder systemet ett eget LADOK-register. Det egna registret omfattar i princip endast uppgifter som rör den enskilde studentens studier vid den aktuella högskolan. Samkörning mellan högskolornas register förekommer inte. Totalt hanteras information om en halv miljon aktiva studenter varje år. I LADOK finns det även ett system anpassat för lokal antagning, kallat LANT. LANT hämtar sina uppgifter från LADOK och användaren får därigenom sitt underlag för granskning av ansökningarna. Ungefär 0,5 miljoner ansökningar passerar varje år genom LANT. Samordnad antagning till hela utbildningsprogram sköts av Verket för högskoleservice. Antagningsresultatet från dess antagningssystem förs över till LADOK. Det finns även en del i LADOK som handhar dokumentation av forskarutbildningar. I den nyaste delen av LADOK (kallad Annan utbildning ), ska högskolorna kunna dokumentera uppgifter om utbildningar som inte räknas som högskoleutbildningar, t ex uppdrags-, basårs- eller KY-utbildningar. 14

14 3 Metod 3.1 Val av metod Första frågeställningen har angripits genom att befintliga system [14][27] som hanterar utbildningar har studerats. Kursplaner som finns ute på nätet har därefter studerats kvalitativt och kvantitativt, dvs. antal nyckelord har räknats och den stil som kursplanerna har skrivits på har undersökts. Andra frågeställningen har tagits om hand genom studier av klassificeringsmetoder och befintliga system för klassificering. Tredje frågeställningen har hanterats genom att en praktisk modell har utformats där båda parterna på ett gemensamt sätt skall kunna beskriva samma kompetenser. Detta sker med hjälp av SAB-koden och SAO-ämnesregister. På detta sätt kan man matcha en yrkesroll med en utbildning. 4 Genomförande och tester 4.1 Studier av befintliga system De befintliga systemen LADOK och har studerats med syfte att undersökta om dessa system innehåller tillräcklig information för att kunna utföra en automatisk indexering, eller på något sätt kunna hämta ut tillräckligt med information som skulle kunna användas vid klassificering av innehållet. 4.2 Nyckelordsräkning Tio kursplaner valdes från olika institutioner på Högskolan i Gävle. Dessa instututioner är ekonomi, humaniora och samhällsvetenskap, matematik - natur- och datavetenskap, pedagogik-didaktik och psykologi, teknik och byggd miljö, vårdvetenskap och sociologi. De tio första kurserna på varje institutions hemsida valdes därefter för genomgång. Därefter kontrollerades rubriken innehåll efter nyckelord. Urvalet av nyckelord har skett på ett sätt som ska efterlikna en webbrobotsökning, dvs. ord som är ämnesspecifika. Denna sökmetod valdes med syfte att undersöka om det är möjligt för en riktig webbrobot att kunna ta ut så mycket information som krävs för att kunna klassificera kurser. 15

15 4.3 Databas för inmatning av kurser Vid studier av kursplaner och det inmatningsgränssitt som Högskolan i Gävle använder, formades en bild av hur databasen skulle se ut. För att detta matchningssystem ska vara så generellt som möjligt och kunna fungera på även KY (kvalificerad yrkesutbildning), YH (Yrkeshögskola) och andra utbildningar, studerade vi även dessa utbildningars format på kursplaner. Efter denna studie modellerade vi fram en databas som ska fungera på även dessa utbildningar. Som en följd av detta blev den ganska komplex, men ändå vägs det upp av att det ska gå att använda denna modell på de flesta typer av utbildningar. Alla utbildningar kommer nu inte att ha alla nivåer, om exempelvis en kurs nu inte har en institution eller någon annan av nivåerna kan man helt enkelt välja ingen i dessa fält. 4.4 Matchning av kompetens Som material för detta test har kompetensmål från Volvo competense centre [bilaga A] använts. Detta material är uppbyggt på så sätt att en befattning ska bestämmas och för att strukturera upp befattningens olika delar väljer man att bryta upp den i olika rubriker med generella mål och därefter mer konkreta mål som redovisas i punktform. Detta påminner rätt mycket om ett programs uppbyggnad med kurser som i sin tur har rubrikerna syfte och innehåll redovisade i sin kursbeskrivning. Testet gick till så att kurser med tillhörande kompetenser fördes in i systemet via vårt gränssnitt. Därefter skrivs kunskapsmål som vi fått via Volvo competence centre in i undervisningssystemet Mapaz MZ och. När kompetensmålen sedan är införda i Mapaz MZ ska en matchning ske genom att tillgängliga kurser som matchar kunskapsmålen listas. Bild 4 (en övergripande bild över kärnsystemet) Systemet (Bild 4) är uppbyggt genom att de befintliga gränssnitten som finns idag på Högskolan I Gävle och företaget Mapaz AB:s system ska efterliknas [20]. Detta görs för att systemet ska kunna refereras till omvärlden, så att det blir lättare att dra paralleller och för en eventuell integrering av dessa båda gränssnitt med detta matchningssystem som har utvecklats här. 16

16 Registrering av kurs sker på ett liknande sätt som det gränssnitt som Högskolan i Gävle använder. Användaren för in sinformationen i ordningen: Kursnamn Poäng, Beskrivning, Behörighet, Övrigt (bild 5). Därefter läggs kurstillfälle till. Även dessa steg finns med i Högskolan i Gävles gränssnitt för inmatning av kurser. Efter studier av olika lärosätens utformning av kursplaner har detta nedan återgivna gränssnitt utformats. Det ska vara ett generellt gränssnitt som ska fungera på flera olika lärosäten och även andra typer av utbildningar som KY och YH. Bild 5 (registrera kurstillfälle) Efter att kursen skapats så skall kurstillfällen registreras (bild 6), även detta steg är med i kursbeskrivningarna som har studerats. Här kan ett eller flera kurstillfällen registreras. Detta görs först och främst för att det ska efterlikna den process som existerar på de lärosäten som har studerats men även för att det ska gå att matcha kompetenser med tidsaspekten. 17

17 Bild 6 (registrering av kurstillfälle, systemets gränssnitt) Det som är nytt är att efter registrering av kurs med tillhörande kurstillfällen så skall användaren också koppla ett antal kompetenser till den registrerade kursen. Dorothee Blocks undersökning [12] av tesaurer och sökning har kommit fram till att det är bra med ett inslag av styrning vid informationsökning. Därför har sökningen strukturerats upp enligt en hierarki där användaren kan stega igenom och eventuellt finna passande ämnesord, dvs. kompetenser. Detta sker genom att användaren stegar igenom en s.k. drop down-meny [bild 7]. Efter att stegat ned till den nivå som stämmer bäst går det sedan att söka på de ämnesord som finns under den valda kategorin. När användaren hittar det ämnesord som bäst beskriver den eftersökta kompetensen så läggs denna till i kompetenslistan. Om användaren redan från början vet vilket ämnesord som han/hon eftersöker så kan användaren använda sig av en fritextsökning. Bild 7 (koppla kompetens) 18

18 Kompetensmålsansvarig MAPAZ Här sker registrering av titel, beskrivning och därefter punktade kunskapsmål (bild 8). Detta är ett gränssnitt som ska efterlikna det gränssnitt som finns i Mapaz MZ [bilaga B]. Likheten behövs för en eventuell senare integrering av systemen. Gränssnittet har dock bantas ned lite så att bara de relevanta fälten för detta matchningssystem är med. Bild 8 (registrering av kurs genom Mapaz-system) Efter dessa obligatoriska inmatningar utförs även här en koppling till kompetenser (bild 7) för att det senare ska gå att matcha kunskapsmålen med registrerade kurser. Matchningen fungerar så att de införda kunskapsmålen matchas med en kurs med hjälp av dess kopplade nyckelord. På så sätt går det att se om det finns någon kurs som stämmer in på ett kunskapsmål. Ett exempel på en tänkbar matchning återges längre ner i rapporten. 19

19 4.4.1 Kurser som matchas Detta är kursplaner (bild 9 och 10) som är tagna från Högskolan i Gävle:s hemsida [18][19]. Detta gäller kurser som skulle kunna ha matchats med de kunskapsmål som tidigare har klassificerats. Även här är den text som är markerad tänkbara fraser som kan klassificeras med hjälp av kompetensdatabasen. PROJEKT SOM ARBETSFORM, 5 POÄNG Syfte Kursen skall ge studenterna: - förståelse för kunskapsområdets aktuella innehåll och problem - förståelse för projektarbetsformens särart och förutsättningar - ge färdigheter i att planera, delta i och genomföra ett projekt - förmåga att identifiera, analysera och kritiskt granska ett projekt Innehåll Kursen behandlar: - vilka funktioner projektarbetet fyller - hur ett projekt leds - vilka grupprocesser som äger rum - förutsättningar för effektivt projektarbete Bild 9 (kursplan [18]) PROJEKT SOM ARBETSFORM, 5 POÄNG Syfte Kursens syfte är att - ge redskap att planera, organisera och leda projekt - ge en grundläggande förståelse för projektens betydelse för organisationen - ge förmåga att identifiera, analysera och kritiskt granska och reflektera över arbete i projektform Innehåll Kursen behandlar hur projekt styrs och organiseras och leder till lärande och kunskapsutveckling. I kursen beskrivs och diskuteras hur projekt dels utgör ett formellt planeringsinstrument för målstyrning, dels är en arbetsform som leder till möten mellan kreativa processer. Ledarens roll och kunskaper att hantera olika krav på projektorganisation diskuteras. I kursen analyseras hur organisering av projekt kan leda till såväl uthållighet som förmåga att hantera förändringar i en komplex omvärld. Bild 10 (kursplan[19]) 20

20 4.5 Kompetensdatabasen SAB SAB-systemet är ett öppet system och är fritt för användning. Problemet är att det inte finns att tillgå en som kostnadsfri digital version. Till slut hittades på LIBRIS [17] en webbsida som innehöll en tillräckligt stor del av systemet att det ansågs rimligt att försöka importera den i databasen men med över 6000 rader blev importen i sig ganska komplex. Detta problem löstes med hjälp av ett perlskript som hämtade ner och sparade informationen i form av en semikolonseparerad textfil. Innan import var det dock nödvändigt med en manuell genomgång av textfilen för att rätta eventuella fel som kan tänkas uppstå vid extrahering av data. Därefter skapades ännu ett perlskript för syftet att gå igenom textfilen för att kolla att varje SAB-index hade en giltig förälder. SAB-systemet sparades som en rekursiv databas (bild 11) där förälderkolumnen pekar på ett id inom samma entitet. Bild 11 (ilustration av SAB tabellen ur databsen) 21