文献：Li, Y., et al. (2026). Are we helping workers reskill for the future of work: Using AI to explore the alignment of online course offerings and job skill requirements. Journal of Intelligence, 14(4), Article 43. DOI 10.3390/intelligence14040043（作者与署名以原文为准）。期刊 IF 3.4（Q1），MDPI 出版。

研究问题：人工智能与自动化正在重塑劳动力市场的技能结构，“重新技能化”（reskilling）被视为帮助工人适应未来工作的关键路径，在线课程则是规模最大的技能培训供给渠道之一。但一个根本性的问题悬而未决：现有在线课程供给是否真正覆盖了未来工作所需的技能？哪些技能存在供给缺口？ 论文用人工智能（大语言模型，LLM）对课程描述与工作技能需求进行大规模匹配分析，为重新技能化政策与课程设计提供数据证据。

论证思路：论文以“课程—技能—职业”的关系为概念框架，将“在线课程供给”与“劳动市场需求”放在同一套技能语言下进行比较。方法上，研究者收集 2549 门在线课程的描述文本与 35 项代表性工作技能，设计提示词（prompt）驱动 LLM 逐门课程生成“课程—技能关联”，再聚合为课程层面的技能覆盖矩阵，与职业所需的技能画像对照，从而识别“有需求但缺供给”的技能缺口。研究沿“概念框架建构 → LLM 关联生成 → 供给缺口识别 → 政策与设计启示”的链条展开。

一、研究框架：课程、技能与职业的三元关系

概念框架（原文图1）

论文将三个分析单元置于同一框架：课程（在线教育平台上的技能培训载体）、技能（可迁移、可习得的工作能力单元）、职业（对技能组合有特定需求的劳动力市场岗位）。核心逻辑是：职业需求决定技能价值，课程供给决定技能可得性，二者经由“技能”这一中介实现连接与错位。

框架的价值在于把“重新技能化是否到位”这一问题操作化为可计算的匹配度：若某技能在职业需求中被高频要求、而在课程供给中覆盖不足，即构成技能供给缺口（skill supply gap）；反之，若课程大量供给而需求有限，则存在供给过剩或错配。

二、LLM 方法：大规模课程—技能匹配分析

数据与技能清单

• 课程数据：2549 门在线课程的描述文本，覆盖继续教育与职业培训的主要平台供给。
• 技能清单：35 项面向未来工作的工作技能，涵盖技术技能（如数据分析、编程、人工智能相关技能）与通用技能（如沟通协作、问题解决等）。

LLM 关联生成流程

论文的关键方法创新是用大语言模型替代人工编码，完成“课程描述 → 技能标签”的关联任务。原文图2 展示了用于 LLM 生成课程—技能关联的提示词设计：提示词要求模型基于课程描述判断其是否覆盖清单中的某一技能、并以结构化方式输出关联结果，从而将 2549 门课程的非结构化文本统一转化为“课程 × 技能”的关联矩阵。

注：原文图2（Figure 2）为 LLM 课程—技能关联生成的提示词示例，本文正文仅展示概念框架图（图1）。

相较于传统的人工标注或关键词匹配，这一方法有三个优势：一是可扩展，能处理数千门课程的规模；二是语义理解，能识别课程描述中隐式而非字面出现的技能内容；三是可复现，提示词与模型输出流程可审计、可调整。

三、核心发现：技能供给缺口

将 2549 门课程的技能覆盖矩阵与职业技能需求对照后，论文的核心发现指向供给与需求的结构性错位：

• 覆盖不均衡：并非所有未来工作所需技能都能在在线课程供给中找到充分对应，课程供给在技能维度上呈现明显的集中与稀疏并存格局——部分技能被大量课程重复覆盖，而另一些需求旺盛的技能供给稀疏。
• 存在供给缺口：识别出若干“职业需求高、课程供给低”的技能，即工人即便愿意主动学习，也难以通过现有在线课程获得相应训练，重新技能化的“最后一公里”受阻。
• 缺口的结构性：缺口并非均匀分布，而是与技能的属性（技术性 vs 通用性、新兴 vs 成熟）相关，反映出课程供给存在对市场信号的滞后响应。

这些发现共同指向论文标题中的追问：我们是否在帮助工人为未来工作重新技能化？ 答案是有条件的一一供给体系已覆盖大量技能，但在关键缺口上仍显不足，需要数据驱动的补缺。

四、政策启示与课程设计建议

• 对重新技能化政策：技能缺口清单可作为公共培训投资与补贴的优先级依据，将资源投向“高需求—低供给”的技能，避免资源在已饱和领域的重复投入。
• 对在线教育平台与课程设计者：用需求侧数据校准供给侧开发，围绕缺口技能设计新课程，并对课程描述做更清晰的技能标签化，提升课程在平台上的可发现性。
• 对工人与职业指导者：缺口信息帮助学习者绕过“供给丰富但需求有限”的课程，聚焦真正面向未来工作的技能组合。
• 对方法本身：LLM 驱动的课程—技能匹配证明了“AI 处理大规模课程文本”的可行性，为继续教育领域的技能追踪与劳动力市场情报提供了可复用的分析范式。

精读笔记

核心论点：在线课程作为工人重新技能化的主要供给渠道，其技能覆盖与未来工作需求之间存在结构性错位；通过 LLM 对 2549 门课程与 35 项技能的系统匹配，可以识别出明确的技能供给缺口，为重新技能化政策与课程设计提供数据依据——回答“我们是否在帮助工人重新技能化”这一问题的关键，在于让供给缺口可见、可度量、可补缺。

方法要点：

• 将“课程—技能—职业”三元关系概念化为可计算的匹配度，把宏观政策议题落到可检验的数据结构
• 用 LLM 提示词工程替代人工编码，实现 2549 门课程 × 35 项技能的大规模关联生成，方法可扩展、可复现
• 以“需求—供给”对照识别缺口，同时呈现覆盖集中与稀疏并存的结构性特征

局限与边界：

• 35 项技能清单的选取与颗粒度会直接影响缺口识别的结果，技能分类框架本身带有建构性
• 课程描述不等于课程实际教学质量，覆盖分析反映“供给存在性”而非“学习有效性”
• 需求侧技能画像来自当前可获得的职业数据，对未来工作的预测性有限；LLM 输出亦可能存在系统性偏差，需抽样人工校验

可延伸方向：将课程技能标签与实际学习完成率、就业结果数据关联，评估缺口补足的真实效果；引入时间序列，追踪课程供给对技能需求变化的响应速度；将方法扩展到区域化、行业化的技能清单，支撑地方性重新技能化规划；结合多模型交叉验证与人工审计，提升 LLM 匹配的稳健性。

原文地址

• DOI：10.3390/intelligence14040043
• 期刊：Journal of Intelligence, 2026, 14(4), Article 43（MDPI，IF 3.4，Q1）
• 图表来源：图1（Figure 1）课程、技能与职业的关系框架；图2（Figure 2）LLM 生成课程—技能关联的提示词（本文图片取自原文图1）