近几十年来,科学、技术、工程和数学领域已经朝着更大的包容性迈出了大步,但要让STEM劳动力真正反映出普通人群的多样性,还有很多工作要做。例如,皮尤研究中心(Pew Research)最近的一项研究发现,在STEM领域,只有9%和8%的工作分别由黑人和西班牙裔工人担任。该研究还发现,在关键的STEM工作类别中,女性的比例不足——在物理科学工作中占40%,在计算机工作中占25%,在工程工作中仅占15%。

那么,我们可以做些什么来缩小这些和其他多样性差距呢?一个想法,目前研究这项研究的目的是利用机器学习来理解导致STEM领域差异的因素。

该计划将使用机器学习(ML)工具来识别导致中学生对科学和数学存在内隐偏见的因素。人们希望ML能够检测出哪些学生可能成为内隐偏见的受害者,哪些学生可能会放弃更高级的数学课。如果项目成功,该项目将使管理人员、教师、家长或其他利益相关者能够介入,并希望鼓励学生继续学习,保持他们对STEM的兴趣。

这是一个有趣的概念,因为中学被认为是关注STEM教育的关键时期。学生们通常会发展出更强的批判性思维和解决问题的能力,也开始更现实地思考未来的职业道路。但同样重要的是,在大学层面上继续关注STEM社区的多样性。

马里兰大学巴尔的摩分校(UMBC)副教务长和学术事务主任凯瑟琳·h·科尔(Katharine H. Cole)表示,STEM领域的成功取决于三个关键因素:

  • 一个帮助支持学生的包容性社区
  • 学生天生的韧性——例如,能够在统计学考试中获得D,并且不会因为STEM而气馁
  • 学习策略

UMBC开发了一个数量的项目帮助学生识别新的学习策略,培养STEM长期成功所需的韧性。随着越来越多的大学效仿,随着研究人员评估ML和其他技术的作用,我们希望看到一个更加多样化的STEM劳动力。