Waarde-toevoegende beoordeling van loopbaanplanning voor beroepscompetentie op basis van deep learning

Waarom je toekomstige loopbaan slimmer advies nodig heeft

Het kiezen van een loopbaan is niet langer een eenmalige beslissing maar een lange reis die wordt gevormd door nieuwe vaardigheden, veranderende arbeidsmarkten en persoonlijke groei. Traditionele loopbaantests en algemeen advies missen vaak dit bewegende doel. Deze studie introduceert een nieuwe manier om carrières te plannen die je vaardigheden beschouwt als iets dat in de loop van de tijd groeit, en gebruikt geavanceerde kunstmatige intelligentie om stapsgewijze paden voor te stellen die op de lange termijn rendement kunnen opleveren.

Van statische momentopnames naar levende vaardigheidsprofielen

De meeste loopbaaninstrumenten kijken naar wie je nu bent: je interesses, cijfers of een enkele vaardighedenlijst. Het model in dit artikel, DV‑CAM genoemd, bouwt in plaats daarvan een levend profiel dat verandert naarmate je nieuwe ervaringen opdoet. Het brengt vele soorten informatie samen, zoals projectbeschrijvingen, vaardigheidsbadges en prestatiecijfers, en voert ze in krachtige taal‑ en sequentiemodellen. Deze modellen, oorspronkelijk ontworpen om tekst en tijdsgebaseerde patronen te begrijpen, zetten een rommelige geschiedenis van activiteiten om in een gestructureerd beeld van je sterke punten op tientallen vaardigheidsgebieden, van technische knowhow tot teamwork en communicatie.

Meten niet alleen van niveau, maar ook van groei en stabiliteit

De tweede stap van DV‑CAM is het beoordelen van potentieel, niet alleen van huidig vermogen. In plaats van alleen te vragen “Hoe goed is deze persoon nu?”, vraagt het model ook “Hoe snel verbeteren ze?”, “Versnelt hun vooruitgang?” en “Is het stabiel of wankel?”. Voor elke vaardigheid volgt het de laatste stand, de algemene opwaartse trend over meerdere jaren, of die trend versnelt, en hoeveel die fluctueert. Deze elementen worden samengevoegd tot een enkele score die ‘hoog waarde‑toevoegende’ vaardigheden benadrukt: gebieden waar iemand op papier misschien nog niet opvalt, maar snel en consequent leert. Dit weerspiegelt de alledaagse ervaring dat toekomstige sterspelers vaak vanaf bescheiden niveaus beginnen maar snel groeien wanneer ze de juiste kansen krijgen.

Potentieel omzetten in stapsgewijze loopbaanpaden

Zodra het model zowel huidige vaardigheden als groeipotentieel begrijpt, pakt het de moeilijkere vraag aan: welke acties zullen vandaag iemands langetermijnloopbaan het meest verbeteren? Hier gebruikt de studie een tak van AI die deep reinforcement learning wordt genoemd. Het systeem beschouwt loopbaanontwikkeling als een spel dat over vele rondes wordt gespeeld. Bij elke stap houdt het rekening met de vaardigheden van de persoon, hun groeiscores en de eisen van een doelberoep. Vervolgens kiest het uit mogelijke acties, zoals het leren van een nieuwe vaardigheid of het aannemen van een uitdagend project. Na elke keuze ontvangt het feedback op basis van hoeveel de actie de vaardigheden verbeterde, hoeveel dichter het de persoon bij het gewenste werk bracht en wat het ‘kostte’ in inspanning of tijd. Over vele gesimuleerde carrières leert het model strategieën die kortetermijninspanning afwegen tegen langetermijnwinst.

Het model testen in een gesimuleerde arbeidsmarkt

Om DV‑CAM veilig en systematisch te testen bouwde de auteur een grote synthetische dataset op basis van de bekende O*NET‑banendatabase, die meer dan duizend beroepen en hun vaardigheidseisen, salarissen en markttrends beschrijft. Met deze gecontroleerde omgeving volgde het model 10.000 virtuele carrières over vijf jaar. Vergeleken met eenvoudigere systemen die tijd negeren of de groei‑ en planningsstappen overslaan, schatte DV‑CAM de competenties van mensen nauwkeuriger in en stelde ontwikkelingspaden voor die leidden tot veel hogere langetermijnbeloningen en betere matches met doelberoepen. Het weglaten van ofwel de op groei gerichte score of de langetermijnplanningsmotor verzwakte de prestatie merkbaar, wat aangeeft dat beide onderdelen cruciaal zijn.

Wat deze aanpak voor echte mensen kan betekenen

Hoewel de huidige studie steunt op gesimuleerde gegevens en nog geen eerlijkheidsmechanismen of reële schokken zoals recessies bevat, schetst ze een krachtige nieuwe manier om loopbaankeuzes te ondersteunen. In plaats van statische labels of eenmalig advies zouden toekomstige tools op dit raamwerk kunnen volgen hoe een student of werknemer daadwerkelijk groeit, verborgen sterkten die nog in opkomst zijn signaleren en concrete volgende stappen aanbevelen die het beste gebruikmaken van beperkte tijd en energie. Samengevat laat het artikel zien dat door groeigerichte scores te combineren met langetermijnplanning, AI kan verschuiven van vertellen waar je vandaag past naar begeleiden hoe je realistisch kunt uitgroeien naar de baan die je morgen wilt.

Bronvermelding: Zhang, W. Value-added assessment of career planning for vocational competence based on deep learning. Sci Rep 16, 10704 (2026). https://doi.org/10.1038/s41598-026-46485-y

Trefwoorden: loopbaanplanning, beroepsvaardigheden, deep learning, reinforcement learning, onderwijsanalyse