对于从事动物遗传学领域工作的新员工和未来员工的招聘期望

《Natural Sciences Education》：Hiring expectations for new and future workers in animal genetics careers

动物遗传学领域65位行业专家的调查显示，新员工最需具备沟通、团队合作和职业道德等核心技能，但领导力和专业性存在显著不足。技术知识方面，基础遗传学、分子遗传学和生物信息学要求最高，而人工智能、全栈开发等新兴技能尚不普及。研究建议高校需加强技术课程与实战结合，同时培养软技能，以应对行业数字化转型需求。

　　本研究通过调查65位行业从业者，探讨了动物与马类遗传学领域的就业需求，以及大学本科毕业生在该领域的胜任力和准备情况。研究聚焦于七个核心能力：批判性思维、沟通能力、团队合作、领导力、专业素养、职业发展与自我提升、公平与包容，同时还涵盖了技术知识和更广泛的技能。调查结果揭示了在这些能力中，口头表达、团队合作和工作态度被视为最关键的能力，尽管在领导力和专业素养方面仍存在明显的胜任力差距。在技术知识方面，遗传学、分子生物学和生物信息学的基础知识被高度重视。虽然整体上受访者对候选人的质量评价较为积极，但不同公司之间的招聘实践和行业需求的不断变化表明，大学课程需要更加注重技术与科学基础，并融入实践导向的学习以及与产业界的合作伙伴关系。此外，课程还应加强通用技能的培养。这些发现为更新动物与马类遗传学相关的教育项目提供了重要指导，以更好地为日益依赖技术创新、数据科学和跨学科问题解决的行业需求做准备。

在当今社会，STEM领域（科学、技术、工程和数学）的就业需求预计将在2035年前超过合格毕业生的供应量6%至8%（美国农业部，2020年），这一趋势凸显了人才短缺的紧迫性。解决这一问题需要在吸引、培养和留住具备科学素养和技术能力的人才方面采取战略措施。尽管农业科学领域提供了越来越多的机会，但仅有1%的美国人直接参与农业生产（美国农业部，2023年），而其余99%的人则对农业、食品和自然资源领域中多样化的技术型职业缺乏了解。随着来自传统农业背景的学生数量减少，招聘必须扩展到非农业社区，通过早期的社区STEM参与和正式的学校农业教育来吸引这些潜在人才（Deane，2023年；Savoca等，2023年）。

动物遗传学作为这些新兴职业中的一个典型领域，不仅融合了先进的STEM概念，还需要一个既专业又灵活的劳动力市场（Betz等，2023年）。将本科教育与行业需求对齐，特别是在像动物遗传学和基因组学这样的新兴领域，是至关重要的（Betz等，2023年）。随着高等教育角色的演变，雇主对工作准备度、团队合作和适应性给予了更高的重视，而不再仅仅看重学科专业知识（Altbach等，2013年；Francis等，2025年；OECD，2021年；Peach & Gamble，2011年；Tomlinson，2008年；Tushar & Sooraksa，2023年）。为了保持相关性，本科课程必须不断适应这些变化。因此，本研究设计了一份调查问卷，以了解动物遗传学行业的当前需求，并确定新入职员工所需的技术和通用能力。

调查问卷的设计目的是为了（1）评估行业对初级职位所需能力的期望；（2）识别新毕业生的胜任力；（3）通过行业见解指导课程开发。调查结果旨在帮助本科教育者调整课程，使其更符合雇主的期望，确保学生在技术能力和社会适应性方面都能为动物遗传学领域的工作做好准备。

为了确保问卷设计的合理性，研究团队进行了Flesch-Kincaid可读性测试，以确保问卷的可读性处于大约六到八年级的水平。如果可读性超出该范围，会进行调整。科学和技术术语则被允许保留。最终的问卷包括了多种题型，如李克特量表、开放式问题和多项选择题。特别地，四个量表题并非用于单一维度的测量，而是作为独立的评分工具。为了确保问卷的可靠性，分析方法与问卷设计意图保持一致。所有数据表都包括了描述性统计（如均值、标准差、样本量和置信区间），以准确反映回答的变异性和集中趋势，而不假设内部一致性。

为了确保问卷的效度，问卷在正式发放前进行了试点测试。试点测试包括了来自肯塔基大学和康涅狄格大学的学生，以及这些大学的教育者和行业人士。测试由25人完成，大多数的修改都依据测试小组的反馈进行。在试点阶段之后，还咨询了10位遗传学行业的专家，随后这些专家被排除在问卷填写之外。此外，还邀请了一位问卷设计专家和一位英语校对者对所有问卷进行了审查和批准。

最终的问卷由15个问题组成（见表1），并包含了一份电子知情同意书。其中四个问题使用了Qualtrics平台的矩阵格式，但每个问题都采用了6点李克特量表（1：不重要，2：稍微重要，3：中等重要，4：重要，5：非常重要，6：极其重要）。此外，问卷还包括了五个开放式问题、两个关于公司特征的多项选择题，以及五个关于招聘和培训趋势的问题。

为了提高问卷的响应率，调查通过电子邮件发送，并在30天内开放，每周发送邀请和提醒。调查参与者提供了联系方式，以便表达或澄清疑虑，或获取更多研究信息。最终收集到了65份有效且已签署知情同意的回复，总共有98份回复。为了被视为有效，受访者必须签署知情同意并完成问卷。通过对比受访公司的企业资料与问卷回复者的资料，评估了非响应偏差。公司类型和规模的分布与受访对象相当，表明几乎没有非响应偏差。

所有问题的描述性统计均在R软件中计算，包括均值、标准差和回答频率。为了更直观地观察问题层面的模式，绘制了直方图，以展示均值分数在各个问题上的分布情况以及每个李克特量表值的回答数量。由于缺失数据很少（通常每个受访者只跳过一个问题），使用列表删除法来处理缺失值。这种做法适用于以下情况：（1）缺失率较低；（2）分析需要完整的数据；（3）数据缺失对统计功效或偏差的影响预计很小。随后的数据集用于所有后续的分析。

开放式问题的回答由研究团队手动分类，以确定最常提到的主题。关键词被统计以识别最常出现的主题。对于推论分析，使用配对数据的配对t检验。显著性水平（alpha）设定为0.05，双尾p值被计算。对于分类数据，使用费舍尔精确检验来确定双尾p值。

调查结果和讨论被整合在同一个部分，以提供对发现的统一解释，围绕三个主要目标展开：（1）评估行业对初级职位能力的期望；（2）识别新毕业生在动物和马类遗传学领域的胜任力；（3）通过行业见解指导课程开发，包括基因组学、生物信息学、数据科学和项目管理等新兴优先事项。为了满足这些目标，首先描述了问卷的响应率和总体参与范围，为后续结果的解读提供了重要背景。然后概述了公司的重要特征，因为组织背景会影响招聘期望和招聘实践。接着，评估了雇主对核心能力的评分，以识别哪些通用技能被视为新员工成功的关键。随后，分析了雇主对新毕业生在这些领域中的胜任力评估，突出了优势和需要改进的地方。接下来，考虑更广泛的通用技能和技术技能，提供更全面的视角，以评估新员工的准备情况。还评估了特定领域的技术知识需求，反映了当前和新兴的遗传学、生物信息学等领域的需要。最后，讨论了雇主对当前和未来技能优先事项的看法，提供了关于未来工作需求变化的见解。研究还指出了局限性，以界定结果的解读范围，并强调行业见解如何支持课程与工作需求之间的更好对齐。

调查的响应率达到了20.1%，完成率（包括知情同意）为13.3%。总体而言，动物遗传学行业的就业机会正在扩大，但与十年前相比，目前从事该行业的公司数量较少，这主要归因于合并和收购导致的行业集中。尽管公司总数减少，但市场本身已经增长，并且现在由少数大型、技术先进的公司主导。因此，本研究最初在该高度专业化和技术性领域中的受访者数量相对较少。响应率和完成率可能反映了调查不是寻求个体意见，而是寻求受访者所代表的公司观点（Wu等，2022年）。这些响应模式突显了该行业的专业化和集中性，为评估期望和工作需求提供了重要背景。

在调查中，重点是行业需求和实践，因此未收集受访者的个人资料，而是收集了公司特征。通过描述组织特征，本部分确立了毕业生进入劳动力市场的招聘背景，直接说明了行业期望如何影响课程对齐（目标1和目标3）。受访者池中的大多数公司是私人营利性质（n=32；见表2），与劳动力市场趋势一致，表明私人雇主仍然是生物学相关毕业生的主要招聘者（农业，2020年）。公司规模从小型（25人以下，n=10）到中型（101–500人，n=15）到大型（500人以上，n=26），反映了不同的招聘背景。企业报告每年平均招聘25名大学毕业生（SD=35.06；范围2–200），表明劳动力需求存在显著差异（Carnevale等，2013年）。关于最近的趋势，30家公司报告了招聘增加，7家公司报告了招聘减少，24家公司报告了招聘保持不变。预算削减是招聘减少的常见原因（Deming & Noray，2019年）。大多数公司使用了基于技能的培训，其中40家公司报告至少75%的时间使用基于技能的培训，而只有9家公司报告使用基于技能的培训25%或更少的时间。

总体来看，雇主对所有七项核心能力（批判性思维、口头沟通、书面沟通、团队合作、领导力、专业素养和职业发展）都给予了重要性评价，平均得分从3.83到5.24不等（见表3）。口头沟通获得最高平均评分（5.24，SD=0.95），再次验证了其在大学毕业生成功中的关键作用，并支持了先前的研究结果，即沟通技能在雇主优先事项中始终占据首位（国家大学和雇主协会，2022年；Robles，2012年）。书面沟通（4.84，SD=0.87）和团队合作（4.87，SD=1.09）也受到高度重视，这表明了合作和清晰信息交流的重要性，与Succi和Canovi（2020年）的研究一致。Langer和Wiederhold（2023年）提供了有力的证据，表明在职业生涯早期投资于沟通、团队合作和其他通用技能可以提高经济回报和职业寿命。研究强调这些能力不仅在自身重要，而且与认知能力日益协同。

相比之下，领导力获得最低平均评分（3.83，SD=1.34），并表现出最大的回答变异性。这表明虽然领导潜力受到重视，但它可能不是立即在初级职位中所期望的，从而强调了在职业生涯早期对基础技能的优先性（Finch等，2013年）。尽管这些发现与其它研究一致，但一些文献指出雇主可能低估了早期领导力培养的价值。例如，Stewart等（2010年）发现，早期领导力培养可以提高员工保留率和绩效，即使是在初级职位中，而Day等（2014年）则认为领导力应被视为一个发展过程，而不是只适用于高级职位的固有特质。总体而言，各项能力的标准误差（SE=0.11–0.17）表明了均值估计的精确性。人际交往、团队合作和沟通技能仍然是优先事项，强调了毕业生需要加强这些核心领域（Andrews & Higson，2008年）。这些发现通过明确雇主认为最重要的通用技能，回答了目标1，并为课程的重点方向提供了指导（目标3）。

在评估新毕业生的胜任力方面，雇主对毕业生的胜任力评价为中等，平均得分从3.23（领导力）到4.57（口头沟通；见表4）。再次，口头沟通表现出相对优势（4.57，SD=1.30），与它在核心技能中的重要性一致，也与许多毕业生在此领域表现良好相符（Jackson & Chapman，2012年）。领导力的胜任力最低（3.23，SD=1.17），进一步强化了雇主假设领导力是在职业生涯后期培养和重视的观念。标准差（0.99–1.30）和较低的标准误差表明尽管存在一定的变异性，但估计值是稳定的。虽然沟通能力是一个相对优势，但领导力和专业素养仍然是需要重点发展的领域。这一分析直接回答了目标2，即识别新毕业生在技能方面的胜任力，强调了教育项目可以解决的差距（目标3）。

在更广泛技能的重要性方面，表5总结了雇主对这些技能的重视程度。工作态度（5.33，SD=0.84）获得最高评分，其次是口头沟通（5.16，SD=1.00）和团队合作（5.08，SD=0.89），这确认了这些传统通用技能的持续价值（Jackson & Chapman，2012年；Robles，2012年）。创业技能（2.89，SD=1.08）和第二语言流利度（3.32，SD=1.11）的评分最低，表明它们通常被视为附加价值，而非大多数初级职位的核心要求。标准差（0.99–1.30）和较低的标准误差表明尽管存在一定的变异性，但估计值是稳定的。尽管沟通能力是相对优势，但领导力和专业素养仍然是需要重点发展的领域。这一分析直接回答了目标2，即识别新毕业生在技能方面的胜任力，强调了教育项目可以解决的差距（目标3）。

在评估当前和未来技能优先事项时，表8显示了受访者认为最重要的技能。当前最重要的技能包括基础遗传学（35.4%）、分子遗传学（29.2%）、生物信息学（24.6%）和动物育种（20.0%）。其他重要技能包括动物饲养（12.3%）、表观遗传学（12.3%）和统计学（12.3%）（见表8）。这些发现表明，雇主最初关注的是毕业生在科学和动物育种、饲养方面的坚实基础。受访者还被要求预测未来5年最重要的技能，其中包括生物信息学（17.2%）、灵活性（12.5%）、人工智能（10.9%）以及沟通和工作态度（各9.4%）。此外，分子生物学和遗传学实验室技术、问题解决、数据分析和解释等技能也被提及，这表明雇主期望这些新员工能够进入需要更多领导技能的管理职位。展望未来10年，受访者预测最重要的技能是人工智能（19.8%）、生物信息学（10.9%）、灵活性（7.8%）以及计算机技能、伦理、问题解决和工作态度（各6.3%）。值得注意的是，这个问题的回答多样性较大，可能反映了该领域未来方向的不确定性。然而，这些发现强化了数据驱动技能的长期相关性（国家科学院、工程院和医学院，2022年）以及通用技能如灵活性、问题解决和工作态度的重要性，这些技能持续补充技术专长（Deming & Noray，2019年）。雇主对当前和未来技能的预测与目标3紧密相关，为课程发展提供了前瞻性见解，以适应行业需求的变化。

研究结果对三个目标均具有重要意义。首先，通过明确雇主认为最重要的能力和技术技能（目标1），研究为对齐教育优先事项与行业期望提供了可操作的基准。其次，通过识别新毕业生在某些能力上的胜任与不足（目标2），研究突出了需要重点改进的领域，从而为培训和支持提供指导。第三，通过捕捉雇主对未来技能需求的看法，包括生物信息学、人工智能和灵活性（目标3），研究指出了课程发展的未来方向。总体而言，这些见解强调了课程需要在遗传学和计算方法上建立坚实的技术基础，并嵌入机会，让学生发展沟通、团队合作、领导力和问题解决技能。与行业建立合作伙伴关系、提供指导和实践学习对于弥合毕业生准备与工作期望之间的差距至关重要。通过整合来自三个目标的见解，教育项目可以更好地为毕业生在日益由创新、数据驱动实践和不断变化的行业结构塑造的劳动力市场做准备。