2018年美国国防战略强调,由于新技术的 "无情"发展,安全环境正在迅速变化。随着这些新兴技术在未来战争中变得越来越重要,美国国家安全界必须投资扩大具有必要的关键技能的个人群体,以应对这种以技术为中心的新环境的挑战。为了实现这一目标,美国国防部实施了一些外联计划,针对从小学到大学和研究生课程的学生,鼓励他们考虑在科学、技术、工程和数学(STEM)领域的职业。同样,国防部也投资了许多招聘计划,包括实习、奖学金和招聘会。这些对关键技能的宣传、教育和招聘的投资也必须与私营部门对许多相同技能不断增长的需求相竞争。

认识到高技能劳动力对国家安全任务的极端重要性,参议院关于2020财政年度(FY)国防授权法案的第116-48号报告要求向参议院和众议院的军事委员会提交一份报告,评估国防部教育和招聘关键技能人员的计划,包括网络安全、STEM、创新、计算机科学和关键语言。作为回应,人事和战备副部长办公室(OUSD(P&R))的文职人员政策主任要求国防分析研究所(IDA)确定导致现有国防部招聘和发展计划成功或失败的共同因素,以改善文职和军警人员队伍中关键技能的可用性。此外,IDA还被要求就如何改进当前和未来的招募和教育计划提出建议。

为了完成这项研究,我们与127名个人进行了62次访谈,包括招聘人员、招聘经理和人事专家,以及一系列利益相关者,包括来自学院和大学的代表、研究和发展伙伴以及专业附属团体。我们还研究了国防部外联、教育和招聘计划的现有数据以及其他关于文职雇员和拥有关键技能的军人的数据。由于这些数据来源不包括外联和招聘计划的成本,并且在大多数情况下不包括个别计划的有效性的客观指标(例如,产生的线索数量,雇用的质量,雇用的保留),这项研究不包括对个别计划的投资回报的系统评估。相反,我们着眼于整个针对关键技能的项目组合,并提供我们对有助于国防部有效获得具有关键技能的个人的能力的因素的观察。

对美国防部吸引所需技能劳动力的能力有重要影响的一个关键点是其截然不同的民用和军用招募方法。虽然军事招聘是在全国范围内进行的,每个军种都有一支全国性的招聘队伍,但国防部通常将文职人员招聘作为各个司令部和组织的地方责任。因此,文职人员招募工作资源不足,往往是一种 "拾人牙慧 "的游戏,在组织和规划方面存在很大不足。此外,文职人员的需求几乎总是围绕着现有的劳动力,而不是围绕着对需要完成的工作和如何最好地完成工作的战略分析。因此,文职人员的招聘过程通常是被动的。当一个职位出现空缺时,该部就开始寻找替代者;然而,这些职位可能会空缺很多个月才被填补。

相比之下,军事招聘是非常集中的,并有意识地关注需求。这个系统的弱点是,要求是基于现有的职业道路和技能组合,这可能无法充分确定对新的和新兴的STEM相关技能的要求。由于各军种正在满足对STEM、软件和其他关键技能的现有要求(在这种要求被记录下来的情况下),他们的招聘指挥部认为没有必要采取任何特别的激励措施或其他措施来改善这些领域的招聘。各军种在充分确定与STEM有关的关键技能的要求方面努力不足所引起的潜在担忧,可能会因为军队采取的培养技能而不是招募技能的方法而得到部分缓解。每个军种都告诉我们,他们的战略是招募高质量的人员,然后对部队进行培训和教育,以培养专业技能。

基于这些以及在访谈中和通过数据来源提供的其他见解,我们提出了12条建议--8条针对文职人员队伍,4条针对军警人员队伍--国防部如何提高其提供任务关键技能的招聘和教育计划的有效性。

文职人员建议

建议1:制定一个招聘需求程序。军事部门和国防机构应制定一个需求程序,系统地评估文职人员的招聘需求,考虑到预期的人员流动;可能需要的新技能;军事人员、文职人员和承包商的适当组合;以及初级人员和有经验人员之间的平衡。国防部各组织应至少每年评估一次招聘需求,并将这些需求滚动到一个足够的水平,以确保它们能够在整个组织内得到系统的解决。

建议2:广播一个一致的信息。军事部门和国防部门应寻求渠道,通过这些渠道传播一致的信息,以提高该部门作为平民雇主的意识。国防部各组织认识到,他们很难仅靠报酬来竞争。为此,国防部吸引高素质人才的努力应强调工作的质量、任务的重要性、工作场所的包容性以及其他工作生活平衡问题。

建议3:确定优先次序,平衡资金。该部应系统地收集和评估主要招聘和雇用激励措施的成本,包括实习;奖学金和研究金;招聘、搬迁和保留奖金;以及其他形式的溢价薪酬。该部应利用这些成本数据来确定招聘激励措施的资金缺口,并酌情为具有成本效益的项目提供额外的资金(包括像为关键的STEM技能设立的采购劳动力发展账户那样的专门资金来源)。

建议4:制定衡量标准。国防部各组织应制定衡量标准;系统地收集和维护关于新员工的外联和招聘工作的数据;并对项目绩效进行定期评估。衡量标准应包括外联和招聘活动的成本、从这些活动中开发的线索数量、从这些线索中产生的新员工数量、新员工的来源、员工的质量、员工的多样性以及员工的保留等方面的数据。衡量标准可能会在地方一级收集,但需要中央指导,以确保数据可以滚动起来,在各组织之间进行比较,并用于指导资源和评估招聘和雇用选择。

建议5:建立招聘关系。国防部各组织应与不同的高校组合发展和培养系统的招聘关系。可能需要为具有关键STEM技能的学生建立一个专业的核心招聘人员,以便在招聘会和类似的一次性活动之外建立校园存在。这些招聘人员可能还需要通过接触学生组织、与STEM部门互动、赞助学生竞赛、利用赞助研究、协助撰写简历以及帮助学生通过国防部的招聘官僚机构来发展更深入的关系。

建议6:制定虚拟工具的最佳实践。国防部应系统地审查其组织和私营部门的同行如何使用虚拟招聘和雇用工具(如Handshake、USAHIRE、LinkedIn、Salesforce和TalentNeuron)。然后,国防部应制定一套首选工具和最佳做法,并在整个部门推广。国防部应考虑是否可以通过捆绑要求或企业范围内的许可证来更有效地资助其中一些工具。

建议7:制定直接聘用的最佳做法。该部应制定使用直接雇用授权的最佳做法,以确保这些授权不会默认为传统方法或 "更快地做同样的事情"。最佳做法应旨在提供灵活性和选择,以适应具体的雇用需求,而不是规定为单一的首选方法。这些做法还应该为公布工作机会、暂定工作机会、使用虚拟招聘工具和评估候选人的方法(包括简历、面试、中小企业评估和招聘小组)提供指导。

建议8:解决官僚主义瓶颈。军事部门和国防部门应通过进行根本原因分析和解决程序缺陷来减少招聘过程中的官僚主义瓶颈。为了实现这一目标,国防部可以改善招聘经理和人事处理组织之间的关系,对这些组织的工作人员进行培训,使其了解如何使用直接招聘的权限,或者派出专门的团队,与国防部那些拥有独特招聘权限和对关键STEM技能有强烈需求的组织相配合。

军事人员建议

建议1:评估和确定STEM需求。各军种应定期、系统地评估其对现有军事职业领域中未包括的前沿STEM技能的需求。这些技能包括软件开发、数字工程、机器学习和人工智能。一旦各军种确定了制服所需的技能,就应该将这些技能与职业领域、职业道路和部队要求联系起来,以便向招募人员传达。

建议2:整合干部队伍的宣传和招募。各军种应将STEM推广工作(包括机器人活动、电子竞技比赛、黑客活动和类似活动)与征兵目标联系起来,通过与正在发展关键技能并显示出服兵役倾向的潜在新兵保持持续接触,努力建立征兵管道。空军似乎为这种整合提供了最佳模式,它努力系统地跟踪机器人项目、电子竞技比赛和黑客活动等活动的参与者,从中学到大学和其他地方。

建议3:调整STEM推广和招聘方法。各军种应制定有针对性的方法,在需要关键STEM技能的职业领域识别、激励和招募个人(如前述建议所确定)。例如,可以修改军事能力测试,以确定潜在的软件人才;可以设计单独的广告活动,以接触STEM领域的人才;可以组建专门的团队,系统地追求STEM的招聘。在某些情况下,寻求具有特定技能的应聘者,而不是寻求整体 "质量",并认为技能可以通过在职培训计划来培养,这可能是合适的。在任何情况下,针对STEM技能的招聘应该超越简单的建立技术形象,进入更广泛的广告和营销工作。

建议4:协调文职人员招聘。各军种应该协调军事招聘和民事招聘,至少在STEM领域。各军种应扩大其外联和招募工作,以确定和追求具有关键STEM技能的个人,无论他们是否有能力达到军事体能标准和服兵役的倾向。此外,对于那些无法完成ROTC或军事学院的课程,但拥有有用技能和服务愿望的人,可以将其转为可能的民事任务。

成为VIP会员查看完整内容
45

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《美国国防部定向能武器》38页报告
专知会员服务
50+阅读 · 2023年7月3日
《美军无人系统集成路线图(2017-2042)》58页报告
专知会员服务
194+阅读 · 2023年6月27日
《探讨未来军事技术的可能性》美国陆军2022最新52页报告
专知会员服务
90+阅读 · 2022年12月28日
《支持多域作战的美陆军统一网络计划》美国陆军18页报告
《美国陆军远程精确火力》美国国会研究处37页报告
专知会员服务
108+阅读 · 2022年11月1日
国家自然科学基金
34+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
42+阅读 · 2014年12月31日
国家自然科学基金
51+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2014年12月31日
国家自然科学基金
47+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年8月4日
A Survey of Large Language Models
Arxiv
408+阅读 · 2023年3月31日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
VIP会员
相关基金
国家自然科学基金
34+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
42+阅读 · 2014年12月31日
国家自然科学基金
51+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2014年12月31日
国家自然科学基金
47+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员