美国劳动力机会的演变取决于教育的未来以及我们对广泛、公平的联邦改革的承诺
不幸的是，在联邦和州层面关于转变教育体系以满足未来劳动力需求的政策讨论中，过度关注技能议程，在很大程度上忽视了通常补充和增强技术技能价值的行为能力。
这种错误的做法将 21 世纪的劳动力发展等同于技能获取，这只会强化一个两层劳动力市场：那些最有能力获取并将其技能货币化的人将获得流动性和长期保障，而其他人则继续被困在社会经济阶梯的底层。
一个专门致力于技能获取的议程无法提供雇主所需的动态劳动力，原因有几个。技术进步迅速。今天广泛使用的工具可能在六个月后就过时了，但很难预测未来工作所需的具体技术技能。仅对学生培训技术技能并不能保证他们具备在实际工作场所表现所需的行为能力。将稀缺的公共资源投入到具有不确定保质期且在不同雇主之间价值波动的技能培训上，是糟糕的公共政策。
雇主真正想要哪些技能？
制定智能政策以应对劳动力不平等，需要认识到雇主对“技能”的需求实际上指的是一组内容知识、技术能力和应用智能。
根据全国大学与雇主协会 2018 年就业前景调查，十分之八的雇主表示，申请人的解决问题和团队合作能力影响了招聘决定；只有十分之六的雇主对技术技能有同样的报告。早期《经济学人》智库的调查也揭示了类似的结果：解决问题和作为团队一部分工作的能力是首席执行官在做出招聘决定时考虑的首要劳动力技能。
这一优先级在许多其他雇主态度调查中已经出现，这一趋势引发了几个问题：解决问题和团队合作实际上是“技能”，还是行为能力？如果解决问题和团队合作是离散的技能，那么我们如何为它们进行培训？如果它们是能力，这些调查结果是否表明雇主将技能与行为混为一谈？
解决问题和在团队环境中工作的能力更准确地被定义为认知技能，或者更好的是，与机械的、任务导向的技能相关但又不同的行为能力。这些能力描述了功能行为模式。有效的解决问题涉及将事实知识与经验背景相结合以创建解决方案。我们惊叹于机器学习算法的成功，但问题识别和从失败中学习的能力才是使这些算法在解决特定领域问题时如此有效的原因。从机器的成功中，我们可以推断（越来越有信心）实现最佳解决方案需要接触多样化的经验。人类需要与我们给予机器的相同的接触。
雇主对解决问题和团队合作能力的要求包含了对能够结合内容知识和现实世界经验的动态工人的渴望。尽管有大量行为研究表明“从一个类型的问题到另一个问题甚至同一问题的不同版本之间的训练转移很少”，但我们仍然坚持认为机械地训练解决问题和协作团队合作是可能的、可测量的、可推广的，并且可以转移到不可预测的现实生活环境中。
在没有行为能力和情境适应的情况下进行技术培训，确保了只有简历反映适当混合特定技能和行为能力的个人才能获得就业机会。这种模式建立了劳动力市场壁垒并加剧了差异。Weinberger (2014“认知和社会技能之间日益增加的互补性,”《经济学与统计评论》) 证实了两个年轻白人男性队列（1972 年和 1992 年）的工资溢价的存在，他们在高中期间参与了体育和其他领导活动，她认为这有助于在进入劳动力市场之前培养他们的社交技能。即使在控制了包括大学入学、数学成绩和家庭背景在内的一系列社会经济因素后，她的结果依然稳健：“劳动力市场越来越青睐同时拥有强大认知和社会技能的工人。”
技能获取的论述必须承认技术（机械）技能和行为能力之间的区别，后者依赖于情境。一种阐明情境重要性的技能 - 能力分类法将确保来自所有背景的学生都有自由实现经济、职业（水平和垂直）和空间流动性。在这个重新制定的议程中，技术技能的获取仍然是优先事项，但行为能力的加入将强调体验式学习的需求，并将重点从学习成果转向学习投入。
此外，教育改革必须包括雇主反馈，这对于技能和社会价值的社会评估至关重要。建设性的批评将使我们能够设计有效的终身学习模型，将代表内容知识的技术技能与通过体验式学习衡量的行为能力相结合。改善教育成果的结果是工作！
实证研究已经开始量化雇主确定为有价值且超越技术技能的社会能力之间的联系。Deming 和 Kahn (2017)发现"[一] 标准差增加对社会技能的需求与 5% 的工资增长相关联。”Deming (2015)证实了这一发现，并为技能 - 能力辩论增加了职业分层的证据。使用 O*NET 职业数据和全国青年纵向调查数据的组合，他指出，除了有利于社交熟练个体的工资差异外，工人通常根据其认知和社会技能将自己分配到职业中。根据 Deming 的研究，自我选择进入需要高水平社会技能的职业的工人“比需要较少社会技能的职位中的工人赚取约 3.9% 更高的工资”。
针对重要行为的培训
拥有正确技能和行为能力组合的个人需求不仅仅是一个劳动力问题；它也渗透到高等教育中，因为学院和大学寻求理想的创造性、动态且具有高阶分析技能的学生。因此，大学申请评估已经从标准化考试成绩扩展到更全面的一组参数。不幸的是，这种转变使弱势学生从高中到高等教育的过渡变得更加复杂，因为他们往往缺乏开发这些行为能力所需的实践经验接触。
在此，我们可以再次从机器学习中汲取经验。体验式学习是人工智能和机器学习算法成功的基础。算法的性能通过高频次接触各类数据以及适应不同情境而逐步提升，计算机在此过程中尝试识别对特定情境或问题的恰当响应，有时成功，有时失败。计算机科学专家将这一过程称为“强化学习”。K-12 阶段及高等教育阶段的学生同样需要类似的高频次强化学习体验，以成长为能够动态解决问题、具备协作能力的人才，从而满足高校和雇主的期望。这种蜕变并非依靠魔法实现；它需要教育改革。
体验式学习的核心在于将事实性内容的传授重构为一种应用模式，使“个人能够获得与其学术训练相关的实践经验。”此类模型为合作提供了理想的环境，并且可能比单一化的培训项目更有效地培养团队协作能力。在对我们当前教育培训方式的一篇必读评论中，霍夫曼（2017）指出，“所有年轻人，而不仅仅是来自低收入家庭或学术准备不足的人，都需要更多关于职业的信息，在其从学校到高等教育的路径中获得更多的结构支持，以及比以往任何时候都更多的职场实践经验。”
与现实世界背景脱节的学科壁垒无助于学生发展就业能力和职业素养，而这些能力和素养是每个人——无论社会经济地位如何——在我们日益以技术为中心的世界中取得成功所必需的。行为能力具有与经济后果相关的工资差异影响，并导致未来劳动者根据其技术和社会技能自我选择进入的两层劳动力市场。