思杰Citrix首席人力资源官Donna Kimmel
很多人认为远程工作和网课不会持续太长时间。但纵观全球形势,员工们发现他们不可能再像以前那样回到工作岗位了,孩子们的学习方式也变了。这让他们有点不知所措。
除了管理好自己的工作,很多员工现在必须找地方抽时间去监督孩子们在线学习,而孩子们有时是在家学习、有时是在校学习,或者兼而有之,员工们不得不去适应这些情况。对此,公司管理人员应该为他们提供必要的支持。
疫情来袭时,公司纷纷迅速采取行动,为员工提供技术手段,使他们能够在家里继续安全可靠地工作。现在,公司还需要提供资源来帮助他们应对随之而来的挑战,比如支持新的教育模式。
这正是管理人员的职责所在。站在员工的第一线,他们必须挺身而出,想办法既能让公司业务维持运转,客户满意,也能让员工保持身心健康。他们需要比以往任何时候都更富有同理心,处事更灵活,更善于沟通和更人性化。
这不是一项容易的任务,也不是大多数管理人员都能欣然接受的。在当前充满不确定性和挑战的时期,这对于成功至关重要,只需采取一些简单有效的举措就能做到。
以人为本
和有孩子的员工们谈谈心,问问家里情况怎么样。不论是面对面学习、远程学习还是采取混合方式学习,很多家长都不得不做出艰难的选择,这让他们非常焦虑。让他们知道管理人员能为他们提供资源,从员工援助计划到儿童保育经济支持,都可以帮助他们从容应对。
灵活变通
生活里总会有突发状况,而且经常是在工作时间。在管理上,应该变通一些,要信任员工。让他们知道,离开几个小时去监督孩子的网课,或者等到网课下线或者其他家庭成员可以接手时才能工作——这些都是没问题的。他们会感谢公司的理解,对公司的支持一定会有回报的。
调整心态
很多管理人员认为,只有看着员工工作,他们才会有效率。这得改改了。现代员工想要自由、灵活的选择工作时间、地点和方式。忙于工作的家长和在家学习的孩子们都有这方面的要求。研究表明,当满足他们的这些要求时,他们也会同样努力工作。据OnePoll代表思杰公司进行的一项研究,在6个国家接受调查的1万名员工中,超过一半的受访者表示,他们在家工作的时间与在办公室工作的时间相同甚至更长。
帮他们做做家庭作业
不要让压力大、时间紧的员工自己去寻找能帮助他们的信息。公司也许已经有了一个简洁的网站,员工们可以去查看休假政策、程序和福利。但是,除了工作、做家务,甚至照顾年迈的亲属之外,还得教孩子的家长们可能没有时间去访问网站,因此,他们可能会错过公司针对他们提供的各种帮助,例如:
作为公司的管理人员,需要自己首先弄清楚公司的政策,然后通过电子邮件、Slack和其他社交渠道告知员工,也可以当面告诉他们,这样他们就可以方便地利用这些政策。
设定明确的目标和期望
新冠病毒迫使我们重新思考工作方式。而我们也需要重新审视衡量成功的方式。这非常简单。看重结果,而不是时间。预先设定明确的目标和期望,并与员工一起为实现这些目标创造合适的环境。利用数字工作空间等技术来组织和指导工作,实现工作自动化,去掉那些低价值的任务,以便员工们能够专注于他们工作中战略性、有意义的方面,同时还能教教孩子数学作业,给孩子做做饭。精简会议。如果有些会议没有明确的议程,也没有相关方去推动,那就取消这些会议。尽量少发电子邮件。在全部回复之前,先问问自己是否真的需要这样做,考虑采用其他形式更丰富的沟通方式,例如Teams和Slack。
远程工作是新常态。但对大多数员工来说,还需要适应这种状态。当面对虚拟学习带来的挑战,并帮助员工们进行调整时,没有蓝图,也没有通用的计划。管理人员应做好功课,了解部门员工各自面临的问题,协调资源帮助他们解决这些问题。这样,既为员工的成功赋能,又促进了业务的发展。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。