根据一项调查显示,维持工作与生活的平衡是科技行业女性面临的最大挑战。
招聘公司 Lorien 对科技行业的女性进行了调查,发现 45% 的受访者表示在工作中难以平衡工作与生活,这成为她们职业生涯中遇到的最大障碍。近 30% 的受访者表示,她们在该行业面临的最大阻碍是性别偏见和歧视。
Lorien 母公司 Impellam Group 的企业解决方案、洞察和合作伙伴关系总监 Darren Topping 表示:"尽管科技行业的女性比例在稳步上升,但我们不能自满。下一个挑战是确保女性在职业发展方面拥有平等的机会,在高层职位上有更多的代表性。创建真正包容的工作环境意味着要认识到工作生活平衡不是一种奢侈,而是必需品。"
选择科技行业职业的女性数量在增加,但增长缓慢。BCS 的研究发现,在 2022 年之前的四年中,英国科技行业的女性比例仅增加了 4%——从 2018 年的 16% 增加到 2022 年的 20%。
增长缓慢的原因有很多,但最常被提到的原因之一是科技工作场所缺乏包容性文化,这使女性望而却步或被迫离开。
Lorien 发现,75% 的科技行业女性认为她们目前的工作环境是包容的并能为她们提供支持。但在职业发展方面,只有四分之一的人认为她们与男性同事有相同的晋升机会。
社会中男女不平等导致女性在科技工作场所面临困难——例如,女性比男性更可能承担照护责任,这意味着在寻找科技职位时,灵活工作的能力对女性来说变得越来越重要。
近 30% 的 Lorien 调查受访者认为灵活工作是未来将显著影响女性的趋势,Tech Talent Charter 最近发现,近 12% 的科技行业女性已经离职以便更好地履行照护责任。TTC 还发现,40% 的女性表示是否继续留在当前岗位取决于她们目前的照护责任。
Topping 说:"灵活的工作政策、平等的育儿支持和清晰的职业发展路径是必不可少的。当公司优先考虑心理健康、实施公平的工作量管理并培养支持性领导时,就能使女性在职业生涯中获得进步和成功。"
在女性获得科技职业帮助的方式中,31% 的人认为最大的支持来自公司赞助的内部培训,其次是专业网络。
虽然 12% 的女性表示缺乏指导是她们在科技职业生涯中遇到的最大障碍,但只有 17% 的人表示她们最大的职业支持来自导师计划。
科技行业经常强调榜样的重要性——人们越能看到与自己相似的人走上某条道路,就越有信心和灵感走向同样的方向。但在选择 IT 职业的原因方面,近半数人表示是对技术的兴趣驱使她们追求这些职位,只有 6% 的人表示她们进入科技行业是受到榜样和导师的影响——然而,这并未说明那些从小就对技术感兴趣的人的驱动因素是什么。
四分之一的女性表示她们对科技职位的兴趣来自该行业大量的就业机会,而 20% 的人则被该行业的高薪所吸引。
但女性在科技行业仍然代表性不足,54% 的女性认为其他女性经常被劝阻考虑科技行业的职业发展。
使女性望而却步的因素有很多——49% 的女性表示,如果她们听说过该组织中其他女性的职业故事,她们更有可能加入该组织,56% 的人表示,如果一家公司有性别均衡的员工队伍的证据,她们也更有可能加入。
平等倡议、女性专业支持网络和女性在领导职位上的良好代表性都是能使超过 50% 的女性更有可能选择加入一个组织的特质。约五分之一的女性建议想要进入科技行业的人寻找行业内的导师,22% 的人建议关注专业网络。
保持技能更新是女性给予那些寻求科技行业工作的人最普遍的职业建议 (39%)。同时,40% 的女性表示,增加女性在领导职位上的代表性对鼓励更多女性进入科技行业至关重要,四分之一的人也表示组织中适当发展的性别平等实践同样重要。
Impellam Group 劳动力解决方案董事总经理 Annelise Smith 表示:"这些发现清楚地表明,公司不能对科技行业的性别多样性保持被动态度。女性是自信且有能力的,但系统性障碍继续阻碍着她们。未能解决这些问题的企业可能会失去顶尖人才,输给那些优先考虑包容性和平等机会的竞争对手。"
好文章,需要你的鼓励
这项研究探索了语言神经元视角下多语言对齐如何增强大语言模型(LLMs)的多语言能力。研究团队提出了一种更精细的神经元识别算法,将激活神经元分为语言特定、语言相关和语言无关三类,克服了现有方法的局限性。基于这种分类,研究将LLMs多语言处理过程划分为四个阶段:多语言理解、共享语义空间推理、多语言输出空间转换和词汇空间输出。通过分析对齐前后不同类型神经元的变化,发现多语言对齐促进了更多语言相关神经元的共享使用,减少了对语言特定神经元的依赖,这也解释了"自发多语言对齐"现象。
这项由弗吉尼亚大学与Adobe研究院合作的研究突破了传统图像到视频生成的空间限制,提出了"Frame In-N-Out"技术,使物体可以自然地离开画面或新物体能够进入画面。研究团队创建了专门的数据集和评估方法,并设计了一种融合运动控制、身份参考和无边界画布的扩散变换器架构。实验结果表明,该方法在生成质量和控制精度上显著优于现有技术,为电影制作和创意内容创作提供了新可能。
浙江大学研究团队开发了首个评估视觉语言模型多视角空间定位能力的综合基准ViewSpatial-Bench,并揭示了现有模型在视角转换理解上的严重缺陷。通过自动化3D标注流水线构建的大规模数据集,他们训练出的多视角空间模型(MVSM)实现了46.24%的性能提升,为人机空间交互提供了新的解决方案,使AI系统能更好地理解人类视角下的空间关系,促进更直观的人机交流。
ByteDance团队提出的DetailFlow是一种创新的图像生成方法,通过"下一细节预测"策略实现从粗到细的自回归生成。它将图像编码为仅需128个令牌的1D序列,比传统方法少5倍,却实现了更高质量(2.96 gFID)和更快速度(提速约8倍)。该方法巧妙地模拟人类创作过程:先勾勒整体结构,再逐步添加细节,并通过自我纠错机制解决并行推理中的错误累积问题,为高分辨率图像生成提供了高效解决方案。