客户体验管理企业研究发现,大多数父母会让小孩回学校 - 犹豫不决

一次实时数据链路丢数排查:从 MQTT 队列积压到 SQL 统计开销 本文通过一次实时数据链路压测,排查了从MQTT到ClickHouse的端到端数据丢失问题。核心方法是为每条消息添加序号,建立独立观察点(MQTT订阅端、Kafka消费者),结合转发服务阶段统计与线程栈分析,定位到下游处理速度不足源于Druid SQL合并统计的高开销。优化措施包括关闭SQL合并、扩容代理队列、增强生产侧失败处理,并验证15分钟内实现全链路对账一致,显著缓解积压与丢包。关键收获:数据可对账、明确各阶段“成功”定义、关注客户端队列状态。 阅读详情

家长们面临着一个艰难的决定:在持续的大流行期间将孩子送去学校还是让他们留在家里继续进行通常困难的远程学习过程。根据最新的客户体验管理研究,父母不情愿地说“走”。

家长会把孩子送回学校吗?

客户体验管理企业最近对美国 1,000 多名孩子从学前班到高中的父母进行的一项研究发现,大多数可以亲自送孩子上学的父母 (53%) 对这样做感到不舒服。但 63% 有选择权的父母表示,他们无论如何都打算送孩子。

客户体验管理全球教育行业负责人 Omar Garriot 表示:“为了应对学生和家庭之间的这种不确定性,教育领导者必须倾听并采取整体行动。” “政策制定者和教育工作者必须像第一响应者一样行事,并准备好在面对每种新情况时迅速做出改变。”

近四分之三 (74%) 可能将孩子送回教室的家长表示,这是因为他们相信学校正在采取适当的安全预防措施来预防 COVID-19。超过一半 (56%) 的人表示他们会送孩子回去,因为他们的孩子在课堂上学得更好。

-46% 的人说他们的孩子需要与其他孩子进行更多的社交互动

-39% 的人说他们的孩子在日常生活中需要更多的结构

-30% 的人说这是因为 COVID-19 对儿童的危险性较小

-14% 的人说这是因为他们没有其他托儿服务

然而,近 30% 可以选择亲自送孩子上学的父母表示,他们不太可能这样做。绝大多数人 (86%) 表示他们犹豫不决,因为 COVID-19 仍然对儿童构成威胁。近四分之三 (72%) 的人表示,这是因为他们担心学生会将 COVID-19 传播给他人。

-50% 的人表示,除了学生之外,他们还担心教师和管理人员的安全

-20% 的人说这是因为他们的学校没有足够的安全措施

-17% 的人说这是因为他们认为他们的孩子不会在课堂环境中有效学习

不同的家庭,不同的返校计划

父母亲自送孩子回学校的决定在不同的人口群体中差异很大。

收入较高的父母更有可能亲自送孩子回学校——并且对此感到自在。

-年收入超过 10 万美元的父母中,约有四分之三可能会让孩子重返学校,但这一比例会随着收入水平而下降

-年收入低于 50,000 美元至 100,000 美元的父母中,只有不到 60% 的人可能会亲自送孩子上学,而年收入低于 50,000 美元的父母中,有 52% 的人可能会送孩子回教室

-在年收入 10 万美元或以上的所有父母中,近一半认为送孩子上学很舒服,而年收入 5 万至 10 万美元的父母中,有 37% 的人也有同样的感觉。不到 30% 的年收入低于 50,000 美元的父母表示,他们觉得送孩子去教室很舒服

拥有大学或更高学历的父母以及在职父母也更有可能亲自送孩子上学并对此感到自在。

-74% 拥有高级学位的父母可能会这样做,65% 拥有大学学位的父母表示他们可能会这样做,但不到一半 (49%) 没有大学学位的父母表示他们会送孩子亲自上学

-超过 45% 拥有大学学位或更高学历的父母认为送孩子上学很舒服,而没有大学学位的父母中只有 28% 有同样的看法

-在职父母送孩子上学的可能性比非在职父母高 72%,69% 的在职父母表示他们会这样做,40% 的非在职父母也这么说

-非工作父母对送孩子上学感到不舒服的可能性也高出 45%,71% 的非工作父母表示他们感到不舒服,只有 49% 的在职父母表示同样的感受

黑人和拉丁裔父母送孩子上学的可能性大约是白人父母的一半。并且不太可能对此感到舒服。

-67% 的白人父母可能会亲自送孩子上学,而只有 9% 的人仍然不确定他们会做什么

-38% 的黑人父母可能会送孩子回教室,而 18% 的人仍然不确定

LatinX 父母现在最不可能送孩子回学校,只有 30% 的人说他们有可能,22% 的人说他们仍然不确定

-黑人和拉丁裔父母也比白人父母更不放心送孩子上学:44% 的白人父母表示他们觉得送孩子上学很舒服,只有 10% 的黑人父母和 14% 的拉丁裔父母有同样的看法

父母有哪些选择?

对于有 8 年级或以下孩子的家庭,学校教学的选择大多是二元的。一半的家长表示,没有实体教室的远程教学是他们孩子现在可以使用的一种选择,或者说是唯一的选择。几乎等量 (47%) 的人对课堂上的全日制教学表示同样的看法。然而,只有 26% 的人表示他们的孩子获得了混合系统,一些在课堂上进行指导,一些在远程进行。

然而,对于高中适龄儿童的父母来说,流动性更大。一半的家长仍然表示远程教学是他们的高中适龄孩子可以选择的选择之一——或者唯一的选择,而 42% 的家长对课堂上的全日制教学持同样看法。然而,三分之一的家长表示,他们的高中生可以选择混合教学——部分在课堂上,部分在远程。

18% 的孩子低于高中年龄的父母表示,父母选择课程的家庭学校是他们孩子的一种选择,15% 的高中生父母也有同样的看法。

但是,虽然持续的远程教学似乎是父母最普遍的选择,但大多数 (42%) 更喜欢在课堂上为孩子们提供全日制教学。

-30% 的人表示他们更喜欢远程指导

-16% 的人说他们更喜欢混合系统,有一些远程和一些课堂教学

-10% 的人说他们更喜欢在家上学,在那里他们决定课程

-2% 说其他

什么会让父母更舒服?

尽管超过一半的家长表示让他们亲自送孩子上学不舒服,但大多数人可能会这样做,主要是因为他们认为学校已经采取了足够的安全措施。在表示他们的学校确实有可接受的协议的家长中:

79% 的人表示他们的学校已经实施了社交距离措施,即使是在校期间但在课堂外

74% 的人说他们的学校已经实施了戴口罩

68% 的人说他们的学校在课堂上实施了社交距离

67% 表示他们的学校定期对学校和教室进行消毒

64% 表示他们的学校鼓励儿童、教师和工作人员定期洗手和消毒

52% 的人说他们的学校已经实施了每日症状检查

36% 的人说他们的学校有协议,以防有人检测呈阳性

31% 的人说他们的学校加强了对孩子的监督

28% 的人说他们的学校已经实施了接触者追踪

25% 的人表示他们的学校已经实施了定期调查来衡量教师、家长、教职员工和学生的意见

绝大多数人相信口罩提供的安全性,大多数可以亲自送孩子上学的家长都赞成最常见的安全措施:84% 的人表示他们希望孩子戴口罩上学,而同样的百分比说他们希望孩子学校的每个人都戴口罩。稍多一些 (86%) 表示他们希望孩子的学校强制佩戴口罩。 90% 的人希望他们孩子的学校能够保持社交距离。

53% 的家长表示,他们对送孩子上学感到不舒服,他们表示以下安全预防措施将帮助他们感到更舒适:

65% 的人表示他们希望学校实施社交距离措施,即使是在学校但在课堂之外的时间里

65% 的人说他们希望学校实施戴口罩

63% 的人表示他们希望学校在课堂上实施社交距离

62% 的人表示他们希望学校定期对学校和教室进行消毒

61% 的人表示他们希望学校鼓励孩子们定期洗手和消毒

57% 表示他们希望学校实施日常症状检查

47% 的人表示他们希望学校在有人测试呈阳性的情况下实施协议

43% 的人表示他们希望学校加强对儿童的监督

35% 的人表示他们希望学校实施定期调查,以衡量教师、员工、家长和学生的意见

34% 的人表示他们希望学校实施接触者追踪

“大多数最艰难的决定都源于学校和学区的倾听能力——深入、定期和主动地倾听,”加里奥特说。 “从学生到教师,从家庭到员工,了解利益相关者的经历,然后将其融入决策和流程,从未像现在这样重要。”

 

【数据集成与采集】 Canal 中间件最新源码解析 不每次 ack 都写,是因为 ZK 的写要过 quorum,比写本地内存贵几个数量级,ack 频率一高就把 ZK 打成瓶颈,而且这些写全是同一个 znode 的覆盖,纯浪费。是纯正则,用 Perl5Matcher 匹配,只认 CREATE、DROP、ALTER、TRUNCATE TABLE,RENAME TABLE,CREATE INDEX、DROP INDEX,输出 schema、table、eventType、原表名。如果按分区拆过,投递前会先按分区合并消息,再异步发送,因为单分区内的顺序已经保证了。 阅读详情

相关推荐

Navcat最新版的激活和安装教程(全网最靠谱,最快捷的方式)

现在最新版本navcat已经出到了16.3了,并且新版navcat也支持连接redis和图标等更多样化的功能,但是比较头疼的一件事就是,只能试用14天。那么接下来小编教大家如何用最简单的方式使用最新版navcat16.

weixin_50737119的博客 2万+

重新开放的问题:学校如何使用客户体验管理来应对 COVID-19

本文最初发表在《福布斯》上。 随着全国各地学校重新开学,大流行迫使学生、教师和家庭进入一个陌生的环境,随着新学年的开始,教育领导者面临着一个复杂的挑战,这无疑需要创造性的解决方案:学校应该如何身体健康?重开?他们如何安全地这样做? 这需要学校做出艰难的权衡——不同的学生,无论是健康、年龄、学习能力还是其他方面,自然需要不同的方法,这一现实使选择更加复杂。 捕捉实时情绪和对健康、技术访问和学生参与等主题的影响从未如此重要。创建一个安全有效的学习环境需要学生、教职员工和家庭的持续脉动、对利..

体验家XMPlus-专业的CEM客户体验管理系统 154

高缺失率时空数据插补实战:从随机森林到扩散模型的性能对比

数据缺失是数据分析与机器学习建模中普遍面临的挑战,尤其在时空数据领域,传感器故障、传输中断等问题常导致数据不完整。数据插补技术旨在基于已知数据的模式和关联性,合理估算缺失值,为后续分析提供可靠基础。其核心原理在于利用数据的时空相关性(如时间周期性、空间邻近性)及与外部驱动因素(如交通、气象)的关联构建预测模型。这项技术的价值在于能将不完整的数据集转化为可用于高质量分析和预测的可用资产,广泛应用于环境监测、交通流量预测、金融风控等领域。本文聚焦于一个极具挑战性的场景——PM2.5监测数据缺失率高达82%,通过

weixin_30363285的博客 544

Flink 学习日志 03:自定义一个SourceFunction,完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程:通过Jedis客户端连接WSL2中的Redis服务,编写RedisSource实现循环读取所有Key-value并逐条输出,结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖,并注意生产环境中应避免使用阻塞的keys *,改用scan命令。最终实现动态读取、实时打印,验证了Flink与Redis的数据集成能力。

木木的学习笔记 412

CAS5和CAS6自定义异常提示消息

CAS自定义异常提示消息

weixin_42949219的博客 979

GEO优化实战:用AnswerBit量化AI搜索可见度与品牌监控体系

生成式引擎优化(GEO)正取代传统SEO,成为品牌在AI搜索生态中获取可见度的关键。当用户习惯从“翻列表”转向“直接问AI”,品牌能否被生成式引擎识别、引用并正向推荐,直接决定了其在用户决策链条中的存在感。AI搜索可见度因此从模糊概念演变为可度量的运营指标,涵盖提及率、引文率、情感分与回源质量等维度。腾讯AnswerBit作为答案侧分析工具,帮助运营者拆解AI回复中的品牌语境与引用来源,让优化动作有据可循。从内容结构化改造、品牌实体建设到第三方权威背书,GEO要求团队建立“度量-优化-再度量”的闭环。文章结

weixin_31100517的博客 150

Flink SQL 连接器实战:MySQL Source、Flink CDC 与 JDBC Sink 全解析

提供有界流读取,适合批处理和维表场景,简单直接但无法感知变更。MySQL CDC提供无界流读取,通过「全量快照 + binlog 增量」的方式实现实时捕获,是实时数仓的核心入口,但需要 MySQL 侧正确配置 binlog 和权限。JDBC Sink负责结果回写,关键在于区分仅插入流和更新流,更新流必须依赖主键完成 upsert。掌握这三者的差异,本质上就是掌握了 Flink 中「有界与无界」「追加与更新」这两组最基本的语义。

2401_83857914的博客 429

《AgentScope-Java 深入浅出教程》第10章 RAG 知识检索

RAG(Retrieval-Augmented Generation,检索增强生成)是一种将信息检索与文本生成相结合的技术架构。它通过从外部知识库中检索相关文档,将检索到的信息作为上下文注入到语言模型的提示中,从而增强模型的回答质量。│ RAG 工作流程 ││ ││ 用户问题 向量检索 上下文增强 生成回答 ││ ▼ ││ │ A │ ││ ││ 1. 接收问题 ││ 2. 将问题转换为向量,在知识库中检索相似文档 ││ 3. 将检索到的文档作为上下文添加到提示词中 │。

步子哥的博客 462

Hybrid Search 实战:Elasticsearch BM25 + 向量检索加权融合,把关键词命中补回来

纯向量检索常漏掉型号、错误码、专有名词;本文用 Elasticsearch 的 BM25 与稠密向量做加权融合,给出可复现的 Python 打分与调参思路,把关键词命中稳稳补回来。

llhllq2015的博客 239

某易将军令口令纯算法还原py篇

算法开源,将军令口令算法。希望官方多多更新吧

任雪飘的博客 3909

如何学习总线技术

如何学习总线技术 以形象生动的比喻来描绘了总线技术的基本思想,指出了总线的基本分类和总线传输的基本原理,以及在学习过程中应当掌握的最基本的知识,对初学者有起到抛砖引入的作用。 0引言   如果一座只能容一个人来往的独木桥,两端的人都想要过桥,为了不拥挤、阻塞,那我们就得采取有效的办法。比如规定某段时间哪端的人过桥,另一端的人就等着该他过桥的时间段的到来,同时也还可以规定人多时要按先来后到或年

ce123的技术博客 8527

Meta 816B 参数 Muse Spark Open 在 NVIDIA GB300 上实现每 GPU 50K tokens 每秒

Meta 推出针对代理编码优化的 816B 参数混合专家模型 Muse Spark Open,支持百万 token 上下文和多模态感知,在 NVIDIA GB300 NVL72 上达到每 GPU 50K tokens 每秒。

wfly blog 164

基于 Qt C++ 的战术通信终端

logMessage(QString("新客户端连接来自: %1:%2").arg(incomingTcpSocket->peerAddress().toString()).arg(incomingTcpSocket->peerPort()));logMessage(QString("服务器已启动,在 [%1]:%2 监听IPv6连接...").arg(ui->lineEditAddress->text()).arg(port));

寒寒豆豆软件公司的博客 77

RabbitMQ 消费端幂等:唯一索引、条件更新、Redis 去重三种方案的真实代价

MQ 只承诺至少投递一次,重复消息只能消费端自己吃掉。这篇对比唯一索引、条件更新、Redis 短路三种去重方案在 AI 任务场景下的实际代价,附三个踩过的坑。

zhangpan 173

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

第1章第1节:什么是Elasticsearch

在传统数据库里搜"一句话中包含某个词",我们通常会写出%关键词%这样的 LIKE 查询——数据一多就慢得无法忍受,而且完全不懂"分词"和"相关度"。本节从全文检索的真实需求出发,讲清楚倒排索引这一核心思想,再介绍 Elasticsearch 是什么、能干什么,以及它在 ELK/EFK 生态中的位置。

啊渊的专栏 172

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Day3 - Flink 窗口与时间语义:从滚动窗口到迟到数据处理

水位线是一个特殊的时间戳,代表"小于这个时间戳的数据都已经到齐了比如水位线推进到 10:00:05,就告诉 Flink:10:00:05 之前的数据应该都到了,如果还有晚于这个时间到达但时间戳小于 10:00:05 的数据,就是"迟到数据"。窗口大小固定,窗口之间不重叠,数据只属于一个窗口。时间线: 0 10 20 30 40 50 60窗口1: [--------)窗口2: [--------)窗口3: [--------)窗口4: [--------)

YEEMOLY的博客 244

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

基于企业大数据的围串标识别与投标主体关联核验引擎

多地开展工程建设招标投标串通投标专项治理,倒查2021年以来五年数据,推动监管从“事后查处”向“穿透式防控”转型。通过整合工商、股权、司法、招投标等多源数据,构建企业关联识别模型,利用Python实现交叉股东、董监高、联系方式等信号的自动化核验,并对“陪标专业户”“标王”等异常主体进行动态画像评分,提升围串标识别的系统性与前瞻性,筑牢采购合规防线。

weixin_63790743的博客 328

智能问诊的流程

本文介绍基于FastAPI构建的医疗多Agent系统MediAgent,通过症状分析、诊断推理与治疗建议等模块协同,实现从问诊到报告生成的完整工作流。系统采用前后端分离架构,结合MySQL、RabbitMQ与Docker实现工程化部署,支持异步化验结果接入。虽当前状态暂存于内存,但已具备可扩展性,未来可通过Redis持久化、消息队列联动及医疗安全机制完善,应用于慢病管理、辅助决策等场景,推动AI在医疗流程中的落地应用。

Joey 的工作空间~ 528

Kafka4.4安装配置详细说明,配JDK21

目的:现在 Kafka 是 PLAINTEXT,任何能连上 9092 的 IP 都能建/删 topic、读写所有数据。要做三件事:① 给他们建账号 ② 建好他们要推的 topic ③ 防火墙白名单放行他们的 IP。目标:把 9092 / 9093 加入端口黑名单,让「白名单 IP 仍能访问、其他 IP 被拒绝」。(记下来,后面所有管理命令的 admin-client.properties 都要用它)。修复后客户端立即返回 topic,端到端(建 topic → 生产 → 消费)全部通过。

崔崇鑫的博客,你linux/云运维工作中的百科全书。 509

行业研究报告采购避坑指南:从需求拆解到机构选型的实操逻辑

先说结论:买行业研究报告这件事,坑不在“哪家便宜”,而在“你拿到的数据能不能回答你的问题”。作为一个经常帮企业做采购决策的顾问,我见过太多花了几万块买回一堆PDF却用不上的案例。这篇文章把采购流程拆成五步,每一步告诉你该看什么、该避什么,尽量帮你少交学费。

2601_96585642的博客 221

MapReduce 小文件优化:CombineFileInputFormat 按字节合并分片的落地调优

小文件让 Map 数与 NameNode 元数据同时失控,常规打包脚本治标不治本。文章给出 CombineFileInputFormat 按字节聚合分片 + WholeFileReader 整文件读取 + 关键参数实测调优的可落地链路。

2301_78967866的博客 353

Hive的多机 AI Agent 协同看板实战:跨机留言、任务搁置、计划跟踪的三个设计取舍

本文介绍多机AI Agent协同系统Hive的三项关键设计取舍:跨机留言采用内存+本地文件存储,避免Git版本冲突与延迟;搁置状态主动释放资源并保留历史,通过按钮而非新增列管理,保持看板简洁;任务计划以Tab形式聚合任务,实现项目级进度追踪。核心原则是“能用文件解决就不加数据库,能复用界面就不新增层级”,所有功能均在零依赖前提下实现高可用与易用性。附带一次/api/plans 404排查,揭示了配置与路由匹配的深层陷阱,具有普遍参考价值。

skywalk8163的专栏 530

Kafka 消费者 poll() 流程与原理详解

Kafka Consumer 的poll()不只是简单的“拉取消息”,而是消费者运行过程的核心驱动入口。poll()↓Metadata / Group 协调↓Heartbeat↓↓↓Broker↓↓业务处理↓Offset 提交理解poll()的工作机制,可以帮助排查 Consumer Lag、消费延迟、频繁 Rebalance、处理超时以及消费吞吐不足等问题。控制一次poll()返回多少消息,而控制业务处理两次poll()之间允许的最大时间。

虽非技冠群英首,愿与同道共长歌; 大鹏一日同风起,扶摇直上九万里; 566

深入浅出聊聊 Linux 的 PageCache 与系统极致性能

本文深入浅出解析了 Linux PageCache 的核心机制,揭示其如何通过“延迟写、预读读”提升系统性能。以监控告警为切入点,阐明 free -h 中 buff/cache 并非真正占用,真正可用内存由 available 决定。结合 Kafka、Elasticsearch、MySQL 等实战场景,说明中间件如何依赖 PageCache 实现极致性能。强调不可手动清理缓存,并建议合理调优脏页参数,避免卡顿。最终指出:内存满≠危机,而是系统高效运行的体现。

小小默:进无止境 319

代购系统改造:服务无状态化、分级隔离

代购系统因链路长、流量脉冲、写放大等特点,高可用设计需聚焦“消灭单点”。通过服务无状态化、分级隔离、数据库与消息队列容灾、监控告警与混沌工程验证,实现MTTR降至3分钟内,支付成功率超99.9%。核心经验:缓存雪崩防于过期策略,跨地域用短TTL GeoDNS,支付降级必须幂等。高可用本质是持续检验“无单点”假设的闭环体系。

2601_95706522的博客 161

AI重构工业软件|泛联新安亮相第四届工业软件创新发展学术会议

两天会议,从院士报告里的战略判断,到灯塔工厂的实战复盘,再到泛联新安总部的体系拆解,其实都在回答同一个问题:AI重构工业软件,怎么从“演示可用”走到“生产敢用”。没有合理的裁判体系为AI任务结果进行验收,人类工程师的精力最终会疲于为AI产出做确认和兜底。工业软件和关键装备行业的AI转型,缺的从来不是模型,而是让模型可以被信任的那套工程体系。这也是唐勇博士在主论坛报告里反复强调的结论。这个问题没有一次性答案,我们会持续把可信智能体的工程实践公开出来。

flxa19310090839的博客 43
上一篇: 德克萨斯州的妇女和儿童计划如何吸引客户并让他们回头
下一篇: 什么是获客成本 (CAC) 以及如何计算
体验家
博客等级 码龄5年 273粉丝 177原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值