职场“三好”吃力不讨好

当“好人”前提是做好本分
“三好精神”到底是否适用于职场?人力资源专家、北大纵横高级合伙人王山认为,前提是要先做好自己的本分。
职场生存其实比宫廷还难一些。企业为什么会请你?因为你对企业有用,你和企业之间的关系是市场关系的延续,说的白一些是一种“交换关系”,能否在企业生存是看你的使用价值。职场中处理好人与人关系自然重要,做三好学生也是无可厚非。但现代职场更多考虑的是“任职资格”和“胜任力模型”,即把合适的人放在合适的位置上,而你要把你该做的事情做好,才对得起企业付给的工资,否则无论你人有多好,你的老板(上司)还是不得不请你走人。


职场人士对刘三好精神的反感与当今职场主力80后的强烈的自我意识有关。无论是许三多式的只做不说,还是余责成的左右逢源到大智若愚的刘三好这些榜样,也许代表的是70后的心态。正所谓吃的苦中苦,方为人上人。但对80后们来说,“三好”们只是一些不会干事只会做人的庸人。
“三好”们在企业还是能够生存的,但前提是先做好自己的本分。“三好精神”只能作为锦上添花,而不能成为你上班的主要工作。好事要做,不要影响企业运作;好话要说,但一定要有立场,存好心也对,只要不好心办坏事。

职场是非多,你要做好人?也未必受落!
有“翻版《金枝欲孽》+韩剧《大长今》”之称的热播剧《宫心计》,讲述一个毫无背景的小宫女,磕磕碰碰地走到宫中“高层”之位。主角之一“刘三好”备受争议———她是在宫廷斗争中
“出污泥而不染”的大好人,宣扬“三好精神”:做好事、说好话、存好心,并受到同事上司的赞赏。
获取职场成功之道的途径并不多,榜样中唐骏也好李开复也好,离普通打工仔似乎也太远。所以人们把眼光投向了荧屏上的小人物,从前段时间的《士兵突击》的许三多,再到《潜伏》中的余则成,或者是正在热播《宫心计》中的刘三好,似乎都有着职场精英的影子。做好人可以升职加薪?这一点又在职场上引起热议。在现实中,刘三好这种过于正面的“三好精神”,令在职人士们大为反感,纷纷数落起“大好人”们的种种“罪行”。看来,好人唔易做,往往还会遭遇“里外不是人”的尴尬。

戏说“三好”
王老师:刘三好的成功在勾心斗角的宫廷之中太过“非典型”了!因为非典型,也能给没性格的“老好人”、“非成功人士”有点幻想的空间罢了。

Angle:刘三好能在险恶的后宫生存,除了心地好之外,运气好有贵人相助也很重要。她的“三好”应该换成运气好、人缘好、样貌好才对,不然做多少好事也无法博得“领导”的赏识。
豆豆妈:“三好”其实是个厉害角色。首先她熟悉宫中上下各种人物关系,然后既要上至天文、下至地理略懂一二,又要有一门专业手艺,最后,找个有发展前途的好上司,就不一定循规蹈矩。在关键时候,运用起几样学识,才有“出口救人”的效果。

“做好事”———鹤立鸡群犯众憎
做好事本无错,但每次都大大超过“好”的平均水平,让自己显得鹤立鸡群,反而会变成众矢之的。
Anny在看电视剧的时候,特别讨厌“三好”,因为“她”会让她忍不住想起公司里的一个新同事。Anny是做销售的,每组人每个月会有一定的销售任务,平时各组都有“默契”,步速不紧不慢,反正到月底结算时,都有不同量的超额就好。那位新同事做事积极,样样争先,一进公司就督促组员半个月就完成了当月的销售量,令上司一下子质疑他们原有小组的工作能力。而且,凡是公司有促销活动,无论是否安排他去帮忙,他都会自动自觉跑去做“义工”。Anny抱怨说:平时工作已经够忙的了,结果因为他的“积极”,其他同事也不能“甘于落后”地跟着去促销场帮忙,变相加重了工作量。

有网友在“戏说三好“时认为:“同样毫无背景的宫女出身,三好的姊妹金铃的处事方式反而更加普遍,但因为有三好这样的人存在,对比之下就成了丑角的。”“三好”以做好事博出位,确实容易得到上司的称赞,不过就失去同事之爱,为以后工作埋下阻碍的伏笔。

“说好话”———假好人真小人
“说好话,谁不会呢?最怕是口是心非。”标准办公室女郎沫沫,当了几年经理助理,见过口蜜腹剑的小人太多,现在已经不再相信有“说好话”的好人了。
沫沫的上司相当受公司器重,随之而来巴结的人自然就多。不过,去年公司要裁员的时候,上司差点被“说好话”的同事“淘汰”了。当时公司宣称要适当裁员,要求员工之间互相评分,采取“末位淘汰制”。恰好沫沫上司做的一个较为重要的投标项目没中标,大家就以此为由,只给他很低的分数。讽刺的是,给低分的不乏平时常对着上司说好话的“马屁精”!沫沫感叹道:“平时给你一两句赞美,又没有成本,有什么所谓?但关键时候能‘出口相救’的少之又少。”

另外,常对你“说好话”的人,谨防是小人!跟沫沫一样当助理的小崔,刚入职时不熟悉对处理各种繁琐事情,只好去请教同样做文职的一个资深阿姨。阿姨一边教一边赞小崔天资聪颖之类,让小崔听得飘飘然的,不知不觉地把阿姨当成同事好友,无话不说。边做边学了一阵子,小崔的工作始终未见起色,上司不满意的时候越来越多。有一次偶然发现,阿姨背地里找上司投诉他办事不力,而最终目的是把她的小外甥推荐入公司、顶小崔的职位。
“存好心”———未必有好下场

存好心,最怕是好心做坏事。好事做不成,还让自己遭遇“里外不是人“的尴尬。
刚刚大学毕业的小宇找工作还算顺利。为了尽快与同事搞好关系,对同事们的要求几乎没有拒绝过,有时还主动为同事分担工作,结果在小宇还未能单独做项目的一个月内,他就迅速变成办公室里最忙碌的人。买早餐、吃饭订座、发快递……琐碎工作让小宇自动升级成高级打杂,完全没有时间做他的正职———设计图样。上周日有同事因为要去相亲,想和小宇代班,小宇家里不巧有事就拒绝了她。之后,女同事明显冷落他,甚至背后议论他说:“领导的要求有求必应,同事的请求就摇头拒绝”。小宇觉得委屈:“我帮她是人情,不帮他是道理!”当习惯成自然的时候,你想改变角色定位、不再当老好人就难了。

因为好心而没有了主见的人,更有可能成为裁员的首要目标。在公司里出了名的“老好人”阿辉,工作中他与大家共进退,有困难与大家一起扛;别人说好,他就说好;别人说坏,他就不作声,默默隐匿在大家之中,久而久之他成了老板视而不见的隐形人。公司不景气,老板有意裁员,却首先想到了他。有星级酒店的人力资源人士表示:职场中的“老好人”,事实上最终将成为一个碌碌无为的人,他们在职场中总是因为分担了别人的工作而使自己职责范围内的工作一团糟,而且大部分人从来不敢表现出自己的想法,表达出自己的态度,相信这样的人在职场上是永远都不会有突破,永远都不会成功。

内容概要:本文详细探讨了双馈风力发电机(DFIG)在Simulink环境下的建模方法及其在不同风速条件下的电流与电压波形特征。首先介绍了DFIG的基本原理,即定子直接接入电网,转子通过双向变流器连接电网的特点。接着阐述了Simulink模型的具体搭建步骤,包括风力机模型、传动系统模型、DFIG本体模型和变流器模型的建立。文中强调了变流器控制算法的重要性,特别是在应对风速变化时,通过实时调整转子侧的电压和电流,确保电流和电压波形的良好特性。此外,文章还讨论了模型中的关键技术和挑战,如转子电流环控制策略、低电压穿越性能、直流母线电压脉动等问题,并提供了具体的解决方案和技术细节。最终,通过对故障工况的仿真测试,验证了所建模型的有效性和优越性。 适用人群:从事风力发电研究的技术人员、高校相关专业师生、对电力电子控制系统感兴趣的工程技术人员。 使用场景及目标:适用于希望深入了解DFIG工作原理、掌握Simulink建模技能的研究人员;旨在帮助读者理解DFIG在不同风速条件下的动态响应机制,为优化风力发电系统的控制策略提供理论依据和技术支持。 其他说明:文章不仅提供了详细的理论解释,还附有大量Matlab/Simulink代码片段,便于读者进行实践操作。同时,针对一些常见问题给出了实用的调试技巧,有助于提高仿真的准确性和可靠性。
### 使用TensorFlow计算与三好学生评选或评价体系相关的权重值 对于涉及多因素综合评判的问题,如三好学生的评选,通常涉及到多个评估指标。这些指标可能包括学业成绩、社会活动参与度、品德表现等多个方面。为了利用TensorFlow来构建一个能够自动学习并调整各评估标准之间相对重要性的模型,可以采用一个多层感知机(MLP)架构来进行建模。 考虑到该问题是关于对学生进行全面素质评定的任务,这属于典型的监督学习范畴内的回归或多分类问题之一,具体取决于最终输出的形式——如果目标是预测具体的分数,则视为回归;若是划分成不同等级则为多类别分类[^1]。 #### 构建模型 首先定义输入特征向量`X`,它包含了所有用于衡量学生成绩的因素,比如考试成绩、课外活动评分等。接着设定标签`Y`表示期望的结果,即是否被评为三好学生或是其对应的具体得分。之后创建一个多层神经网络,在这里选用两层隐藏层作为例子: ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout model = Sequential([ Dense(64, activation='relu', input_shape=(input_dim,)), # 输入维度需根据实际数据集确定 Dropout(0.5), Dense(32, activation='relu'), Dropout(0.5), Dense(output_units, activation='softmax') # 输出单元数量依据任务性质决定 ]) ``` 此处假设最后一层采用了Softmax激活函数,适用于当输出为离散型变量的情况,例如将学生划分为几个不同的荣誉级别。如果是连续数值类型的输出,则应选择其他合适的激活方式,像线性激活函数。 #### 编译与训练模型 编译阶段指定了损失函数以及优化算法的选择,这对于指导模型参数更新至关重要。针对三好学生这样的分类问题,交叉熵常被用来测量预测分布和真实分布之间的差异程度。而对于回归类问题,则更倾向于均方误差(MSE)这类度量准则。 ```python model.compile(optimizer='adam', loss='categorical_crossentropy' if classification else 'mse', metrics=['accuracy'] if classification else ['mae']) history = model.fit(X_train, Y_train, epochs=epochs_num, batch_size=batch_sz, validation_split=val_ratio) ``` 通过上述过程中的反向传播机制,TensorFlow会自动调整每一层内部连接上的权值大小,从而使得整个系统的性能达到最优状态。在这个过程中形成的那些最终权重就反映了各个影响因子在整个决策流程里所占的重要性比例。 #### 提取权重 一旦完成了模型的训练,就可以访问每层内含有的可训练参数,进而获取到想要了解的重要系数。对于Dense层而言,可以通过`.get_weights()`方法获得当前层所有的权重矩阵W及其偏置项b。 ```python for layer in model.layers: weights, biases = layer.get_weights() print(f"Weights shape {weights.shape}, Bias shape {biases.shape}") ``` 以上就是基于TensorFlow框架下实现对类似于三好学生这样复杂对象进行量化评估的方法概述,并展示了怎样从中提取出具有解释意义的关键权重信息。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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