被歧视?那些拼命考上研的二本学生,后来怎么样了?

f89aa7b27e4110399fa59f810adfcd70.jpeg

每当毕业季来临,各大媒体便充斥着“史上最难就业季”即将降临的各类报道,而一部分毕业生更是陷入了毕业即失业的尴尬处境。

据教育部的统计数据显示:2024 届全国普通高校毕业生的规模预计达到1179万人,较去年增加21万人。

27dc34163ee62c107e34d3559fcae1be.png

*图片源于网络

虽然毕业生依然处于增长的态势,但是根据近三年的数据可以看到,毕业生的增幅出现了大幅下降。

小研认为:25考研人数可能会继续下降或仅有小幅增长。随着扩招的持续,考研可能不会那么卷了。

bb50800db4109b570a468546273acb1d.png

*数据汇总于网络

随着大学的扩招,不论是本科生还是硕士、博士,都变得更加普遍。历年考研的同学中,也不乏因为“难就业”、“职业规划迷茫”等原因选择继续深造。

根据中国教育在线的调查显示,这数百万的考生中有80%左右的同学本科都是来自双非高校。

双非高校中,人数最多当属普通二本的考生,也是考研的绝对主力。并且他们的“二战”、“三战”甚至“四战”率也是非常高的。

而在现实生活中,越来越多的用人单位开始关注第一学历,“十个证书比不过一个985学历”的现象在现实之中时有发生。

那么,普通二本为什么要拼命考研?他们考研到底有多难?

01

普通二本考研上岸有多难

每个同学考研肯定都是有自己的目的,普通二本的同学们也是如此。

近几年研究生持续扩招,可能有人会说“现在研究生都烂大街了、研究生学历贬值、含金量下降了”等等,并且就算考上研究生,也不一定能找到非常好的工作。

但对于大部分的普通二本同学来讲,考研虽说不是唯一的选择,但是如果想有更好的发展、有更足的底气,考研或许就是最好的选择和出路了

但普通二本考研真的很难,有的同学还没开始,就被周围人劝退、没信心👇

4d038f12e8cf9088906e5d0f6e85e422.png

*图源网络

虽然总能看到“普通二本成功上岸北大”、“双非一战上岸985”等经验贴,但毕竟是少数。

普通二本的考研成功率其实并不高👇

b2425612366aaa15f2a7ebdeb2014749.png

*图源网络

而那些成功上岸的普通二本生,都是拼了命学出来的👇

0b6c8cfe40017d89e9e414c448c80406.png

*图源网络

59bcd71fd33b5a99d0a1826dd91ec211.png

*图源网络

但是小研想说:虽然考研很“卷”,但考研从某种程度上来说是最公平的了!

不管你二本也好,211/985也罢,大家用的都是同一套卷子,其实只要方法正确,肯坚持到底,考研真的没什么。

02

普通二本考研面临什么

之前曾经看到一条关于考研的热门帖:双非二本选择985院校,真的现实吗?

再去回看时,这条帖子的浏览量已经接近90万。

09efb66dadedebc4eff96cccce26e3a0.png

在回答「二本双非上岸985是否现实」这个问题之前,我们先来看看这群考研人面对的实际情况如何:

现实1:

二、三本、专科生考名校并不容易

有人说高考定终生,但它只是一个分岔路、一道通往不同方向的起点。不同的分数把不同的人导向不同的轨道,复读、考上名校,普通本科、专科······考研会让不同轨道的人,在未来出现交叉点。

而现实中的阻碍也不可回避,有些高校的“本科歧视”就成了一道隐形门槛。

现实2:

努力≠能考上名校

暂且不考虑“名校光环”这件事,单就学习环境和专业相关实践经验,比起985、211院校的资源就相差很多,这也是不能回避的现实。

有时候付出了更多的努力,在初试考了高分,但复试这一关确实也很难过。

现实3:

上名校,多付出的努力难以计量

虽然努力不代表能得到理想的结果,但在那么多普通双非、专科生上岸985、211的同学身上,可以看到勇气、坚持、毅力和超乎常人的自律品质,这些同时也可以成为你“逆袭”的资本。

既然起点低,那就拼上比别人多十倍的努力,敢拼才可以看见希望。

其实,这里想表达的是:

千万不要因为“起点低”就觉得自己没有一点机会,犹豫不决最终放弃。

如果你是普通二本,在心里也种下了“考研”这颗种子,那就一起来看看过来人的经验,希望能让你的目标更清晰、内心更坚定!

不可否认,社会上的学历歧视确实存在。

现在的舆论,把第一学历炒得很热,产生了一些比较坏的影响,似乎高考就能“一考定终身”,如果高考没考好,读了个普通本科,即便以后再努力,读了名校的硕士甚至博士,都没什么用。

小研想说:“事实上并不是这样。”

普通本科读了名校研究生,肯定是大有好处的,后面的努力和成长也是非常加分的,不要因此被误导。

如果非要说有差距,比较名校本科+研究生的同学而言,是可能会有一些差距,就业可能会处于劣势而已。 我们无法选择自己的出身,但我们可以改变自己的未来;我们或许无法改变世界,但我们至少应该努力,去改变我们希望改变的际遇。

比不上那些天才少年,但可以有付出十倍、几十倍努力的决心;没有一部分人所谓的“时运”,但当机会就在手边时,也有把握住它的实力。

如果你在心里也种下了这颗种子,希望小研给到的建议,能让你的目标更清晰、内心更坚定👇

03

普通二本到底应该怎么努力

❤️不轻易看轻自己

不因为本科院校而自卑

很多二本出身的同学觉得自己“实力弱”,担心自己学习能力差,考研考不上;担心本科院校等级影响目标院校录取结果;担心由于院校原因导致自己没有能拿得出手的科研成果……

但是,能否考上研关键在于自身的毅力,在于你能不能坐的“稳”凳子。

因为本科院校而自卑、妄自菲薄,在复习过程中瞻前顾后,左顾右盼等等,这些都是考研的大忌讳。考研是水到渠成的事情,功到自然成。没到结束的时候想太多都是负担哦。

❤️切忌好高骛远

不盲目追捧名校光环

很多二本的小伙伴,为了减少本科学历不足的限制,想进入更好的院校更好的专业本无可厚非。但是很多小伙伴一不小心就踩了“随波逐流”的坑,在没有了解自己实际情况的条件下,就盲目的选择了热门的院校和热门专业。虽然热门院校热门专业很“吃香”,二本上岸也有不少先例。

但是考研这件事情好的选择其实更加重要,正确的院校和专业的选择其实就已经加大了成功的几率。二本的小伙伴们在择校择专业的时候一定要慎重噢,注意避坑。

❤️学会循序渐进

不急功近利,操之过急

普通二本院校的师资力量、课程安排与一本、985、211院校还是存在些差异的。考研主要考的是数学英语政治和专业课,不过,英语和政治的学习可能跟本科的师资关系比较小。

二本同学的基础相对要稍微薄弱一些,所以在准备考研的时候大多容易焦虑、慌张。

但是考研的复习是讲究方法的,基础薄弱也要注意循序渐进,“一口吃成大胖子”是不可取的,一定要注意消化,及时复盘和总结,把基础水平提上去~

❤️经验帖有用

但不要过于迷信、依赖

“经验贴都是别人的经历”,虽然我们从别人的经验贴里也能学到很多东西,但还是要慎重参考经验贴。

在不考虑自身情况的前提下盲目效仿都是不可取的,经验贴使用不好,很有可能误导小伙伴们,经验贴是仅供参考的,不要偏信噢~

努力的人从来都不该被嘲讽

努力向上的人才能看到更远的光

记得脚下的这一步将是你蜕变的起点

人生从来不是“简单模式”

上岸的路也需要一步一个脚印踩出来

来源于网络

e86da3b9ac97f872ba3e6c25438d6f2f.jpeg68c3c522879d646c5dabde685c3afb5b.jpeg

aad392cb8c10814f0872cf456c4f2445.jpeg

35698fcfe56aa770c8e724316f00e44f.jpeg

b8956899f4c91da311dd2328eab3de8a.jpeg

您还可以在以下平台找到我们

6beaea749ac6ea25ffb45b2c8c02db65.jpeg

c7ba42eef43ee730f39ce64ea4364b24.jpeg

9a97be6d03ef1df12e3d3a5862e42021.jpeg

a71c9819942c4cc66c499ad40fb45bbf.jpeg

你点的每个在看,我都认真当成了喜欢717024420c3804c5ae768dd196ee215d.png

### 人工智能中的歧视定义及产生原因分析 #### 人工智能中的歧视定义 在人工智能领域,歧视通常指算法或模型在决策过程中表现出对某些特定群体(如性别、种族、年龄等)的偏见或不公平对待。这种现象可能导致某些群体受到不利影响,而其他群体则获得不适当的优势[^1]。例如,在招聘系统中,如果模型倾向于选择男性候选人而非女性候选人,则表明该系统存在性别歧视。 #### 歧视产生的原因分析 人工智能中的歧视现象主要由以下几个方面的原因引起: 1. **训练数据中的偏差** 训练数据是构建机器学习模型的基础,如果训练数据本身包含偏差,那么模型很可能会继承这些偏差并将其放大。例如,如果训练数据中某一特定性别或种族的样本比例过高,模型可能就会偏向于对该群体做出更积极的预测[^1]。 2. **特征选择与处理不当** 在数据预处理阶段,如果选择了具有潜在偏见的特征(如性别、种族等),或者未能正确地对这些特征进行去偏处理,也可能导致模型产生歧视性结果。此外,特征工程中的错误操作可能会无意间引入新的偏见[^1]。 3. **算法设计缺陷** 某些算法的设计可能本身就存在局限性,无法有效应对复杂的社会背景和伦理问题。例如,某些分类算法可能过于关注最大化整体准确率,而忽视了不同子群体之间的公平性差异[^1]。 4. **模型评估不足** 如果在模型开发过程中缺乏对公平性和偏见的全面评估,可能导致模型上线后出现意想不到的歧视行为。因此,需要在多个维度上测试模型的表现,包括但不限于不同人口统计学特征下的表现一致性[^1]。 5. **社会和技术因素交织** 歧视现象不仅仅是技术层面的问题,还与社会文化背景密切相关。例如,历史上的社会不平等现象可能会通过数据反映到AI系统中,从而进一步强化现有的社会偏见。 ```python # 示例代码:展示如何检测模型是否存在性别歧视 import numpy as np from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score # 假设我们有一个简单的二分类任务,目标是预测是否录用某人 X = np.array([[0, 25], [1, 30], [0, 35], [1, 40]]) # 特征:[性别, 年龄] y = np.array([0, 1, 0, 1]) # 标签:是否录用 # 构建逻辑回归模型 model = LogisticRegression() model.fit(X, y) # 测试数据 X_test = np.array([[0, 30], [1, 30]]) y_pred = model.predict(X_test) print("预测结果:", y_pred) ``` 上述代码展示了如何使用逻辑回归模型进行简单预测,并可以通过分析预测结果来判断模型是否存在性别歧视。 #### 解决歧视问题的策略 为了解决人工智能中的歧视问题,可以从以下几个方面入手: - 改进数据收集方法,确保训练数据尽可能平衡且无明显偏差。 - 在特征工程阶段去除敏感属性(如性别、种族等),或者对其进行匿名化处理。 - 开发更加公平的算法,考虑不同子群体的需求和利益。 - 加强模型评估环节,引入公平性指标作为评价标准之一。
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