网络应用程序的负载平衡问题

在现今网络时代,通过网络寻找信息的需求量越来越大,在网络节点上的服务器需要有相当的负载能力,而且越来越多的情况下还需要通过几台服务器来共同完成对需要的应答任务。介绍了一种多服务器共同负载并平衡工作的技术——负载平衡。首先概要性地描述了负载平衡的原理,并按照软件应用的执行过程,从软件层次至硬件平台,自上而下的顺序将常见的负载平衡方法分为软件级负载平衡、网络级负载平衡、硬件级负载平衡,并简明扼要地说明了各种负载平衡的使用范围、实现代价、可扩展性与及总体优缺点。     

事业与营业:胡政之媒介经营理念略论

在军阀割据、外忧内患的年代,胡政之经营的《大公报》,既坚持了新闻事业的理念,也使报纸有了赢利,兼顾了文化事业的营利性和非营利性。胡政之操守报业的报格,将报纸营业当事业来做,具有“做大事业”的长远目光,其过人的洞察力,复合型的才智和为事业奋斗的精神,是经营《大公报》成功的关键。     

Relations between intelligence and the development of metaconceptual knowledge

Across two studies, we developed and tested a declarative metacognitive interview to investigate the effects of developmental level and verbal intelligence on children's metaconceptual understanding of processes related to concept use and object categorization. Metaconceptual knowledge developed throughout elementary school, with near ceiling scores for adults. IQ scores correlated positively with metaconceptual interview scores for all groups of children. Study 2 confirmed a relationship between scores on the metaconceptual interview and performance on a Twenty Questions task for which strategic performance was presumed to depend on such knowledge, though metaconceptual knowledge was most important when IQ was lower. Implications for theory development and hypotheses about how metaconceptual knowledge develops are discussed.     

高等教育质量管理:知识的视角

本质上,大学是一个生产、传播与应用高深知识的地方,但在实践中大学并不重视对于高深知识的管理,更没有将知识管理作为大学管理的一种有效手段.在质量危机的大背景下,高等教育领域实施质量管理已经势在必行,但是对于如何进行质量管理,如何建立适合于大学的高等教育质量管理体系仍然没有明确结论.结合大学组织特性以及当前质量管理理论的最新进展,在高等教育领域通过质量管理改善大学组织绩效的核心问题就是如何有效地在大学内部实行知识管理.大学如果要从传统组织转变为质量组织,知识管理是不可缺少的手段.     

基于个人平衡计分卡的职能部门员工绩效管理有效途径探讨

分析了员工绩效管理的现状,在战略人力资源范式下的绩效管理体系特征的指导下,创造性地开发了个人平衡计分卡:①设计个人战略地图;②设计个人计分卡;③设计个人绩效责任书;④个人平衡计分卡的运行。以此改善企业在员工绩效管理中战略导向不足、激励驱动不足和绩效管理循环的不规范和缺失等存在的主要问题。     

同构型知识基础合作研发伙伴的优势

在专利竞赛的压力下,企业普遍选择知识基础多元化、网络化路线。基于汽车产业1999—2010年专利数据和负二项混合回归模型的实证研究表明,企业自身知识基础多元化与创新产出正相关,而自身知识基础网络密度与创新产出负相关;合作研发伙伴知识基础多元化正向调节自身知识基础多元化,合作研发伙伴知识基础网络密度正向调节自身知识基础网络密度。同构型合作研发伙伴有利于企业自身吸收能力的释放,对于提升其创新产出更有优势。     

关于我国智库人才创新管理与培养的研究

通过文献分析法、实证分析法对国内外的智库及智库人才发展现状进行分析研究。目前我国智库人才方面存在以下几个问题:第一,智库人才学科背景、研究方向、工作经历等相对单一;第二,智库人才配置上缺少明确分工设置;第三,缺少智库人才的培养机制及交流平台;第四,智库人才聘用机制不够灵活。结合国内外智库人才配置情况,提出六点建议:(1)优化智库人才结构,建立具体分工机制;(2)打造学科专业多样化的智库人才队伍;(3)搭建人才交流平台;(4)创新智库人才管理机制及聘任机制;(5)完善智库人才评价体系;(6)设立知识库等专门的信息采集部门。以期能够实现我国智库人才的创新管理与培养,促进智库发展及建设,更好地解决我国各方面发展改革中所面临的问题。     

现代设备管理趋势初探

本文通过对目前设备管理的新要求的总结,阐述了现代设备管理加入了更多的服务理念,更切近企业业务的发展趋势。现代设备服务管理将在整合服务资源和企业业务,提高企业设备管理和运营的能力和水平,引导组织高效和有效地使用技术,让既有的设备资源发挥更大的效能。     

组织内知识共享信任机制的发展路径和改善方法研究

随着全球化、网络化经济的出现,知识管理越来越受到重视。然而在知识管理的实践过程中,还缺少对组织内知识共享信任机制的深入研究。本文在前人对知识共享和信任机制研究的基础上,从“质”的角度——信任形式和“量”的角度——信任半径分析出组织内知识共享信任机制的发展路径,并在此基础上从组织制度和组织文化两个角度提出具体的改善方法,用于改进组织知识共享行为,提升企业的知识管理实践能力。     

Fake news detection via knowledgeable prompt learning

The spread of fake news has become a significant social problem, drawing great concern for fake news detection (FND). Pretrained language models (PLMs), such as BERT and RoBERTa can benefit this task much, leading to state-of-the-art performance. The common paradigm of utilizing these PLMs is fine-tuning, in which a linear classification layer is built upon the well-initialized PLM network, resulting in an FND mode, and then the full model is tuned on a training corpus. Although great successes have been achieved, this paradigm still involves a significant gap between the language model pretraining and target task fine-tuning processes. Fortunately, prompt learning, a new alternative to PLM exploration, can handle the issue naturally, showing the potential for further performance improvements. To this end, we propose knowledgeable prompt learning (KPL) for this task. First, we apply prompt learning to FND, through designing one sophisticated prompt template and the corresponding verbal words carefully for the task. Second, we incorporate external knowledge into the prompt representation, making the representation more expressive to predict the verbal words. Experimental results on two benchmark datasets demonstrate that prompt learning is better than the baseline fine-tuning PLM utilization for FND and can outperform all previous representative methods. Our final knowledgeable model (i.e, KPL) can provide further improvements. In particular, it achieves an average increase of 3.28% in F1 score under low-resource conditions compared with fine-tuning.