天下彩票下载app - 天下彩票代理

公费师范毕业生“全部落实岗位”意味着什么******

　　如何做好2023届教育部直属师范大学公费师范毕业生就业工作？近日，教育部发布通知指出，各省级教育行政部门要持续组织公费师范生专场招聘活动，通过优先利用空编接收等办法，保障符合就业条件的公费师范生有编有岗，全部落实任教学校，严禁“有编不补”。2023年5月底前，确保90%的公费师范生通过双向选择落实任教学校。

　　“全部落实岗位”，教育部通知中的这句表述，让人眼前一亮。这是公开承诺，也是主动加压。受疫情冲击等因素影响，高校毕业生就业确实面临较大压力，以至于常听到有人感叹遭遇“最难就业季”。在这一背景下，教育部直属师范大学公费师范毕业生能够获得特别关注，体现了国家对师范教育的重视。

　　也许有人会问：2023年5月底前，确保90%的公费师范生通过双向选择落实任教学校，那剩下的10%怎么办？其实，相关通知说得很清楚，2023年6月底仍未签约的公费师范生，其档案、户口等迁转至生源所在地省级教育行政部门，由各省级教育行政部门会同有关部门统筹安排到师资紧缺地区的中小学校任教，公费师范生离校前须全部落实任教学校。换言之，他们的就业同样有出路，每个人都会找到用武之地。

　　稍加回顾可知，做好公费师范毕业生就业工作并非偶一为之，也不是今年独有的制度设计，而是已经实施多年的制度安排。早在2018年，《国务院办公厅关于转发教育部等部门教育部直属师范大学师范生公费教育实施办法的通知》就指出，各地要加强组织领导和制度保障，按照建立“动态调整、周转使用”的事业编制省内统筹调剂使用制度有关要求，通过优先利用空编接收等办法，在现有事业编制总量内，妥善解决公费师范生到中小学任教所需编制。

　　此后几年，相关部门连续发布通知，要求做好公费师范毕业生就业工作，贯穿其中的主题始终是善待公费师范毕业生。

　　善待公费师范毕业生，就是善待基层教育。据介绍，这些公费师范生，来自6所教育部直属师范大学。按照协议，他们毕业后一般回生源所在省份的中小学任教。此外，“到城镇学校工作的公费师范生，应到农村义务教育学校任教服务至少1年。”这意味着他们中的相当一部分要到基层去。身为受到良好师范教育的部属师范大学毕业生，他们将所学所知融入基层教育中，带来的积极意义不言自明。

　　基层教育最缺什么？有业内人士坦言，最缺的是优秀教师。努力让每个孩子享有受教育的机会，特别是让乡村孩子享有更公平的教育，他们才能更好获得发展自身、奉献社会的能力。而对于那些富有才华的公费师范毕业生来说，他们带着责任扎根基层，将知识传授给乡村孩子，不仅能够照亮孩子的前程，还能为基层教育生态持续注入活力，从而形成良性循环。

　　此外，国家善待公费师范毕业生，安排他们就业并保证入编入岗，还能增强师范生就读师范、毕业后当老师的自豪感和认同感，进一步激发师范生作为国家公费培养教师的使命感和荣誉感，从而激励更多青年才俊献身师范教育。

　　当然，善待公费师范毕业生，不仅体现在就业“兜底”，还体现在待遇落实等方面。比如，要着力为公费师范生到农村任教提供办公场所、周转宿舍等必要的工作生活条件；再比如，可以把公费师范生履约任教后的在职培训纳入国培计划、省培计划。如此种种，既有利于他们进一步成长，也有利于他们获得应有的职业尊严。

　　教育公平是社会公平的重要基础，让更多优秀教师“下得去、留得住、教得好”，让基层成为免费师范毕业生施展才华的宽广舞台，则教育公平更可期。

　　王石川 来源：中国青年报

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）