لایحه رتبهبندی معلمان در اولویت بررسی صحن علنی مجلس قرار گرفت/ نادران: مجلس و دولت باید درباره رتبهبندی معلمان مشترکا تصمیم بگیرند
تاریخ انتشار: ۲۵ مهر ۱۴۰۰ | کد خبر: ۳۳۴۰۹۷۰۶
نمایندگان با درخواست در اولویت قرار گرفتن لایحه رتبهبندی معلمان در مجلس موافقت کردند. خبرگزاری میزان - درخواست در اولویت قرار گرفتن لایحه رتبه بندی معلمان در دستور کار جلسه علنی امروز مجلس قرار گرفت.
احمد امیرآبادی فراهانی پیرو این موضوع در مجلس گفت: ما برای بودجه ۱۴۰۱ دوماه دیگر ورود کنیم و حتما باید ردیف مشخصی برای این قانون در نظر بگیریم لذا این مسئله باید به سرعت مورد بررسی قرار گیرد و انشالله تکلیف این لایحه مشخص شود.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
وی بیان داشت: در حال حضار درباره ماهیت لایحه بحثی نداریم و انشالله به موقع به این مسئله ورود پیدا میکنیم. پیشنهادات خوبی درباره این لایحه در حال حاضر موجود است. ما هرچقدر در آموزش پرورش هزینه کنیم تبدیل به سرمایه خواهد شد.
الیاس نادران در مخالفت با در اولویت قرار گرفتن لایحه رتبه بندی معلمان در مجلس گفت: در عین ضرورت این لایحه، باید بار مالی ناشی از آن هم پیشبینی شود. وقتی لایحه ۱۴۰۰ بررسی میشد دوستان آمدند و گفتند رتبهبندی تکلیفش روشن است و یک مبلغی را پیشنهاد دادند و آن مبلغ در بند (و) جا گرفت و قرار شد که معادل آن برنامه داشته باشند.
نادران بیان داشت: با این حال امروز صحبت از بار مالی دهها برابر آن چیزی است که در بند (و) آمده است؛ اگر ما بار مالی آن را مشخص نکنیم، اگر ما محدوده اختیار آن را مشخص نکنیم نتیجه چه خواهد شد؟ نتیجه این خواهد شد که وعده خواهیم داد و آن مشکلاتی که سر اعضای هیئت علمی دانشگاه آمده، مجددا تکرار خواهد شد.
وی بیان داشت: خواهش من این است امروز که دولت و مجلس همراه هستند اول برآوردها را در این زمینه یکسان کنند، تا معلوم باشد که محدوده آنچه که تصمیم گیری خواهیم کرد چه خواهد بود و این مسئله به رتبهبندی و بازنشستگان هیچ ارتباطی ندارد.
این نماینده مجلس اظهارداشت: خواهشم این است که مجلس و دولت با هم در این زمینه تصمیم بگیرند و به تصمیم جامع برسند که هم ابعاد اجتماعی و هم مالی آن دیده شود و در نتیجه جمعی در این زمینه تصمیم گرفته شود.
وی بیان داشت: اگر ممکن است دولت لایحه را پس بگیرد لذا باید بار مالی و حدود تامین مالی آن روشن شود؛ باید در این زمینه مشترکا تصمیم بگیریم این عجله کردنها باعث میشود تا ما یک تصمیمی بگیریم و عملیاتی نشود و یک مطالبهی را در کشور ایجاد کنیم و چندین میلیون نفر را از عزیزان فرهنگی و خانواده هایشان را در مقابل نظام قرار دهیم و با یک تصمیم کلیت نظام اقتصادی کشور آسیب ببیند.
نهایتا نمایندگان با ۱۶۸ رای موافق و ۶۴ رای مخالف و ۶ رای ممتنع با درخواست در اولویت قرار گرفتن لایحه رتبهبندی معلمان موافقت کردند.
ادامه دارد ... برچسب ها: مجلس شورای اسلامی مجلس یازدهم
منبع: خبرگزاری میزان
کلیدواژه: مجلس شورای اسلامی مجلس یازدهم اولویت قرار گرفتن لایحه رتبه بندی معلمان لایحه رتبه بندی معلمان بار مالی خواهد شد
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.mizan.news دریافت کردهاست، لذا منبع این خبر، وبسایت «خبرگزاری میزان» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۳۴۰۹۷۰۶ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
انسانها سوگیری یادگیری ماشینی را بیشتر از سوگیری خود تشخیص میدهند
یک پژوهش جدید نشان میدهد که افراد سوگیری تصمیمهای الگوریتم یادگیری ماشینی را بیشتر از سوگیری تصمیمهای خودشان تشخیص میدهند. شاید بتوان از این ویژگی برای اصلاح سوگیریهای انسان استفاده کرد.
به گزارش ایسنا، از برنامههایی که تماشا میکنیم تا افرادی که استخدام میکنیم، الگوریتمها به طور فزایندهای در زندگی روزمره ما ادغام میشوند و بیسروصدا بر تصمیمهایی که میگیریم اثر میگذارند.
به نقل از ادونسد ساینس نیوز، هسته الگوریتمها، مجموعهای از قوانین یا دستورالعملهاست که برای پردازش اطلاعات و به دست آوردن یک نتیجه خاص طراحی شدهاند اما از آنجا که الگوریتمها از الگوهای رفتاری انسان یاد میگیرند، میتوانند سوگیریهایی را که درون ما وجود دارند، منعکس یا حتی تقویت کنند. با وجود این، یک پژوهش جدید نشان میدهد که این ممکن است زیاد بد نباشد.
«کری موروج»(Carey Morewedge) استاد «دانشگاه بوستون»(Boston University) معتقد است که این بازتاب میتواند نقاط کور سوگیری ما را روشن کند و در اصلاح رفتار نقش داشته باشد. الگوریتمهای یادگیری ماشینی بسیار موفق هستند زیرا میتوانند بیطرفانه الگوها را در مجموعه دادهها پیدا کنند اما در عین حال، سوگیریهای انسانی را نیز در دادههای آموزشی خود لحاظ کنند.
هنگامی که این سوگیریها در الگوریتمها شناسایی میشوند، میتوانند به آشکارسازی سوگیریهای بلندمدت در سازمانها کمک کنند. به عنوان مثال، شرکت «آمازون»(Amazon) سوگیری جنسیتی را در شیوههای استخدام خود بررسی نکرده بود اما با آزمایش یک الگوریتم که رزومههای جدید را براساس شیوههای پیشین استخدام شرکت ارزیابی میکرد، به این موضوع پی برد.
موروج گفت: الگوریتمها میتوانند سوگیریهای انسانی را کدگذاری و تقویت کنند اما سوگیریهای ساختاری را نیز در جامعه ما نشان میدهند.
انسانها سوگیریهای خود را تشخیص نمیدهند
موروج و گروهش در پژوهش خود نشان دادند که افراد معمولا تمایل بیشتری را به تشخیص دادن و تصحیح کردن سوگیریهای موجود در تصمیمگیری الگوریتم در مقایسه با تصمیمگیری خودشان دارند. آنها باور دارند که با دانستن این موضوع ممکن است بتوان از الگوریتمها برای رسیدگی به سوگیریهای موجود در تصمیمگیریها استفاده کرد.
انسانها به دلیل پدیدهای به نام «نقطه کور سوگیری»، برای دیدن سوگیری خود تلاش زیادی نمیکنند و بیشتر متوجه سوگیری افراد دیگر هستند. دلیل این است که ما میتوانیم در فرآیندهای تصمیمگیری خود، سوگیری را توجیه کنیم یا برای آن بهانه بیاوریم. برای ناظری که هیچ اطلاعاتی درباره فرآیند فکری یا چگونگی تصمیمگیری ندارد، سوگیریها واضحتر و بهانهجویی دشوارتر است.
موروج و همکارانش در این پژوهش نشان دادند که حتی وقتی الگوریتمها براساس رفتارهای ما آموزش داده میشوند نیز این موضوع صادق است.
تشخیص دادن سوگیری در الگوریتم سادهتر است
پژوهشگران در یک مجموعه آزمایش، از شرکتکنندگان خواستند تا سرویس «ایربیانبی»(AirBnB) و رانندگان «لیفت»(Lyft) را براساس معیارهای تشخیصی مانند تعداد ستارهها، ارزیابیها و مدت زمان حضور داشتن کنار راننده رتبهبندی کنند.
پژوهشگران معیارهای غیرتشخیصی مانند تصویر یا نام را که هیچ ارتباطی با کار ندارند، دستکاری کردند. شرکتکنندگان دو بار رتبهبندی را انجام دادند و سپس، رتبهبندیهای آنها یا رتبهبندی الگوریتم آموزشدادهشده نشان داده شد.
گاهی اوقات رتبهبندی خود شرکتکنندگان به آنها نشان داده میشد اما به آنها گفته میشد که رتبهبندی الگوریتم است. در همه سناریوها، شرکتکنندگان در مقایسه با الگوریتمها سوگیری کمتری را در رتبهبندیهای خود مشاهده کردند.
موروج گفت: مردم وقتی معتقدند که رتبهبندیها توسط یک الگوریتم انجام شده است، تمایل بیشتری به سوگیری دارند. این در حالی است که ما در واقع الگوریتم را روی دادههای آنها آموزش میدهیم و رتبهبندی الگوریتم براساس آن دادهها صورت میگیرد.
وی افزود: این به این معنا نیست که مردم انواع بیشتری از ویژگیها را در الگوریتمها میبینند، بلکه چیزهایی را میبینند که برای خودشان تهدیدکنندهتر است. بیشتر مردم نمیخواهند از نژاد در رتبهبندیهای خود استفاده کنند یا میخواهند نژاد را در آن رتبهبندی نادیده بگیرند. بنابراین، این ایده که نژاد بر آن رتبهبندیها تأثیر گذاشته، تهدیدکننده است.
در نتیجه، از آنجا که سوگیری در یک الگوریتم به عنوان تصمیمگیری ناقص خود ما تلقی نمیشود، دیدن یا اعتراف کردن به وجود آن آسانتر است. به گفته موروج، این یافته دو روش را ارائه میدهد که الگوریتمها به واسطه آن میتوانند به انسان در کاهش سوگیری کمک کنند.
وی افزود: یک روش این است که تصمیمهای خود را جمعآوری کنید و الگوها را ببینید که به شما کمک میکنند تا سوگیری را تشخیص دهید اما هنوز موانعی بر سر راه توانایی ما برای تشخیص دادن سوگیریها وجود دارد. ما انگیزههایی را برای محافظت از خود داریم.
موروج و گروهش با پیروی از این منطق، آزمایش دیگری را انجام دادند تا ببینند آیا احتمال بیشتری وجود دارد که شرکتکنندگان به اصلاح سوگیری در رتبهبندیهای خود یا الگوریتم بپردازند. پس از مشاهده رتبهبندیها، به شرکتکنندگان فرصت داده شد تا سوگیری را اصلاح کنند و احتمال بیشتری وجود داشت که اصلاحاتی را در رتبهبندی الگوریتم انجام دهند. موروج گفت: از آنجا که افراد سوگیری را بیشتر در رتبهبندی الگوریتم میبینند تا خودشان، احتمال بیشتری وجود دارد که رتبهبندیهای الگوریتم را اصلاح کنند.
موروج اذعان داشت که این پژوهش هنوز در مراحل اولیه است اما او روش ملموسی را میبیند که از طریق آن میتوان یافتهها را در آموزش دادن الگوریتم برای جلوگیری از سوگیری در دنیای واقعی ادغام کرد. وی افزود: اولین گام این است که افراد سوگیریهای خود را بفهمند و آنها را ببینند. من فکر میکنم این الگوریتمها، روش سودمندی برای ارائه دادن یک دیدگاه واقعیتر به افراد درباره میزان سوگیری آنها هستند.
این پژوهش در مجله «PNAS» به چاپ رسید.
انتهای پیام