为什么那些会倾听的人,后来都成功了

131 篇文章 1 订阅
124 篇文章 7 订阅

摘自PM圈子网

大多数项目经理都觉得自己在倾听方面已经做的很好了,但实际上,作为一个倾听者,你所做的可能并不像你想象的那么好。如果你进一步提高自己的倾听技能,你的管理技能也会迈上一个新的台阶,你距离事业成功的目标也就越来越近了。

学会倾听远远比大多数人想象中的要困难,因为倾听的能力和读写能力一样,是要通过后天的努力才能够获得的。对于IT经理来说,倾听技能可能是自己应该学习的最有价值的一项技能。不管你对技术有多么的精通,组织能力有多强,如果你不能弄清楚上级的要求和员工的意见,你都不能成为一个有效的领导者。

个案研究

1979年,在圣保罗麦卡利斯特学院担任交际语言学教授的Steil(国际交流协会的创始人)和他的同事们受雇于一家广告公司,在广告当中融入倾听的主题。该公司希望Steil和他的同事们能够在这个问题上提供一些深刻而独到的见解。

而Steil向该公司提出的第一条建议就是,公司的员工必须首先学会倾听的技能。在接下来的五年当中,Steil帮助该公司培训了数千名管理人员,在接受了培训之后,这些管理人员又接下去对自己手下的员工进行培训。最后,该公司的四万四千名员工都了解了倾听的原则,而这又是公司最终能够在商业上取得巨大成功的关键原因之一。

专注倾听

在培训的过程当中,他首先应用自我评估工具帮助参加者了解他们作为一个倾听者的优势和不足。接下来,Steil会向大家传授倾听的基本概念和原则,并且同大家就倾听的方式进行探讨。对大多数参加者的培训主要都集中在四个技能领域:

•感觉:你是否听清了别人所说的话?

•解释:你是否理解了别人所说的话?

•评估/判断:你接受还是拒绝别人的意见?

•反馈:你是否通过与别人的交谈而采取了最终的行动?

Steil还要求每一个参加培训的管理者列出自己生活当中最重要的二十五个人的名字,并且对这些人进行分类,再从中选出最最重要的五个人。参训人员在检查自己所列出的名单时都会发现,他们对自己生活当中最最重要的五个人的倾听根本就不够。对此,Steil表示,与这些人建立亲密的联系是成为一个优秀的倾听者的第一步。

Steil有一个女客户是公司的副总裁,她的上司,也就是公司的CEO经常抱怨她是一个差劲的倾听者。当Steil让她列出自己生活当中最重要的二十五个人的时候,她没有把CEO包括在内。因为她下意识地并没有把CEO看成是自己生活当中最重要的人之一,所以她就不会好好的倾听CEO的意见,尽管CEO会对她职业生涯的发展产生非常重要的影响。在接受了培训之后,她决定定期同CEO进行一对一的交流。没过多长时间,CEO就对她的进步大加赞赏,并且很快就给了她两次升职的机会。

如何成为积极的倾听者?

只要愿意付出时间和精力,所有人都可以成为一个有效的倾听者。在倾听上出现问题,一个首要的原因就是重视不够——大多数人都没有意识到倾听是一个过程,这个过程围绕着明确的目的。

了解另外一方的意图,并且使双方的共同目标协调一致是倾听者应该担负的责任。换句话来说,在得到自己想要或者需要得到的信息之前,你可能必须要闲谈,进行一些并不重要的谈话,不管在别人说话的时候你多么想离开。

IT经理们总是觉得自己没有时间去闲聊,这实际上是一个大错误。即使是有选择性的倾听也是一个问题:有些人在自己感兴趣的问题上听的认真,而对另外一些问题则什么都听不进去。要知道关注他人的情感和干扰因素,这是非常重要的。倾听者必须能够抛开各种感情因素和干扰因素,了解这些因素会对自己的倾听能力造成的负面影响。

Steil说:“在技术世界中,很多人所抱有的错误观点都对他们十分不利。好的倾听者能够对各种干扰因素作出判断,并且尽可能的排除干扰。如果有什么问题没有听清楚,好的倾听者会花时间去弄明白”。

倾听的技巧与资源

尽管有大量的图书、音像制品和各种各样的论坛可以帮助管理者提高倾听的技能,在开始学习的过程之前,管理者还可以向自己提出一些非常简单的问题:

•想想倾听在自己的生活当中所扮演的角色——它到底有多重要?

•作为一个倾听者,你对自己的评价如何?

•你在倾听方面的优势和不足是什么?

•在你的生活当中有没有人为你树立了很好的倾听榜样?

•你从这些榜样身上能够学到什么?

在对自己的倾听能力倾向进行评估时,你应该先评估一下自己的倾听习惯是好是坏。这些坏习惯包括:

•打断说话人

•眼睛不看说话人

•催促说话人,让他们觉得自己是在浪费你的时间

•对谈话之外的某件事显示出兴趣

•抢话,打断说话人的思路

•对说话人的要求没有反应

•总是说:“是,但是…”,在说话人把话说完之前就显示出自己有不同的意见。

•在倾听的过程当中总是说“这让我想起了”或“这没什么,我告诉你...”

•忘了说话人先前谈到过的内容

•询问太多的细节问题

了解自己的倾听习惯到底是好是坏确实是改进自己的倾听技能,加强与他人的交流的第一步。它会对IT经理职业生涯的发展和整个小组的成功起到双重的帮助作用。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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