调查:月薪低于3万新台币的台湾男性 近半数未婚

中新网1月23日电 据台湾“中央社”报道,台湾“中央研究院”副研究员林宗弘2019年1月23日表示,根据调查发现,低薪明显冲击民众进入婚姻的意愿,尤其男性如果月薪低于3万元(新台币,下同)者,有48.39%是未婚的状态。

据报道,台湾科技部门2019年1月23日举行“社会变迁调查研究,台湾30年社会变化”研究成果发表记者会。

台“中研院”社会学研究所特聘研究员傅仰止称,台湾社会变迁基本调查计划是从1984年起推动,历经34年的调查研究,成功完成访问的样本人数为125000多人。傅仰止表示,变迁调查的访问主题涵盖家庭、教育、社会阶层与社会流动、传播、文化价值、人际关系及社会网络等多方面。

本次的调查发现,薪资明显冲击民众进入婚姻的意愿,台“中研院”社会学研究所副研究员林宗弘表示,根据调查,台湾薪资多半集中在2万元到3万元,但1997年时未婚人数仅18.55%,2017年时则已经攀升到35.54%。

林宗弘称,调查中也发现,不论是过去还是现在,男性未婚状态都比女性高,尤其月薪低于3万元以下的男性,在2017年有高达48.39%是属于未婚状态,远远高于女性的24.11%。

林宗弘认为,会造成这样的结果,有可能是因为经济分配及薪资提升较为缓慢、房价高以及女性薪资上升等都有关联。

傅仰止说,调查中还发现,婚后是否要跟长辈同住的观念随着时间有所变化。他指出,1990年时有54.6%的民众认为应该要住在男方家,但2015年时仅剩27%的民众认为应该要住在男方家。

傅仰止表示,反而是自己找地方住的比例,从1990年的30.4%攀升至48.2%,显示观念正在逐渐改变。

对于离婚的观念,30年来也大有不同。傅仰止说,1984年时只有11.7%的民众认为,“因夫妻不和而离婚”没有错,但到了2015年,已经有高达61%的民众认为“因夫妻不和而离婚”没有错。

不过也有些传统观念仍然深植于台湾民众的心中。傅仰止称,不论是过去或现在,都还是有超过50%以上的民众认为“为了传宗接代,至少要生一个儿子”。

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