点上方计算机视觉联盟获取更多干货

仅作学术分享，不代表本公众号立场，侵权联系删除

转载于：新智元

AI博士笔记系列推荐

周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接

近期，伴随着高考，围绕教育的许多话题都成为了人们谈论的焦点。

就在这个充满希望的日子里，一桩悲壮的新闻冲击了人们的眼球。

就在前天下午2点，上海杨浦区邯郸路某大学校内发生一起持刀伤人案件。

该校老师姜某（男，39岁）对他的同事王某（男，49岁）割喉，导致王某当场死亡。

事发后，姜某被刑拘，经警方初步审讯，姜某自述因工作关系对被害人怀恨在心，故对其施害。

据消息人士的信息，姜某是该校人才引进人员，六年为期科研任务考核不合格，将面临被解聘，而他的同事也即被害人要代替学院宣布这一决定。

事发后，网上引发了人们对高校青年教师工作和生存压力的关注。

很多人也在讨论，到底是什么情形令一名高校教师掏出血刃，以自己的一生为代价进行报复？

而这背后绕不开的是「非升即走」的高校人才制度。

非升即走

非升即走（up or out）这一制度学自美国，引入国内也有近二十年时间了。

大概的内容就是全面仿照美国制度，招人首先是一个3+3的合同，即首先签订三年合同，三年后中期审核，如果通过则续签3年。

六年后，引进人才需要评上副教授（有些学校是教授），副教授理论上就是终身教职。不能转正副教授就意味着离开。

这也就是美国的tenure（终身职位）制度。

国内希望借此建立「能进能出」的用人机制。

此次案件中的姜某没有通过的就是为期六年的科研任务考核，而未达要求的他即将面临解聘。

2003年北京大学教师职务聘任和晋升制改革是国内高校引入「非升即走」制度的开始。

是年，北大为实现「世界一流」的目标成立了校长为组长的领导小组，起草了人事改革方案，由校党政联席会议通过人事授权，征求各院系、学术委员会和各职能部门的意见后，以「北京大学党政联席会议」名义颁布了该方案。

该方案仿照哈佛大学的教员「分级淘汰制」，将教师职称作为聘任合同类型的依据：教授给予「长期教职」，副教授、讲师为「固定期教职」，规定时间内未能晋升职称者，校方不「低职续聘」。

随后各高校陆续仿照，虽然各校具体办法不同，但强化考核、对固定聘期内未能晋升者不予聘用是共同特点。

不过，国内高校的教师聘任仍处于校方「一言堂」的状态。

美国学术界20世纪通过工会组织维护自身权益的做法在国内并没有出现，美国「非升即走」制度确立过程中，大学教授协会与校方进行了长达五十多年的博弈与妥协，美国大学「放弃了合作型和学院式的学术管理，逐步仿效商业管理模式后」，学术职业工会就「不得不采用集体谈判的方式，必要时采用罢工的手段争取权利」。

而国内高校教师聘任制改革依靠的是「自上而下」的推行，虽然在不到20年时间里完成了合同聘任制的改革，效率不可谓不高，然而，在缺乏「劳资博弈机制」的前提下，教师正当利益诉求可能被掩盖，在固定期限聘任制度下，「学术自由」无法得到充分保障，简单移植美国模式，在我国目前学术传统中难免「水土不服」。

有法律学者评论指出，即便在劳动关系领域，用人单位单方面变更、终止和解除劳动合同的制度设计都慎之又慎，各公立高校敢于签订「非升即走」合同，这也表明高校人事制度改革正向深水区挺进，凸显了高校人事管理机制性障碍。

美国的tenure track

那么美国高校的教职聘任制度怎么样呢？

在美国，大学工作员工可以粗略分成两类：教职员工(faculty)和行政员工(staff)。这里主要谈谈前者。教职工大致又分成两类：有终身制教授(Tenure-track faculty members)与无终身制教工(Non-tenure-track faculty members)。

美国终身教职制度(Tenure-Track)被人形象称为「非升即走」(up-or-out)。

美国大学里真正的教师，即从事教学又从事科研的，只有三种，即助理教授Assistant Professor、副教授Associate Professor和正教授Professor或Full Professor，与终生制挂钩。

还有就是只从事研究的教师，不从事教学的教师，前面加上Research, 即Research Assistant Professor, Research Associate Professor, Research Professor。还有一种叫Adjunct Professor，即兼职教授，讲师(Lecturer)、这些都不与终生制挂钩，而是合同制，即off the Tenure-Track.

评职称首先要有博士学位，而且要做过若干年的博士后研究，才有望被聘为助理教授，助理教授大约5-6年后（各州不同），可提升为副教授。副教授获得永久教授资格，不会被解聘。担任副教授五年左右（各州不同），可被提升为正教授。

而助理教授不是终身教职，所以，任何人在这个职位上3-8年内如果不能升级成为终身教职的副教授（tenure），在一般情况下就必须离开这个职位另谋高就。

从非终身职的助理教授成为终身职的副教授，可以说是拿到了铁饭碗，此后便不必再为职位是否稳定而操心，只要自己愿意，可以在这所大学一直工作到退休，而退休年龄是没有限制的。

只有三种情况终身教职的铁饭碗才可能不保：一是整个系被撤销，二是被发现学术造假、三是与学生恋爱爆出丑闻。

这一制度的好处是，保障了研究人员能够心无旁骛地从事学术研究，堪称学术自由的「压舱石」。

在美国绝大多数大学里，终身职位评审的通过率都非常高，真正严苛的筛选过程往往发生在竞争「助理教授」这一环节。

大学聘任的是认定有潜力在六年后获得tenure的学者，这些人大部分最终能达到tenure标准才是正常的。如果不能通过六年之期的考核反倒会对大学和学者本人声誉产生损害。

而三年的中期考核也是为了保证学者能够通过最终tenure考核，如果差距较大，还会被指出其优劣之处。

如果前三年表现过差，tenure希望渺茫，学校可能会建议此人主动寻找下家，以免最终tenure失败。

当然其中优秀者还可在三年中期考核时提前获得tenure.

美国在多年的tenure制度实验中，取得了很多成功，比如：

正是有了tenure的保障，普林斯顿大学Andrew Wiles才得以花费七年时间攻克「费马大定理」，而不必担心在此期间没有科研产出而被学校解雇。

但也有很多遗憾的例子：

新西兰数学家Vaughan Jones曾在八十年代前期在常春藤盟校宾夕法尼亚大学担任助理教授，但未能获得终身职位，宾大的说法是Jones的科研不够好，但当时Jones已经在算子代数领域做出了划时代的工作。

在宾大的最后一年里，Jones发现了「琼斯多项式」这一全新的纽结不变量，并由此获得1990年的菲尔兹奖。

以Jones日后的成就而言，宾大的tenure对于他来说实在是可有可无。但是，琼斯本人对此似乎怨念颇深。

2020年，在美国数学会发布的对Jones逝世的报道中，连他仅工作过一年的UCLA都提到了，却没有提到他工作四年的宾大。

当然，因为tenure引发的「恶意伤人事件」也一样存在：

2010年，44岁的阿拉巴马大学亨茨维尔分校生物学助理教授Amy Bishop在被拒绝tenure后，开枪打死了包括系主任在内的三名教授，并打伤了另外三名同事。

Bishop把自己的tenure失败归咎于同事们对她的压迫，然而种种迹象表明，这更可能是因为Bishop本人科研水平确实不高。

事后人们调查发现，Amy Bishop在21岁时曾经开枪打死自己18岁的亲弟弟Seth，但Bishop和她的母亲说这是一起事故。

2015年，Bishop认罪，并作出了首次道歉，被判终身监禁。

up or leave

此次高校事件的行凶者姜某曾经留美，回国后曾在苏州大学任六年青教，到了此学校后，还曾获得该高校大学第一届校长奖。

消息人士透露，看过凶手被抓之后的对话视频，可以说，凶手行凶之后非常冷静，是积怨已久的杀人行为，并非激情杀人。

世界上并没有完美的制度，在「up or out」制度下，无数青教备受压制，甚至有人认为这是对他们的PUA，主动权完全不掌握在自己手中。

但有些东西是自己可以控制的，每个人都是能动者，承受这种压力并生存下来，才是紧要的任务。

也许抛开这些焦虑后，会发现还有一种选择：up or leave.

参考资料：

https://mp.weixin.qq.com/s/IQHQk3z79vl56rnpVb6q9Q

https://view.inews.qq.com/a/20210608A0CN4800

-------------------

END

--------------------

我是王博Kings，985AI博士，华为云专家、CSDN博客专家（人工智能领域优质作者）。单个AI开源项目现在已经获得了2100+标星。现在在做AI相关内容，欢迎一起交流学习、生活各方面的问题，一起加油进步！

我们微信交流群涵盖以下方向（但并不局限于以下内容）：人工智能，计算机视觉，自然语言处理，目标检测，语义分割，自动驾驶，GAN，强化学习，SLAM，人脸检测，最新算法，最新论文，OpenCV，TensorFlow，PyTorch，开源框架，学习方法...

这是我的私人微信，位置有限，一起进步！

王博的公众号，欢迎关注，干货多多

王博Kings的系列手推笔记（附高清PDF下载）：

博士笔记 | 周志华《机器学习》手推笔记第一章思维导图

博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择”

博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型”

博士笔记 | 周志华《机器学习》手推笔记第四章“决策树”

博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络”

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（上）

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（下）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（上）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（下）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（上）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（下）

博士笔记 | 周志华《机器学习》手推笔记第九章聚类

博士笔记 | 周志华《机器学习》手推笔记第十章降维与度量学习

博士笔记 | 周志华《机器学习》手推笔记第十一章稀疏学习

博士笔记 | 周志华《机器学习》手推笔记第十二章计算学习理论

博士笔记 | 周志华《机器学习》手推笔记第十三章半监督学习

博士笔记 | 周志华《机器学习》手推笔记第十四章概率图模型

点分享

点收藏

点点赞

点在看