當前位置:文書都 >

文學文本 >散文 >

議悔散文

議悔散文

不久前,接到幾年前已畢業回鄉務農的學生的信,信中説:“我以前沒有聽老師的話,一到初中二年級就不愛學習了,一天發狂地玩耍,混日子,以致於‘三合一’考試成績一拿到手,就在幾乎科科都是五十九分以下的那些可怕的數字面前,產生了深切的後悔和極度的恐怖。從此以後,我言不敢稱‘學’,在沉默中參加了三年農業勞動,不敢見昔日的老師和同學。誰知現在叔叔從K市發來電報,叫我帶初中畢業證書去他那兒工作。至今,我無顏到母校去,連畢業證書有沒有也不知道,請代我過問。”

議悔散文

對於這個學生的懺悔、求助,我還能勉力為之,因為終究要求不高,而對於更多的類似問題,就是愛莫能助,無可奈何了。

所謂“更多的類似問題”,確有所指:一批又一批學生繼續在走着“厭學——後悔”的曲折道路,簡直成了惡性循環。當他們有着充分的學習條件和大好的學習機會的時候,他們厭學,“混幾年日子,養幾年骨頭”成了他們的口頭禪;當他們一旦離開了學校、走進了社會之後,才覺得機會已失太可惜,感到處處要文化,時時要知識,於是,“後悔”二字就鑽進了他們的骨髓、神經和心靈,長時間地糾纏他們,折磨他們,刺激他們。

早知今日,何必當初?但是,就在這個“當初”,由於種種原因,學生厭學竟成了較為普遍的現象,這就給學校的管理工作帶來了困難,給我們的社會主義教育事業帶來了危機,而且由此引起的危機感正在與日俱增。

學生就該讀書,自古以來如此,為何現在的學生卻會厭學呢?究其原因,頗有幾條。

一曰:課程艱深,升學無望。大多數中學生害怕課程多,其中就最怕外語和數學。課程艱深本來就令人望而卻步了,加之很多教師教學不得其法,教育教學收效甚微,尤以英語(或其他外語)為最。學生智力有高下,接受能力有快慢,而我們的教育制度卻“一刀切”下去,“黃鱔泥鰍扯做一般長”,最相當不合理的。這諸種因素的結果,就造成了學生的變態心理,“反正考不上大學、中專,不如得天耍天”。二十一世紀已經到來,實現四化的重擔就要擔到他們肩上,怎一個“耍”字了得?“耍”的結果,有的只混了一張畢業證,有的連畢業證也沒有混到手,回到農村幾年,初中生甚至高中生成了半文盲、“科盲”,這是十分可怕的現象。這種情況如果不加以改變,那麼四化的實現就會無望。只要想到這種情景,每一個幹部(特別是領導幹部)、每一個教師,難道對此就麻木不仁到激發不起危機感的地步了嗎?難道我們的教育制度就不應該根據學生的不同情況給以適當的適應變通嗎?難道我們的教育工作者和教師就不應當千方百計地改變、改革我們陳舊的教育教學方法嗎?

二曰:家庭拮据,白費心血。有的學生雖有智力,但一想到家庭沒有供養他上高中、上中專、上大學的能力,再努力、再刻苦也白搭,於是渾身無勁,江河日下,加入了“玩耍團”,作為對家庭的“懲罰”。現在,人民的生活水平是提高了,但還不是充分的高,不少家庭在入學、看病等方面的支付能力就有限了,因為還有很多農民沒有充分富起來。從學校這個角度看,雖然國家“一免一補”,但生活費逐年增高(也並不是學校單方面增高,而是與整個社會經濟水平相關聯,因為生活費、水電費等費用均因市價增高而水漲船高),也使這類家庭不堪經濟重壓,用農民的話説:“越來越‘盤’不起學生了。”這個問題,只有在社會生產力大力發展、人民的生活水平進一步提高的情況下,才能徹底解決。目前,只能加強社會助學工作,同時教育學生髮揚艱苦奮鬥精神,以求暫時解決。在社會助學方面,除了助學金、獎學金制度之外,多創辦勤工儉學式的學校(大學、職業高中、中專均可)以供家庭經濟能力不足的學生來學習與深造。

三曰:社會影響,風氣所及。由於後門風、裙帶風到處亂刮,刮亂了學生的思想,產生了逆反心理,條件越好、越優裕,讀起書來就越沒有吃苦精神了。有一個初中畢業生在畢業前的複習階段,還成天不上課,不做作業,老師批評她不該不做作業,她就寫下了一通:“老師佈置的作業太多,我不想做,就是再少點我也不想做,因為我畢業後反正少不了我的一份工作。”氣得那個政治教師話也説不出來。畢業不到兩年,那個女生的親戚確實給她找了一個工作,多麼愜意!只要有靠山,有“背筋”,有關係,前途少不了,工作少不了,工資少不了,還要讀書幹什麼?

四曰:無政府主義。“想讀就讀,想耍就耍,天王老子也管不着。”無政府主義流毒於社會,也必然影響到學校、學生。不讀書就耍,怎麼“耍”?、打架、小小年紀談戀愛,“六害”還要加“三害”。

僅這麼四條,就夠人擔心的了。如果真正心中裝着祖國的未來,看到這些情況,就一定吃不好飯,睡不好覺。

但願所有的幹部(特別是領導幹部)、教育工作者、教師、家長,一齊努力,讓我們的下一代多一份努力,多一份希望,多一份志氣;少一份灰心,少一份消沉,少一份後悔!

  • 文章版權屬於文章作者所有,轉載請註明 https://wenshudu.com/wenxuewenti/sanwen/9lq4lwz.html
專題