智力测量

简明术语说明：构念是要推断的能力；测验组合是一组任务；分测验用于抽样测量更具体的技能；指数整合相关的分测验；综合分概括更广泛的表现模式；而常模群体是用于解释个体所处位置的参照样本。

测量标准误与置信区间

由于测验抽样测量的是行为，观测分数包含不确定性。置信区间利用测验的信度和分数尺度来表达这种不精确性。该区间无法涵盖所有可能的误差来源——例如睡眠不足、误解指导语、语言不匹配或不具代表性的测验状态——但比把单个数字呈现为精确值更加诚实。

当两个指数分数存在差异时，测验者不应只问差异是否达到统计阈值。如此大的差异在常模样本中出现的频率如何？它是否在相关任务和既往经历中持续存在？它与转介问题是否相关？否则，一个看似戏剧性的测验画像可能只是由普通变异拼凑而成的故事。

比奈与西蒙：衡量当前表现，而非注定的命运

1905年，阿尔弗雷德·比奈和泰奥多尔·西蒙发表了一套颇具影响力的30项任务，作为先驱版本；他们在1908年完成的修订版按年龄层级组织任务，更接近后来教科书所描述的实用智力量表。这项工作源于法国关于应如何识别并教育那些在普通课堂中学习困难的儿童的讨论。其任务涵盖理解、记忆和判断等能力，从而能更系统地识别儿童当前的需要。³⁴

这还不是现代意义上的智商测试，也没有产生施特恩后来提出的商数。比奈将该量表描述为一种实用的层级体系，而不是像物理长度那样的字面测量；他反对把低下的表现视为某种不可改变的量的证据。我们不应将这种谨慎浪漫化为“每种能力都能无限增长”的主张。它持久的价值更为简单：结果应当用于指导支持，而不应变成判决。

施特恩、特曼与被称为智商的数字

1912年，德国心理学家威廉·施特恩提出了“智力商数”（Intelligenzquotient）这一术语：估计心理年龄除以实际年龄。刘易斯·特曼在1916年对斯坦福量表的修订中采用了这一商数，将其乘以100，并帮助“智商”（IQ）一词在美国教育界广泛流行。⁵⁶这些早期分数是比率智商，还不是今天的离差智商；后者将受试者的表现定位于同年龄常模分布之中。

大规模测试与外推的危险

第一次世界大战期间，Army Alpha以小组形式测试具备英语读写能力的新兵，而主要采用图像题的Army Beta则是为读写能力或英语能力有限的新兵设计的。该项目证明，心理测试可以大规模实施，并可用于实际分类。⁷

历史上的失败在于：将受语言、受教育程度、文化适应、筛选方式和测试条件影响的分数，延伸解读为关于先天种族或民族等级的论断。卡尔·布里格姆对军队数据在1923年的解读成为一个突出例子；到1930年，他否定了这些结论的比较基础。种族化的测试解读为更广泛的优生学和本土主义文化赋予了貌似科学的权威，尽管声称军队测试直接导致了美国1924年《移民法》，却夸大了档案证据所能支持的程度。⁸⁹

韦克斯勒与现代按年龄常模制定的剖面

大卫·韦克斯勒于1939年编制的韦克斯勒–贝尔维尤量表，是为成人临床使用而设计的。它结合了言语和操作任务，并将成人与同年龄者进行比较，帮助推动该领域摆脱对心理年龄比值的字面理解。WISC随后于1949年用于儿童，第一版WAIS则于1955年问世。¹⁰ 后来的测验越来越多地将宽泛综合分数与可解释的领域分数结合起来——这种架构至今仍是核心。

综合分数提出的是：“哪种宽泛模式最有充分依据？”剖面提出的是：“宽泛领域之间是否存在足够可靠、少见且有其他证据印证的差异，可以用来指导假设？”

当特定分数具有足够的可靠性时，应予以关注：这通常意味着它由不止一项任务体现，并且对于预期用途，能够在综合分数之外提供相关信息。如果某个表面上的峰值或低谷取决于一项简短的分测验，则应减少对它的关注。宽泛分数通常更可靠；较窄的分数可以帮助指导有针对性的后续评估，但不应想当然地认为它们具有教学或临床效用。

专业开发的测量工具包括斯坦福–比奈量表、韦氏量表、伍德科克–约翰逊认知测验组合、考夫曼测验组合和瑞文矩阵。仅有品牌名称并不足够。适用的版本、年龄范围、语言、常模、施测者资质和预期用途都很重要。例如，目前美国使用的成人韦氏测验组合是 WAIS–5，但不同国家的可获得版本和获批准版本各不相同。¹²

总分与指数剖面

广泛综合分通常是概括总体表现最可靠的方式。较大且稳定的领域差异，可能在此基础上提供具有临床意义的补充信息，但分散本身并不会使综合分失效。不均衡的表现剖面并不能自动证明存在某种特定障碍，最高分也不一定就是此人的“真实 IQ”。检查者应确定这些差异是否具有统计可靠性、是否少见到值得关注，以及是否有独立证据支持。

表现所处的情境

睡眠不足、疼痛、急性疾病、焦虑、抑郁、药物影响、听力或视力障碍、动作要求、不熟悉的语言、教育中断、参与度低以及误解指令，都可能影响观察到的表现。其中一些情况正是所要考察的现实功能的一部分；另一些则是无关的障碍。解读时必须区分这些因素，而不是自动加分或减分。

复测与练习效应

复测分数较高，可能反映了对题型的记忆、新策略、焦虑减轻或题目重叠。这些练习效应确实会改善测验表现，但未必代表广泛的潜在能力同等幅度地提高。效应大小取决于间隔时间、年龄、测验以及先前接触情况；使用替代形式并遵循适当的复测指导会有所帮助。¹⁷

相关性不是个人预言

相关性描述的是变量在一个群体中通常如何共同变化。它并不表示某个分数本身会导致某种结果，也不表示拥有相同分数的每个人都会过同样的人生。教育质量、健康状况、家庭资源、人格、兴趣、歧视、动机、关系、价值观和机遇，都会影响人们获得哪些机会，以及如何运用自己的能力。

即使存在很强的关系，个体差异仍有极大的空间。反过来说，IQ“并非一切”也绝不应被曲解为它什么都不是。支持理解、推理和学习的能力值得受到保护、培养和赞扬。

没有任何评估完全脱离文化背景。语言、受教育经历、对测试的熟悉程度、视觉惯例、技术获取条件、对速度的预期、动机以及与权威的关系，都可能影响表现。这并不意味着每种分数差异都是“偏差”，群体差异也不能证明存在偏差或先天能力差异。实证问题在于：无关障碍是否实质性地扭曲了测试旨在测量的构念。

社会情境会影响表现，但效应量并非普遍适用

担心确认某种负面的群体刻板印象，有时会在测试过程中占用注意力或改变投入程度。研究人员将其称为刻板印象威胁。一项针对18岁以下女孩在数学、科学和空间测试中表现的荟萃分析发现，平均效应较小，但存在严重的发表偏倚迹象；不应将这些结果概括为适用于每个群体或每种分数差异的单一宏大解释。³⁴更广泛的实践启示是：尊重性的施测、心理安全感，以及公平理解任务的机会，都能提高所有人的证据质量。

差异项功能是需要进一步调查的信号

差异项功能（DIF）是指：来自不同群体、且在所测能力上匹配的个体，对某道题以特定方式作答的概率却不同。DIF并不能自动证明存在偏差：审查者会考察其大小、内容、可能原因及其对总分的影响。自动删除所有被标记的题目，也可能损害内容覆盖范围。

测量不变性所问的是：比较是否具有相同含义

测量不变性分析考察测试的因素结构、变量关系和分数水平是否在不同群体之间具有可比的运作方式。不同程度的不变性支持不同的结论；足以比较关联的证据，未必足以支持群体均值比较。不变性是有价值的、基于模型的证据，但并不能证明所有社会或测量问题都已消失。²¹

翻译不等于适应

翻译评估工具必须保留的不只是词语。构念含义、指导语、示例、图形、作答形式、评分、常模和施测过程都需要进行文化与实证审查。回译有助于发现差异，但本身无法确立等值性。国际测验委员会的指导建议采用多学科专业知识、开展试点研究，并在题目、方法和构念层面收集证据。²⁰

“非言语”意味着降低语言要求，而不是排除语境影响

矩阵推理等测试可以减少对词汇和后天习得的言语知识的依赖。但其指导语、抽象视觉规则、速度要求、动作反应和对谜题的熟悉程度仍会反映个体的经验。与言语测量一样，这些测试也需要针对特定人群的信度、效度、标准化和公平性证据。

当速度与测量目标无关时，延长时间可能有助于保持可比性；当加工速度正是目标构念时，延长时间可能改变分数的含义，或使标准限时常模不再适用。对口译员、朗读员、记录员、替代性界面和简化说明也应采取类似的谨慎做法。完全相同的施测并不总是公平；改变施测方式也不会自动使结果有效。²²

心理测验只是评估的一部分。具有重要后果的结论应整合转介问题、个人和发育史、行为观察、相关记录及其他测量，而不应让一个数字悄然变成最终决定。¹³

智力障碍不能仅依据 IQ 诊断

当代定义要求智力功能和适应行为均存在显著局限，并且在发育期开始出现。适应行为涵盖日常生活中使用的概念技能、社交技能和实践技能。文化、语言、社区期望、优势以及支持需求也很重要。²³ 接近 70 的分数可能提供重要证据，但不能单独构成诊断。

资优认定和更高阶机会同样需要相互印证的证据

较高的认知分数可以识别出值得接受挑战的卓越推理能力和学习潜力。但僵化地使用单一界限，可能会漏掉语言、残障、受教育机会或能力结构不均衡导致综合分受压低的学习者。多种测量可以同时改善发现和规划：领域分数、学业成就、作品集、教师证据、学习速度以及已展现的创造性作品，都可能与项目的既定目的相关。

选拔与就业

当认知测验用于就业时，所测能力应当能够明确证明与工作相关，实施程序应遵守适用法律，并应审查不利结果。群体层面的预测相关性并不能使组织免于履行可及性、公平、隐私、透明度或人工复核方面的责任。

执行功能：任务表现与日常调节

执行功能包括彼此可区分但相互关联的目标导向控制方面，通常通过抑制、转换和工作记忆更新来描述。表现任务可以揭示受控条件下的信息处理；自评、家长或教师评分则可以显示个体在日常目标追求中的表现。二者的一致性适度，意味着不一致本身具有信息价值，并不一定是错误：这些方法可能抽取的是不同层次的行为。²⁴²⁵

动态评估：观察学习过程，而不仅是观察结果

测试—教学—再测试程序和逐步提示会考察学习者如何回应指导。这可以揭示静态分数无法体现的策略、所需支持类型和回应能力。当既往机会、语言或教学情况使解释变得复杂时，这种方法尤其有用。证据因方法和人群而异，因此动态评估是对标准化证据的补充，而不是消除偏差。

创造力：原创性与有效性的结合

创造力并不只是产生许多不同寻常的答案。在严肃的评估中，想法还必须在某个领域内有用、有效或合适。可以结合开放式任务、实际作品、作品集、专家评分以及创造性活动记录。认知能力与创造性成就呈正相关，但远非完全相同，这正是二者都能提供额外信息的原因。²⁷²⁸

情绪智力：请明确所采用的模型

这些家庭不应被当作同一量表来比较。情绪技能可以促进人际关系、学习和表现，而认知能力衡量的是不同的方面。证据表明，情绪智力测量与学业表现之间存在适度关联；在控制认知能力和人格之后，其额外预测力有限，具体取决于所使用的测量工具。²⁹³⁰

多元智能：一种具有人文关怀的启发，而非经过验证的诊断图谱

霍华德·加德纳的理论框架促使教育工作者关注音乐、身体、人际、空间等常被狭窄课堂惯例忽视的优势。这一教育理念可能具有价值。然而，现有证据并未确立其所提出的各种智能是彼此独立的心理测量系统，流行的在线“多元智能测试”也不应把儿童固定在某种学习风格标签中。应利用这一框架拓宽机会，而不是取代经过验证的认知或技能评估。³¹

智商估计的是一种广泛且有用的认知表现模式。成就体现习得的掌握程度；执行功能测量抽样考察控制能力；适应性量表展现日常功能；动态评估显示对教学的反应；创造力和情绪测量抽样考察其他能力；作品集则展示一个人实际创作或完成的成果。

稳定与变化可以并存

认知能力从童年到成年呈现出不断增强的等级顺序稳定性：人们相对于同龄人的大致位置往往会保持相似。这并不意味着绝对表现永远不变、环境无关紧要，或群体平均水平无法变化。近期最全面的荟萃分析发现，从青春期后期到成年期的大部分阶段，稳定性很高，但并非完美无缺。¹⁹

人口评分随世代而变化

在20世纪的大部分时期，许多智力测验的成绩都在上升，这就是弗林效应。一项涵盖31个国家的荟萃分析发现，提升幅度因认知领域、地区和时期而异，而近几十年的趋势较弱。¹⁶这就是为什么测验需要定期重新制定常模。这并不意味着每一代新人在所有意义上都更明智，也不存在适用于每个分数的“每十年增加三分”这一普遍修正。

大脑训练：重视真实收益，如实命名

商业认知训练通常能改善受训任务，有时也能改善密切相关的任务。在控制良好的综述中，迁移到一般智力的远迁移通常很弱或不一致。¹⁸ 某个特定领域的提升仍可能很有用。精准表述有助于保护进步：把所有提升都称为“智商更高”，反而会让真正的改善更难被识别。

支持学习和认知功能的条件

基因会影响认知差异，但遗传力是特定环境范围内的人群统计量；它并不是某个人的智力中“由基因造成的”百分比，也不能证明教育无法发挥作用。²稳定性描述的是一种模式。这并不意味着无法成长。

给原创性足够的独处时间，让它得以形成；也给它足够的社群空间，让它得以成长、传播、获得支持并受到赞赏。

任何一个阶段都不应变成命令。独处可能变成孤立；协作可能变成从众。有些人通过对话思考得最好，有些人在安静中思考得最好，而许多人会在两者之间交替。健康的模式是灵活的：当无指向的思绪需要保护时，可以不带羞耻感地暂时退开；当渴望关系、批评和共同创造时，也可以不带羞耻感地回来。

当人们免受羞辱、胁迫和持续打断时，他们可以相互支持彼此的智力成长，同时不抹去差异。智力不再只是个人优势：它成为一种通过教学、发明、关怀、坦诚的分歧和集体解决问题而共享的能力。

在测试前

• 对于临床、教育或其他会产生重大影响的解读，应请合格的专业人士进行。
• 提供相关的语言经历、教育背景、诊断结果、用药情况、便利措施和既往测试信息。
• 询问所选测验组合使用了哪些构念、分数和比较群体。
• 保证正常睡眠、饮食、处方治疗和感官辅助设备；不要临时进行所谓的“智商准备”。
• 如有异常疾病、疼痛、 distress或中断，请予以说明，以便在适当情况下考虑延期。

测试期间

认真作答，说明指令不清楚之处，并报告获取测试的障碍。不要寻找泄露的题目或排练受保护的测试内容：这会损害结果的意义。对谜题的日常熟悉属于生活经验的一部分；针对受保护题目的辅导会改变分数所能支持的推断。

测试结束后：值得提出的问题

负责任的创新必须让哪些内容清晰可见

• 构念：根据哪些可观察行为推断什么。
• 训练数据和常模数据：哪些人被纳入，哪些人缺失，以及数据收集距今多久。
• 不确定性：按分数范围、亚组和决策阈值划分的精确度。
• 公平性：题目功能、可及性、差异化预测和后续环节中的错误。
• 隐私：哪些敏感的认知和行为数据被存储、关联、保留或共享。
• 问责：谁能够解释、质疑并纠正具有重大影响的结果。

更多行为数据可以同时带来更详细的模型和更大的隐私风险。语音、击键、注视、反应延迟和互动模式可能会揭示超出既定用途的残障、健康或身份信息。因此，数据最小化、知情同意、安全性和有意义的申诉机制都应纳入测试设计，而不是被放在无人阅读的最后一段中。

结论：测量重要的事物，然后助力其成长

IQ 测验既不是判决，也不是幻觉。设计完善且常模适当的评估能够提供对一般和特定认知能力的有用估计。这些能力很重要：它们有助于更快学习、更深入理解、适应性推理，以及解决日益困难问题的能力。

这一估计仍是有条件的。它存在不确定性，反映的是特定行为样本，无法涵盖完整的人。公平使用需要适用的常模、可及的实施方式、支持预期解释的证据，以及在后果严重时保持克制。补充性评估应拓宽整体视角，但不能假装所有受重视的能力都隐藏在一个分数中。

最重要的是，测量应服务于发展。教育能够增强认知表现；健康与安全能够保护大脑；挑战、反馈和练习能够积累知识与技能；独处可以守护原创思想；社群能够帮助它成熟并走向世界。赞美持久的认知成长——以及在转移效应、持续性、练习效应和测量误差得到处理后经验证的 IQ 增长——然后运用更强的能力深化理解、拓展机会并改善生活。

谨慎测量智力，助力其成长，并保护智力所寄托的人。赞美卓越能力、终身学习、原创思想和积累的智慧。给予成熟的心智所需的健康、自由、独处、社群、挑战与尊重——因为当这样的心智受到忽视或消逝时，人类可能会失去任何财产或数据库都无法简单替代的指引、理解与可能性。

1. AERA、APA 与 NCME。《a href="https://www.testingstandards.net/uploads/7/6/6/4/76643089/standards_2014edition.pdf" rel="nofollow noopener" target="_blank">教育与心理测验标准（2014年）。
2. Deary、Cox 与 Hill。《a href="https://www.nature.com/articles/s41380-021-01027-y" rel="nofollow noopener" target="_blank">遗传变异、大脑与智力差异。《em>分子精神病学》（2022年）。
3. Brysbaert 与 Nicolas。《a href="https://online.ucpress.edu/collabra/article/10/1/117600/200789/Two-Persistent-Myths-About-Binet-and-the" rel="nofollow noopener" target="_blank">关于 Binet 以及心理学教材中智力测验起源的两个长期存在的误解。《em>Collabra：心理学》（2024年）。
4. Binet 与 Simon。《a href="https://doi.org/10.3406/psy.1907.3737" rel="nofollow noopener" target="_blank">儿童智力的发展（1908年，法文原版）。
5. Kovacs 与 Pléh。威廉·斯特恩：“差异心理学”研究计划对当代智力测量与研究的相关性。《智力杂志》（2023 年）。
6. Terman。《智力的测量》（1916 年）。
7. 美国国防部。军事测验史。
8. Warne 等人。斯蒂芬·杰伊·古尔德在《人类的误测》中对陆军乙种测验的分析：关于一项开创性心理测验的曲解与误解。《智力杂志》（2019 年）；Brigham。移民群体的智力测验。《心理学评论》（1930 年）。
9. 美国国立人类基因组研究所。优生学与科学种族主义；Snyderman 与 Herrnstein。智力测验与 1924 年移民法（1983 年）。
10. Boake。从比奈–西蒙到韦氏–贝尔维尤。《临床与实验神经心理学杂志》（2002 年）。
11. McGrew。卡罗尔三层级（3S）认知能力理论三十年：影响、3S-CHC 理论澄清、结构复制，以及认知—成就心理测量网络分析的扩展。《智力杂志》（2023 年）。
12. Pearson 评估。韦氏成人智力量表（第五版）。
13. 美国国家科学院。用于残疾认定的心理测验（2015 年）。
14. Sackett 等人。重新审视人员选拔中效度的元分析估计：解决对范围限制的系统性过度校正问题。《应用心理学杂志》（2022 年）。
15. Ritchie与Tucker-Drob。教育能在多大程度上提高智力？一项元分析。心理学科学（2018年）。
16. Pietschnig与Voracek。全球IQ增长的一个世纪：弗林效应的正式元分析。心理学科学视角（2015年）。
17. Scharfen、Peters与Holling。认知能力测验中的重测效应：元分析。智力（2018年）。
18. Simons等。“脑力训练”项目有效吗？ 公共利益心理学（2016年）。
19. Breit等。认知能力的稳定性：纵向研究的元分析综述。心理学公报（2024年）。
20. 国际测验委员会。测验翻译与改编指南（第二版）（2017年）。
21. Putnick与Bornstein。测量等值性的惯例与报告。发展评论（2016年）。
22. 欧洲心理学家协会联合会。EFPA测试评审模型，2025年版。
23. 美国智力与发展障碍协会。智力障碍的定义。
24. Miyake等。执行功能的统一性与多样性。认知心理学（2000年）。
25. Toplak、West与Stanovich。基于表现和评级的执行功能测量。儿童心理学与精神病学杂志（2013年）。
26. Swanson与Lussier。关于动态评估实验文献的选择性综述。教育研究评论（2001年）。
27. 经济合作与发展组织（OECD）。PISA 2022创造性思维框架。
28. Karwowski et al. 智力测验表现与创造性成就是如何相关的？一项荟萃分析。智力杂志（2021）。
29. O’Connor et al. 情商的测量：对相关文献的批判性综述及对研究人员和实践者的建议。心理学前沿（2019）。
30. MacCann et al. 情商可预测学业表现：一项荟萃分析。心理学通报（2020）。
31. Waterhouse. 多元智能、莫扎特效应与情商：一项批判性综述。教育心理学家（2006）。
32. Mullen, Johnson & Salas. 头脑风暴小组中的生产力损失：一项荟萃分析整合。基础与应用社会心理学（1991）。
33. Korde & Paulus. 交替进行个人与小组创意生成：寻找难以捉摸的协同效应。实验社会心理学杂志（2017）。
34. Flore & Wicherts. 刻板印象威胁会影响女孩在刻板印象领域中的表现吗？一项荟萃分析。学校心理学杂志（2015）。
35. Kohn & Smith. 协作固着：他人的想法对头脑风暴的影响。应用认知心理学（2011）。

教育与评估说明：本文提供一般信息，不构成个人诊断、分数解读、法律意见，也不能替代由合格心理学家或其他具备适当资质的专业人士进行的评估。测试选择、便利措施、资格规则和法律要求因地点和目的而异。

• 智力的定义与观点
• 大脑解剖结构与功能
• 智力类型
• 智力理论
• 神经可塑性与终身学习
• 贯穿一生的认知发展
• 智力中的遗传与环境
• 测量智力
• 脑电波与意识状态
• 认知功能