智力测量

简明术语说明：测量构念是需要推断的能力；测验组合是一组任务；分测验用于抽样测量更窄的技能；指数整合相关的分测验；综合分概括更广泛的模式；而常模组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

由于测验是对行为进行抽样，观测分数包含不确定性。置信区间利用测验的信度和分数量表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为诚实。

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学阈值。这么大的差异在常模样本中出现的频率是多少？它是否在相关任务和个人经历中持续存在？它是否与转介问题相关？否则，一个看似戏剧性的剖面可能会变成由普通变异拼凑出的故事。

比奈与西蒙：表现于当下，而非永久的命运

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、包含 30 项任务的先驱量表；他们在 1908 年进行的更完整修订按年龄层级组织任务，与后来教材所描述的实用智力量表更为相似。这项工作源于法国社会关于如何识别并教育在普通课堂中学习困难儿童的争论。这些任务抽样考查理解、记忆和判断等能力，从而能够更系统地识别当前需求。³⁴

这还不是现代智商测试，也不会产生施特恩后来提出的商数。比奈将这套量表描述为一种实用的等级体系，而非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，而不应变成给人定下的判词。

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：估算心理年龄除以实际年龄。刘易斯·特曼在 1916 年的斯坦福修订版中采用了这一商数，将其乘以 100，并推动“智商”（“IQ”）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；后者是将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，陆军甲种测试以集体方式测试具备英语读写能力的新兵，而主要采用图示的陆军乙种测试则面向读写能力或英语能力有限的新兵。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、样本选择和测试条件影响的分数，延伸为关于先天种族或国家等级的论断。卡尔·布里格姆对军队数据的 1923 年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提供了貌似科学的权威，尽管声称军队测试直接促成了美国 1924 年《移民法》，是夸大了档案证据。⁸⁹

韦克斯勒与现代年龄常模剖面

大卫·韦克斯勒于1939年编制的韦克斯勒–贝尔维尤量表，旨在用于成人临床评估。它结合了言语和操作任务，并将成人与同年龄者进行比较，推动该领域摆脱了对字面意义上的心理年龄比率的依赖。WISC儿童量表于1949年问世，第一版WAIS则于1955年问世。¹⁰ 后来的测验电池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，这种架构至今仍处于核心地位。

综合分数问的是：“哪种宽泛模式最有充分依据？”剖面问的是：“是否存在某些宽泛领域差异，足够稳定、少见且有多方面证据支持，可以用来指导假设？”

当具体分数足够可靠时，如果它们由不止一项任务体现，并且对于预期用途能在综合分数之外提供相关信息，就值得关注。当某个表面上的峰值或低谷取决于一项简短分测验时，就应少加关注。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、电夫曼测验和瑞文矩阵。仅凭品牌名称并不足够。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量表为 WAIS–5，但不同国家的可用性和获批准版本各不相同。¹²

全量表分数与指数分布

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以在此基础上提供具有临床相关性的信息，但表现分散本身并不能使综合分失效。不均衡的表现模式不会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”。检查者应判断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。

表现具有情境性

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、运动要求、对语言不熟悉、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生活功能的一部分；另一些则是无关的障碍。解读时必须区分这些因素，而不是自动加分或扣分。

复测与练习效应

复测分数提高，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试表现，但不一定代表广泛的潜在能力有同等幅度的提升。效应大小取决于间隔时间、年龄、测试以及以往接触情况；使用平行版本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、价值观和偶然因素，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，说智商“不是一切”，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、培养和肯定。

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、技术使用条件、对速度的期待、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 intended 测量的构念。

社会环境会影响表现——但效应大小并非普遍一致

担心确认某种负面群体刻板印象，有时会在测试过程中分散注意力或改变参与方式。研究者将其称为刻板印象威胁。一项针对18岁以下女孩在数学、科学和空间能力测试中表现的元分析发现，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，都能提高对所有人的证据质量。

差异项功能是一个需要进一步调查的信号

差异项功能（DIF）是指：来自不同群体、但在所测能力上匹配的人，对某题以特定方式作答的概率仍然不同。DIF并不能自动证明存在偏差：审查者会考察其程度、内容、可能原因及其对总分的影响。自动删除每一道被标记的题目，也可能损害内容覆盖面。

测量不变性所要回答的是：比较是否具有相同含义

测量不变性分析考察测验的因素结构、关系和分数水平是否在不同群体间具有足够的可比性。不同程度的不变性支持不同的结论；足以比较关联关系的证据，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

翻译一项评估所需保留的不只是词语。构念含义、说明、示例、图形、作答形式、评分、常模和施测过程都需要接受文化与实证审查。回译有助于发现差异，但单靠回译无法确立等值性。国际测验委员会的指南建议采用多学科专业知识、开展试点工作，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，而不是排除情境影响

矩阵推理等测验可以降低对词汇和后天习得的言语知识的依赖。但其说明、抽象视觉规则、速度、动作反应和对谜题的熟悉程度仍会反映个人经历。与言语测量一样，它们需要相同的、针对特定人群的信度、效度、常模化和公平性证据。

当速度与测量目标无关时，延长时间可能保留可比性；当加工速度正是要测量的构念时，延长时间可能改变分数的含义，或使标准的限时常模不再适用。对口译员、朗读员、记录员、替代界面和简化说明也应采取类似的谨慎态度。相同的施测方式并不总是公平；改变施测方式也不会自动使其有效。²²

心理测验是评估的一部分。具有重要后果的结论应整合转介问题、个人和发展史、观察到的行为、相关记录及其他测量，而不应任由一个数字悄然成为决定依据。¹³

智力障碍不能仅凭智商诊断

当代定义要求在智力功能和适应行为两方面都存在显著局限，并且始于发展期。适应行为涵盖日常生活中使用的概念、社交和实践技能。文化、语言、社区期望、优势和支持需求也很重要。²³接近70的分数可能提供重要证据；但它本身不足以构成诊断。

天赋以及获得高级学习机会的资格也需要相互印证的证据

较高的认知分数可以识别出需要接受挑战的卓越推理能力和学习能力。但僵化地使用单一分界点，可能会漏掉因语言、残障、教育机会或能力结构不均衡而导致综合分数受压低的学习者。采用多种测量方式可以同时改善识别和规划：领域分数、学业成就、作品集、教师证据、学习速度以及已展示的创意作品，都可能与项目所声明的目标相关。

人员筛选与就业

在就业中使用认知测试时，所测能力应当能够证明与工作相关，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免除组织在无障碍、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；自我、家长或教师评分则可以展现日常目标追求中的表现。两者的一致性有限，这意味着出现分歧是有信息价值的，不一定是错误：这些方法可能取样于行为的不同层面。²⁴²⁵

动态评估：观察学习过程，而不只是观察起点

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、所需支持类型和应对指导的能力。当既往机会、语言或教学经历使解读变得复杂时，这种方法尤其有用。不同方法和人群所得证据不尽相同，因此动态评估是对标准化证据的补充，而不是消除偏差的替代方案。

创造力：原创性与有效性的结合

创造力不仅仅是提出许多不寻常的答案。在严肃的评估中，想法还必须在某个领域内有用、有效或恰当。可以结合开放式任务、实际作品、作品集、专家评分以及创作活动记录进行评估。认知能力与创造性成就呈正相关，但远非完全相同，这正是两者都能提供额外信息的原因。²⁷²⁸

情商：明确所采用的模型

不应把这些类别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，而认知能力测量的是不同方面。证据表明，情商测量与学业表现之间存在中等程度的关联；在考虑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：一种人性化的启发，而非经过验证的诊断图谱

霍华德·加德纳的框架鼓励教育工作者关注音乐、身体、人际、空间等能力，以及其他过于常被狭窄课堂常规忽视的优势。这一教育理念可能很有价值。然而，现有证据并未证明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”也不应把儿童固化为某种学习风格标签。应利用这一框架拓展机会，而不是取代经过验证的认知或技能评估。³¹

智商估计的是认知表现中广泛而有用的模式。成就体现后天习得的掌握程度；执行功能测量抽样反映控制能力；适应性量表展现日常功能；动态评估显示对教学的反应；创造力和情绪测量反映其他能力；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会表现出越来越高的次序稳定性：相对于同龄人而言，人们通常会保持大致相近的位置。这并不意味着绝对表现从不改变、环境无关紧要，或群体平均水平不会变动。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，这种稳定性很高，但并非完美。¹⁹

不同世代的人群得分发生了变化

在20世纪的大部分时期，许多智力测验中的表现都有所提高——这就是弗林效应。一项涵盖31个国家的荟萃分析发现，增长幅度因认知领域、地区和时期而异，而近几十年的趋势较弱。¹⁶这也是测验需要定期重新制定常模的原因。但这并不意味着每一代人在各个方面都更明智，也不存在适用于所有分数的“每十年增加3分”这一通用修正。

大脑训练：重视真实收益，诚实地命名

商业认知训练通常能改善受训练的任务，有时也能改善密切相关的任务。在控制良好的综述中，向一般智力的远迁移通常较弱或不一致。¹⁸ 特定领域的提升仍可能有用。精准表述有助于保护进步：把每一种提升都称为“更高的智商”，会让真正的改善更难被识别。

支持学习与认知功能的条件

基因会影响认知差异，但遗传力是在特定环境范围内针对群体的统计指标；它不是某个人的智力有多少百分比“由基因造成”，也不说明教育无法发挥作用。² 稳定性描述的是一种模式。这并不意味着成长是不可能的。

给原创性足够的独处时间让它成形，也给它足够的社群支持，让它成长、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，还有许多人会在两者之间交替。健康的模式是灵活的：当无拘束的思考需要保护时，可以不带羞耻地暂时退开；当渴望关系、批评和共同创造时，也可以不带羞耻地重新回归。

当人们免受羞辱、胁迫和持续打断时，他们能够在不抹去差异的情况下相互支持智力成长。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。

测评前

• 请具备资质的专业人士进行临床、教育或其他具有重大影响的解读。
• 分享相关的语言经历、教育背景、诊断结果、用药情况、便利措施和以往测评经历。
• 询问所选测评组合评估哪些构念、采用哪些评分方式以及使用哪些比较群体。
• 保持正常的睡眠、饮食、处方治疗和感官辅助设备的使用；不要在最后关头进行所谓的“智商准备”。
• 如有异常疾病、疼痛、痛苦或中断，请予以说明，以便在适当情况下考虑延期。

测评过程中

认真作答，说明指令不清楚的地方，并报告获取测验的障碍。不要寻找泄露的题目或反复练习受保护的测验内容：这会损害结果的意义。对益智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。

测评结束后：值得提出的问题

负责任的创新必须让哪些内容清晰可见

• 测量构念：根据哪些可观察行为推断出什么。
• 训练数据和常模数据：哪些人被纳入，哪些人缺失，以及数据最近是在何时收集的。
• 不确定性：按分数范围、子群体和决策阈值划分的精确度。
• 公平性：题目功能、可及性、差异性预测以及后续错误。
• 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、延迟和互动模式可能会揭示超出既定目的的残障、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，而不是塞进一段无人阅读的结尾文字中。

结论：衡量重要的事物，然后助其成长

智商测试既不是判决，也不是幻觉。设计完善、常模适当的评估可以对一般认知能力和特定认知能力提供有用的估计。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，以及解决日益困难的问题。

这一估计仍是有条件的。它存在不确定性，反映的是特定样本的行为，无法囊括完整的个体。公平使用要求采用适当的常模、提供可及的实施方式、拥有支持预期解释的证据，并在后果重大的情况下保持克制。补充性评估应当拓宽整体图景，而不应假装所有受重视的能力都能归结为一个隐藏分数。

最重要的是，测量应当服务于发展。教育能够增强认知表现；健康与安全能够保护大脑；挑战、反馈与练习能够积累知识和技能；独处能够守护原创思想；社群能够帮助它成熟并走向世界。珍视持久的认知成长——当迁移、持续性、练习效应和测量误差都得到处理后，也珍视经验证的智商提升——然后运用更强的能力，加深理解、扩大机会并改善生活。

谨慎测量智力，助力其成长，并保护承载智力的人。珍视卓越能力、终身学习、原创思想和积累的智慧。为已经发展起来的心智提供其所需的健康、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物或数据库都无法简单替代的指导、理解与可能性。

1. AERA、APA 与 NCME。教育与心理测验标准（2014 年）。
2. Deary、Cox 与 Hill。遗传变异、大脑与智力差异。《分子精神病学》（2022 年）。
3. Brysbaert 与 Nicolas。心理学教科书中关于比奈及智力测验起源的两个长期流传的误解。《Collabra：心理学》（2024 年）。
4. 比奈与西蒙。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”计划对当代智力测量与研究的相关性。《智力学杂志》（2023 年）。
6. Terman。智力的测量（1916）。
7. 美国国防部。军事测试史。
8. Warne 等。Stephen Jay Gould 对《人类的误测》中陆军乙种测试的分析：关于一项开创性心理测试的曲解与误解。智力杂志（2019）；Brigham。移民群体的智力测试。心理学评论（1930）。
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。智力测试与1924年《移民法》（1983）。
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）。
11. McGrew。卡罗尔三层（3S）认知能力理论诞生30周年：影响、3S-CHC理论阐释、结构复制以及认知—成就心理测量网络分析扩展。智力杂志（2023）。
12. Pearson 测评。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试（2015）。
14. Sackett 等。重新审视人员选拔效度的荟萃分析估计：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）。
15. Ritchie 与 Tucker-Drob。教育在多大程度上提高智力？一项荟萃分析。心理科学（2018）。
16. Pietschnig 和 Voracek。全球智商增长的一个世纪：弗林效应的正式荟萃分析。《心理学科学视角》（2015 年）。
17. Scharfen、Peters 和 Holling。认知能力测验中的重测效应：荟萃分析。《智力》（2018 年）。
18. Simons 等。“脑力训练”项目有效吗？ 《公众关注的心理学科学》（2016 年）。
19. Breit 等。认知能力的稳定性：纵向研究的荟萃分析综述。《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 和 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 和 Stanovich。基于表现和评分的执行功能测量。《儿童心理学与精神病学杂志》（2013 年）。
26. Swanson 和 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. OECD。PISA 2022 创造性思维框架。
28. Karwowski 等。智力测试表现与创造性成就有何关联？一项元分析。智力杂志（2021）。
29. O’Connor 等。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 等。情商可预测学业表现：一项元分析。心理学公报（2020）。
31. Waterhouse。多元智力、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：一项元分析整合。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。刻板印象威胁是否会影响女孩在刻板印象领域中的表现？一项元分析。学校心理学杂志（2015）。
35. Kohn & Smith。协作性固着：他人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有相应资质的专业人士进行评估。测试选择、便利措施、资格规则和法律要求会因地点和用途而异。

• 智力的定义与观点
• 大脑解剖与功能
• 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