智力理论

智力理论可以描述个体差异的结构，提出心理过程，解释发展，或定义有效行动。这些是相互关联的研究方向，但并不能相互替代。斯皮尔曼理论和 CHC 理论主要属于心理测量学范畴；斯滕伯格的理论则更为广泛，具有功能性和情境性。

想象一组测验，其中包含词汇、矩阵、空间旋转、记忆和速度任务。每项任务都会产生一个观测得分。当把许多人的得分进行相关分析时，通常会出现一个熟悉的模式：大多数相关性都是正的。因子分析用少量未观测变量来表示这些协方差。其结果是对该样本中个体差异的一种有纪律的概括，而不是对某种名为“智力”的物质进行扫描。

1. 抽样测量表现。任务在内容、说明、语言、时间限制以及感觉和运动要求方面各不相同。测验组合决定了哪些方面有机会被计入。

2. 估计关系。研究者考察人们在不同任务中的相对表现是否会共同变化。相关描述的是人群中的关联；它并不表示一项任务导致了另一项任务。

3. 明确模型。可以拟合单因素模型、相关因素模型、高阶模型、双因素模型或网络模型。关于任务、计分、估计方法和约束条件的选择都会影响结果。

4. 检验推广性。在一个数据集中的拟合并不充分。一个有用的模型应当具有可解释性、可重复性，稳定性足以满足其用途，并且应在相关的不同年龄、语言、群体和条件下接受检验。

5. 验证预期用途。最终的问题不是笼统地问“这个测验有效吗？”，而是问“对于这一人群和这一目的，这些分数的解释和基于它们作出的决策是否得到支持？”³⁷

借助学校成绩和感觉辨别测量，查尔斯·斯皮尔曼认为，智力表现之间的相关性可以由一个共同的一般因素，加上每项任务各自的特殊因素来解释。他将一般因素称为 g 以及任务特异性成分 s.¹

持久的洞见并不是每个人的头脑中都包含固定数量的“心理马力”，而是多样的认知表现共享方差——任何充分的理论都必须解释其原因。

斯皮尔曼之后发生了什么

研究者反复发现，一些群组比单项任务更宽泛，却比 g：言语、空间、记忆、速度及其他领域。路易斯·瑟斯顿强调多种基本心理能力；后来的研究表明，即使这些能力之间也存在相关。因此，层级模型自然成为一种折中方案：底层是具体任务，中间是广泛能力，顶层是一般协方差。卡罗尔后来提出的三层综合模型，使这种架构尤其具有影响力。²⁴

在足够广泛且均衡的测验组合中，通常可以提取出一个一般维度；精心构建的测验组合所得的一般因素分数，往往会以相近的方式对人进行排序。⁵⁸ 然而，一个 g 分数并非完全独立于测验：其内容和精确度取决于纳入了哪些指标、抽取了哪个总体的样本，以及拟合了哪种模型。

反映性模型将一般能力视为影响任务表现的共同因素。过程取向的解释则可以将一般指标视为由许多相互重叠的要求汇总而成，而不是视为一个会产生可互换结果的单一原因。两种表示方式都可以概括协方差；要区分它们，需要相关矩阵之外的证据。⁸

为什么“解释的百分比 g”没有统一答案

关于“……的报告 g 解释了“智力”中固定比例的说法，混用了不同的分母和方法。第一主成分、共同因子、高阶因子和双因子模型中的一般因子，并不是以相同方式划分方差。估计结果还取决于测试的范围和信度。稳妥的结论是定性的：一般协方差相当显著，但广泛因素和特定因素的方差，以及测量误差，仍然存在。

一般认知能力与人们学习许多复杂任务的速度，以及在教育和工作中的平均表现有关。儿童时期的认知得分还可以在人群层面预测日后的健康状况和死亡率。这些发现很重要，但它们都不能将某个分数变成完整的因果解释，也不能为某个人提供确定的预测。

心理测量网络模型将观测分数表示为由条件关联连接的节点；仅凭这些边并不能证明因果影响。其他理论则强调工作记忆、注意控制、加工速度、神经效率或它们的组合。未来最有力的证据将来自能够对发展、干预、脑—行为关系以及在经过谨慎改变的任务要求下的表现作出不同预测的模型，而不仅仅是来自模型拟合竞赛。⁵²⁸

罗伯特·斯滕伯格1985年的理论常被简化为分析性、创造性和实践性智力。这是一个有用的入门概述，但原始架构更为精确：成分性子理论描述信息加工，经验性子理论描述新颖性与自动化，情境性子理论描述适应、环境塑造与选择。这三种熟悉的能力贯穿于上述各个方面。⁵⁵

流行概述背后的三个子理论

斯滕伯格后来将这一框架称为成功智力理论：在社会文化情境中实现个人有意义目标的能力，具体方式是发挥优势、纠正或弥补弱点，并平衡分析能力、创造能力和实践能力。这里的“成功”取决于情境，并不只是财富或地位；适应也不一定意味着被动服从。¹⁷

最宽厚的解读既不是“智力三元理论证伪了IQ”，也不是“它毫无证据”。创造性和实践性任务能够补充有用信息，并拓宽人们被邀请展示的能力范围。但这些分数是否构成三种彼此独立的智力、能否在现有测量之外进行广泛预测，以及能否做到公平测量，仍存在争议。

为什么实用智能难以单独测量

默会知识量表通常会呈现一个工作场所或生活情境，并要求受测者评价可能的行动。这类量表可能具有表面效度和效标效度，但仍会混合多个构念。情境判断研究发现，分数会随指导语变化，并且与认知能力和人格相关。²⁰ 有用的评估不必测量某一种纯粹能力，但其解释必须与证据所支持的内容相一致。

从成功智能到适应性智能

斯滕伯格较新的适应性智力理论提出的问题是：智力是否能帮助个人和社群适应真实且共同面对的问题，而不只是让个人在现有体系内优化自身结果。该理论将智慧、伦理后果和共同利益更明确地置于核心位置。²⁵这是一种具有挑衅性的规范性框架，尤其适用于教育领域，但它还不是一个成熟的心理测量分类体系，其测量基础也无法与g或CHC相提并论。

斯滕伯格持久的质疑并不是测试分数毫无用处，而是解决一个脱离语境的问题，与选择一个值得解决的问题，是两种不同的成就。

雷蒙德·卡特尔在20世纪40年代提出了流体能力（Gf）和晶体能力（Gc）；约翰·霍恩后来对这一模型进行了检验、完善和扩展。这一常见的对比仍然很有价值，但两种能力都不是纯粹的、脱离语境的，也不是彼此孤立的。²⁶²⁷

投资是一种关系，而不是单向决定的命运

卡特尔的投资思想认为，流体能力会被“投入”到学习中，从而帮助形成晶体知识。当代发展观则更强调二者的相互作用。已有知识能让新的推理更高效；兴趣会影响练习的内容；学校教育会同时改变知识和应试策略；动机与机会则决定潜能能否转化为专长。因此，一个人的总体推理能力可能与同伴相近，但领域知识却大不相同；也可能凭借深厚的专业知识，弥补处理新颖问题时较慢的速度。

历史注：唐纳德·赫布关于具有生物学基础的“智力A”与后天发展的“智力B”的区分，影响了卡特尔的理论构想。因此，档案研究提醒我们，不应将其简单讲述为一位孤立的发明者的故事。⁴²

卡罗尔重新分析了涵盖七十多年认知能力研究的461组数据。他的三层级理论将狭窄能力置于第一层级，将更广泛的领域置于第二层级，并将一般因素置于第三层级。这项成果是对协方差证据的系统综合，而不是发现了大脑内部三个字面意义上的楼层。²⁴

卡罗尔的层级与扩展后的卡特尔–霍恩模型存在大量重叠。凯文·麦格鲁和其他评估学者在后来伍德科克–约翰逊测验组的发展过程中，逐步协调了这些分类体系，“CHC”遂成为统称。这一综合为测验蓝图、分数分类和跨测验组解读提供了依据。³

当代概述通常描述约 17—18 种广泛能力，以及许多更狭窄的能力，具体数量部分取决于如何计算 Gkn 和 Gei 等拟议领域。学校和临床测验主要关注其中一部分已建立测量方法且具有实际相关性的能力。这些代码是简洁的标签，不是基因、脑模块，也不保证每项已发表的测验都能清晰地单独测量某种能力。²⁹

一些当代版本还包括情绪智力（Gei），暂时定义为感知、理解、使用和管理情绪相关信息的能力。

能力数量为何会有所不同

Carroll 最初的广义层、早期整合的 CHC 图示以及 2018 年的修订版并不包含完全相同的标签。例如，较早的“短时记忆”（Gsm）被重新概念化为工作记忆容量（Gwm），而长时储存与提取（Glr）则被拆分为学习效率（Gl）和提取流畅性（Gr）。有些总结省略了感觉和运动能力；另一些则以不同方式区分数量推理。来源中所说的“约十种”“十六种”“十七种”或“十八种”，可能是在描述不同版本，而不只是简单的错误。

一项2023年的心理测量网络分析支持了若干熟悉的CHC聚类，同时也提示应对工作记忆、注意控制、学习和提取方面进行修订。这正是一个不断发展的分类体系应有的表现：证据可以保留有用的规律，同时改变其组织方式。²⁸

可以整合的内容

严谨的评估可以使用总体分数进行广泛预测，使用以CHC为依据的领域来了解任务覆盖范围，并使用受斯腾伯格启发的工作样本来观察生成与应用。这些来源不必被强行纳入同一量表。学生的矩阵推理、词汇、实践设计项目、坚持性和兴趣，是不同形式的证据，其可靠性和相关性也各不相同。

应保持区分的内容

分析性、创造性和实践性表现，并不是 Gf、发散思维和 Gc 的简单同义词。同样，CHC 的广泛能力也不是固定的学习风格，而 g 也不是每一种值得肯定的人类能力的平均值。只有在保持各构念边界的同时进行整合，才是最诚实的做法。

标准化认知评估要求个体在受控规则下完成选定任务。原始表现会依据适当的常模样本进行转换，合并为分测验分数和指数分数，有时还会用全量表综合分数加以概括。每一步都会让结果更易解释——但每一步都建立在一些假设之上。

1. 任务表现。 个体听取、看见或阅读指导语；对内容进行推理；并通过口头回答、指示、书写、操作物体或使用设备作出反应。

2. 原始分数。 正确反应、作答质量、用时或其他计分规则会产生一个总分。脱离施测规则和参照数据，原始分数几乎没有意义。

3. 常模化分测验分数。 将表现与明确规定的年龄组或其他参照群体进行比较。常模日期、代表性和版本都很重要。

4. 指数或广泛综合分数。 将两个或更多分测验结合起来，以提高信度，并取样考察某一拟议领域，例如言语理解、工作记忆或加工速度。

5. 总体综合分数。 全量表分数综合了多个领域的表现。它通常是最可靠的广泛概括，但当转介问题涉及某种障碍或异常模式时，可能不够完整。

主要测验组与 CHC 的关系

大多数当代智商综合分数都按年龄常模转换，使年龄常模均值为100、标准差为15；但具体分数由测验手册定义，而不是由通用图表定义。年龄常模意味着，10岁儿童和60岁成人可能拥有相同的标准分数，但相对于同龄人，他们完成的原始表现数量或类型可能不同。

工作记忆指数低，本身并不能诊断 ADHD。加工速度指数低，也不能证明一个人在日常生活中思维缓慢。视觉分数高，也不能据此规定采用“视觉学习”。只有当一种模式可靠、罕见、稳定、与问题相关，并且得到行为、病史和其他测量的佐证时，解释才会更有力。

关于 WISC–V 能力剖面的研究说明了其中的困难。指数分数可能具有较高的总系统变异，但在剔除一般变异后，真正能够归因于其预期广泛因素的独特变异要少得多。在模拟中，观察到的指数差异并不能始终重现相应的潜在因素差异。³⁵ 不过，在一个临床样本中，长期的 WISC–V 分数仍显示出较高的秩序稳定性。³⁴ 在另一项针对德国七至九年级学生、为期一年的研究中，具体分数表现出中等至较高的稳定性；而在一般能力之外进行增量预测的效果大多较小，但有时与领域相匹配。³⁶ 证据支持严谨且针对具体问题的解释，而不是笼统地声称，能力剖面要么是诊断指纹，要么完全没有用。

跨测验组合评估：共同的语言不等于分数可互换

CHC代码可以揭示初始测验组合对某项能力的抽样不足，并帮助选择有针对性的后续测量。但两个标为Ga或Gf的综合分数，可能采用不同的任务、常模和加权方式。研究发现，不同测验组合中名义上等效的CHC综合分数并不总是可以互换。⁴³不要随意将它们取平均，也不要在缺乏其信度和效度证据的情况下臆造新的综合分数。

• 固定测验组合。使用一套协调一致且预先规划的测量工具；只有为回答明确的空缺问题时才增加测试。
• 优先采用多项指标。单项任务很少足以支持对广泛能力的推断。
• 检查常模。年龄、日期、语言、国家和施测方式都很重要。
• 保留任务差异。标签相似，并不意味着不同方法可以等同。
• 解释不确定性。报告置信度、基准率和合理的替代解释。
• 回到功能。思考这个人需要学习、沟通、参与或作出什么决定。

“流体智力在青年时期达到峰值、晶体智力在中年以前不断上升”这一简单说法在方向上有参考价值，但对个体而言并不可靠。加工速度、记忆、推理、词汇、社会理解和专业知识具有不同的平均发展轨迹。教育、世代、健康状况、练习以及具体任务都会改变这条曲线。

三种容易混淆的变化

教育可以改变测得的认知表现

一项针对42组数据集、超过60万名参与者的荟萃分析采用了包括政策变化和入学年龄截止点在内的设计。该分析估计，在所研究的各种设计中，额外一年教育可使智力测验表现提高约1至5个智商点。¹⁴ 这个范围并不是对个体有保证的剂量，学校教育也会以不同程度影响测验策略、知识和推理能力。不过，它确实反驳了这样一种观点：高度具有预测力的分数必然不受环境影响。

弗林效应并非节拍器般恒定

在20世纪的大部分时期，许多总体的平均分数有所上升。一项涵盖近400万名参与者的荟萃分析发现，增益因国家、时期和能力而异；某些流体能力和空间能力测量的平均增益大于晶体能力测量，并且有放缓的证据。¹³ 近期的一些数据表明，增益已经放缓。原因可能包括教育、健康、家庭规模、营养、技术、抽象问题环境以及测量变化；没有任何单一解释能够说明所有模式。

减少词汇或习得内容的要求，可以使任务较少依赖某一种经验。但这无法将文化从指令、符号、速度预期、测验互动关系、问题解决惯例、技术、动机或规范中排除。负责任的目标不是某种神话般的无情境测验，而是证明预期的解释具有足够的可比性和实用性。

测量不变性阶梯⁴⁶

许多非西方数据集中都发现了一般因子，但某种结构反复出现，并不等同于标量不变性、等价常模或公平决策。⁴⁵ 当测量不变性不成立时，原因可能涉及翻译、教育经历、熟悉程度、作答策略、题目内容、机会条件或构念本身。因此，翻译和改编需要有记录、迭代式的验证过程。⁵³ 即使测量不变性成立，不平等的机会获取和有害的筛选规则仍可能存在。⁴⁶

心理测量偏差与结果不平等是两个不同的问题。两者可以单独存在，负责任的评估会同时考察二者。

便利措施应依据构念而定

美国特殊教育规则要求使用多种工具，禁止将单一测量作为唯一标准，要求使用最有可能获得准确信息的语言和形式进行评估，并要求除非相关技能本身就是评估目标，否则感觉、操作或口语表达方面的局限不得污染结果。⁴⁷ 司法部关于《美国残疾人法》所涵盖考试的指导指出，经过合理便利调整的分数不应被标记，并提醒说，过去的学业成功并不能排除残疾。⁴⁸

神经多样性与诊断

认知测试有助于了解支持需求；但不能仅凭分数模式诊断复杂状况。对于智力障碍，当前的专业定义要求智力功能和适应行为均存在显著局限，且起源于22岁之前——不能仅凭智商分数线判定。³⁹ ADHD、自闭症、阅读障碍、语言障碍、感官残障和脑损伤同样需要智力剖面之外的证据。

专业标准是针对具体用途的效度：证据必须支持所提出的解释以及据此作出的决定。信度是必要条件，但并非充分条件；一项测试可能始终如一地测量错误的对象。出版商的一般验证结果不会自动适用于每所学校、每家诊所、每种语言、每项工作或每个分界分数。³⁷³⁸

一个分数影响人生之前的十二问审查

• 构念：目标是测量哪种确切的能力或表现？
• 目的：该结果将为哪项决策提供依据？
• 人群：验证是否涵盖这一年龄、语言、文化和环境？
• 常模：参照数据是否是最新且适用的？
• 精确度：置信区间是多少，尤其是在临界分数处？
• 可及性：语言、残障、界面或速度是否可能增加无关的难度？
• 便利措施：哪种调整能够保留目标构念？
• 聚合效度：还有哪些证据支持或质疑该结果？
• 预测：效标是否相关、可靠并经过独立验证？
• 公平性：是否分别考虑了差异项功能、不变性、差异预测、不利影响和可及性？
• 替代方案：是否存在排斥性更低且效果相当的方法？
• 权利与救济：在有要求的情况下，是否妥善处理了同意或授权、隐私和数据访问；是否会以易于理解的方式解释结果及其局限；当事人能否更正、申诉或重新测试？

让方法匹配你想了解的内容

拓宽视角的简史

推动科学发展的六个问题

动态与计算评估

传统测验测量的是一个人在标准支持下当前能够完成的事情。动态评估考察绩效如何随提示、教学或反馈而变化，从而可能揭示学习过程以及已达到的水平。计算机自适应测验可以高效地针对难度，过程数据则可以记录反应时间或策略轨迹。这些方法也会产生新的依赖：设备熟悉度、专有模型、监控、安全性和算法漂移。更多数据并不能免除界定构念或验证决策的需要。

生物学应当约束心理测量学，而不是取而代之

脑成像、遗传学和计算神经科学或许能阐明支持推理、记忆和知识的分布式机制。但分数的神经相关物并不能证明该因素是某一种生物学原因；生物学测量本身也存在信度、选择和解释问题。强有力的理论会连接不同层次，同时保留统计概括、认知过程、发展路径和社会结果之间的区别。

斯皮尔曼发现了一种一般性模式，任何严肃解释认知差异的理论都必须面对这一点。卡特尔和霍恩区分了推理能力与后天获得的知识，并拓展了广泛能力的版图。卡罗尔将数十年的证据整理成一个层级体系，而CHC为评估提供了一套共享且不断发展的词汇。斯滕伯格坚持认为，智能行为还涉及新颖性、应用、目标和环境。

我们没有必要在承认一般认知能力和欣赏多种能力形式之间作出选择。严谨的立场是累加性的：使用 g 它所总结的内容使用CHC；它所描绘的结构使用CHC；对于情境任务独特揭示的内容使用情境任务；而当成就、创造力、动机、适应行为、知识和机会本身才是重要因素时，则直接测量这些因素。

最明智的智能理论，不是把每一种人的差异都化为一个数字的理论，而是告诉我们一个数字包含哪些证据、遗漏哪些证据，以及如何行动而不把预测与命运混为一谈。