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，或界定有效行动。这些是彼此关联的研究方向，但不能相互替代。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加宽泛，强调功能和情境。

设想一个包含词汇、矩阵、空间旋转、记忆和速度任务的测验组合。每项任务都会产生一个观察得分。当对许多人的得分进行相关分析时，通常会出现一种熟悉的模式：大多数相关都是正的。因素分析用少量未观察变量来表示这种协方差。其结果是对该样本中个体差异的一种严谨概括，而不是对某种名为智力的物质进行扫描。

1. 抽样表现。 任务在内容、指令、语言、时间限制，以及感官和运动要求方面各不相同。测验组合决定了哪些因素有机会被计入。

2. 估计关系。 研究者考察人们的相对表现是否共同变化。相关描述的是不同人之间的关联；它并不表示一项任务会导致另一项任务。

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足够。一个有用的模型应当具有可解释性、可重复性，在其用途所需范围内足够稳定，并在相关的不同年龄、语言、群体和条件下接受检验。

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

研究学校成绩和感觉辨别测量时，查尔斯·斯皮尔曼认为，智力表现之间的相关可以由一个共同的一般因素，加上每项任务各自的特定因素来解释。他将一般因素称为 g 以及任务特定成分 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”，而是多种认知表现共享方差——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

研究者反复发现了一些比单个任务更宽泛、但比 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，层级模型成为一种自然的折中方案：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，使这一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；经过良好构建的测验组合所得到的一般因素分数，往往会以相似的方式对人们进行排序。⁵⁸ 然而，一个 g 分数并非完全不受测试影响：其内容和精确度取决于纳入哪些指标、抽取哪个群体，以及拟合哪个模型。

反映模型将一般能力视为对任务表现的共同影响。过程理论则可以将一般指标视为由许多相互重叠的要求汇总而成，而不是视为具有可互换影响的单一原因。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“所解释的百分比 g”没有普遍适用的答案

报告称 g 所解释的“智力”比例。不同说法混用了不同的分母和方法。第一主成分、共同因子、高阶因子和双因子一般因子并不会以相同方式划分方差。估计结果还取决于测试的广度和信度。稳妥的结论是定性的：一般性协方差相当大，但广泛方差与特定方差，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，但它们都不能把某个得分变成完整的因果解释，也不能对某一个人作出确定的预测。

心理测量网络模型将观测分数表示为由条件关联连接起来的节点；仅凭这些边不能证明因果影响。其他理论强调工作记忆、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这样的模型：它们能够对发展、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，而不是仅仅进行拟合竞赛。⁵²⁸

罗伯特·斯滕伯格于1985年提出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、环境塑造与环境选择。这三种广为人知的能力横跨了这些关注点。⁵⁵

流行概述之下的三个子理论

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，通过发挥优势、纠正或弥补弱点，并平衡分析、创造和实践能力，实现个人有意义目标的能力。这里的“成功”取决于情境，并不只是财富或地位；适应也不必意味着被动顺从。¹⁷

最有利的解读既不是“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可以增加有用信息，并使人们有机会展示更多不同方面的能力。至于它们的分数是否代表三种彼此独立的智力，能否超越现有测量广泛预测结果，以及能否公平地大规模应用，仍存在争议。

为什么实践智力难以单独分离出来

默会知识量表通常会呈现一个工作或生活情境，并要求受测者评价可能采取的行动。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，得分会随指导语变化，并且与认知能力和人格有关。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。

从成功智力到适应性智力

斯滕伯格较新的适应性智力理论探讨的是：智力是否能帮助个人和群体适应现实中共同面对的问题，而不仅仅是在现有体系内优化个人结果。它将智慧、伦理后果和公共利益进一步置于核心位置。²⁵这是一种颇具争议的规范性框架，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。

斯滕伯格持久的挑战并不是说测试分数毫无用处，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。这一区分依然很有价值，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

卡特尔的投资观点认为，流体能力会被“投入”到学习中，从而帮助形成晶体化知识。现代发展观认为，两者之间的关系更具相互作用性。先前的知识能让新的推理更高效；兴趣会影响人们练习的内容；学校教育会同时改变知识和测试策略；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；也可能拥有深厚的专业知识，从而弥补处理新颖信息时速度较慢的不足。

历史注记：Donald Hebb 关于具有生物学基础的“智力 A”和后天发展的“智力 B”的区分，影响了 Cattell 的理论构想。因此，档案研究提醒我们，不应将其简单归结为某位孤立发明者的成果。⁴²

Carroll 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。这项成就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

Carroll 的层级与扩展后的 Cattell–Horn 模型有很大重叠。Kevin McGrew 及其他评估学者围绕后来 Woodcock–Johnson 测验组的发展，逐步使这些分类体系趋于一致，“CHC”遂成为统称。这一综合影响了测验蓝图、分数分类和跨测验组解释。³

当代概述通常描述约 17–18 项广泛能力及许多更狭义的能力，具体数量部分取决于如何计算 Gkn 和 Gei 等拟议领域。学校和临床测验组集中于其中一部分，这些能力具有成熟的测量方法和实际相关性。这些代码是简洁的标签，并非基因、脑模块，也不保证每项已发表的测验都能纯粹地单独测量某项能力。²⁹

一些当代版本还包括情绪智力（Gei），暂时将其定义为感知、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最初的广泛层级、早期整合的CHC图表和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），而长期存储与提取（Glr）则被拆分为学习效率（Gl）和提取流畅性（Gr）。有些概述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。某个来源说“约十项”“十六项”“十七项”或“十八项”，可能是在描述不同版本，而不是简单地犯了错误。

2023年的一项心理测量网络分析支持了几个熟悉的CHC集群，同时建议对工作记忆、注意控制、学习和提取方面进行修订。这正是一个活的分类体系应有的表现：证据可以保留有用的规律，同时改变它们的组织方式。²⁸

可以整合的内容

严谨的评估可以使用一般得分进行广泛预测，使用受 CHC 启发的领域来理解任务覆盖范围，并使用受斯滕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、坚持力和兴趣，是不同形式的证据，具有不同的信度和相关性。

应保持区分的内容

分析性、创造性和实践性表现，并不只是 Gf、发散思维和 Gc 的简单同义词。同样，CHC 的广义能力也不是固定的学习风格，而 g 也不是每一种值得称道的人类能力的平均值。只有在保留各构念边界的前提下进行整合，才最为诚实。

标准化认知评估要求受试者在受控规则下完成选定任务。研究人员使用适当的常模样本对原始表现进行转换，将其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。每一步都让结果更易于解释——而每一步都建立在若干假设之上。

1. 任务表现。受试者听取、观看或阅读指导；对内容进行推理；并通过口头回答、指认、书写、操作物体或使用设备作出反应。

2. 原始分数。正确作答数、质量、时间或其他规则产生一个总分。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。将表现与明确的年龄组或其他参照组进行比较。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，以提高可靠性，并抽样测量诸如言语理解、工作记忆或加工速度等拟议领域。

5. 总体综合分数。全量表分数综合了各领域的表现。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不寻常的表现模式时，可能不够完整。

主要测验组合与CHC的关系

大多数当代智商综合分数的标准化方式是：按年龄常模计算的平均数为 100，标准差为 15；但具体分数的定义由测验手册决定，而不是由通用图表决定。按年龄建立常模意味着，10 岁儿童和 60 岁成人可以拥有相同的标准分，同时相对于同龄人完成的原始任务数量或类型却不同。

较低的工作记忆指数本身并不能诊断 ADHD。较低的加工速度指数也不能证明一个人在日常生活中思维缓慢。较高的视觉分数并不意味着必须采用“视觉学习”。只有当某种模式可靠、不同寻常、稳定、与问题相关，并且得到行为、经历和其他测量结果佐证时，对它的解释才更有说服力。

关于WISC–V档案的研究说明了这一困难。指数分数可能具有很高的总体系统方差，但在剔除一般方差后，真正归因于其预期广泛因素的独特方差要少得多。在模拟中，观察到的指数差异并不稳定地重现相应的潜在因素差异。³⁵ 尽管如此，在一个临床样本中，长期WISC–V分数仍显示出显著的排名稳定性。³⁴ 在一项针对德国七至九年级学生的独立一年期研究中，具体分数具有中等至高度稳定性；然而，超出一般能力的增量预测大多很小，但有时与领域相匹配。³⁶ 证据支持严谨、针对问题的解释，而不是笼统地断言测验档案要么是诊断指纹，要么完全没有用。

跨测验评估：共享语言并不意味着分数可互换

CHC代码可以揭示主要测验组合对某项能力的抽样不足，并帮助选择针对性的后续测量。但标记为Ga或Gf的两个综合指标可能使用不同的任务、常模和加权方式。研究发现，不同测验组合中看似等效的CHC综合指标并不总是可以互换。⁴³不要随意对它们取平均，也不要在缺乏其信度和效度证据的情况下编造新的综合指标。

• 固定测验组合。使用一套连贯且预先规划好的测量；只有为回答明确的空缺问题时才增加测试。
• 优先采用多个指标。单项任务很少足以支持对广泛能力的推断。
• 核查常模。年龄、日期、语言、国家和施测模式都很重要。
• 保留任务差异。相似的标签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。询问这个人需要学习、沟通、参与或做出什么决定。

一种简单的说法是：流体智力在青年时期达到峰值，晶体智力在中年以前持续上升。这一说法在方向上有用，但对个体而言并不可靠。加工速度、记忆、推理、词汇、社会理解和专门知识具有不同的平均发展轨迹。教育、世代差异、健康、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

一项对42个数据集和超过60万名参与者进行的元分析采用了包括政策变化和入学年龄界限在内的研究设计。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试表现提高约1至5个智商点。¹⁴ 这个范围并不保证个体会获得同等幅度的增益，而学校教育可能以不同比例影响测试策略、知识和推理。尽管如此，它仍然反驳了“高度预测性的分数必然不受环境影响”这一观点。

弗林效应不是节拍器

在整个20世纪的大部分时期，许多群体的平均分数都在上升。一项涵盖近400万名参与者的元分析发现，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。

减少复杂词汇或习得内容的要求，可以使任务较少依赖某一种经验。但这无法从指导语、符号、速度预期、测验互动关系、问题解决惯例、技术、动机或规范中消除文化因素。负责任的目标不是追求神话般的无情境测验，而是证明预期解释具有足够的可比性和实用性。

测量恒等性阶梯⁴⁶

许多非西方数据集都发现了一般因子，但某种结构的重复出现并不等同于标量恒等性、等效常模或公平决策。⁴⁵ 当测量恒等性不成立时，原因可能涉及翻译、教育经历、熟悉程度、作答策略、项目内容、机会或构念本身。因此，翻译与改编需要有据可查、反复迭代的验证过程。⁵³ 即使测量恒等性成立，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不同的问题。两者可以彼此独立存在，负责任的评估会同时考察二者。

合理便利应遵循测量构念

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，要求以最有可能获得准确信息的语言和形式进行评估，并要求除非感觉、手动或口语技能本身是评估目标，否则这些方面的局限不得污染结果。⁴⁷ 美国司法部关于《美国残疾人法》所涵盖考试的指导意见指出，经过合理便利调整的分数不应被标记为特殊分数，并提醒说，以往的学业成功并不能排除残疾。⁴⁸

神经多样性与诊断

认知测验可以帮助了解支持需求；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性行为均存在显著局限，且起源于22岁之前，而不是仅凭智商分界值。³⁹ 注意缺陷多动障碍、自闭症、阅读障碍、语言障碍、感觉障碍和脑损伤同样需要智力概况以外的证据。

专业标准是针对具体用途的效度：证据必须支持拟议的解释以及据此作出的决策。信度是必要条件，但并非充分条件；测试可能始终如一地测量错误的对象。出版方的一般验证结果不会自动适用于每一所学校、每家诊所、每种语言、每份工作或每个临界值。³⁷³⁸

一项在分数影响人生之前进行的十二问审查

• 构念：意图测量的确切能力或绩效是什么？
• 目的：结果将为哪项决策提供依据？
• 人群：验证是否涵盖该年龄、语言、文化和环境？
• 常模：参照数据是否最新且适用？
• 精确性：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难度？
• 便利措施：哪种调整能够保留目标构念？
• 趋同性：还有哪些证据支持或质疑这一结果？
• 预测：效标是否相关、可靠且经过独立验证？
• 公平性：是否分别考虑了DIF、测量不变性、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同样有效的方法？
• 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、申诉或重新参加测验？

让方法匹配于你想了解的内容

拓宽视野的简明历史

推动科学发展的六个问题

动态评估与计算评估

传统测验抽取的是一个人在标准支持条件下当前能够完成的任务。动态评估考察表现如何随着提示、教学或反馈而变化，因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定位难度，过程数据则可以记录作答时间或策略轨迹。这些方法也会带来新的依赖：设备熟悉度、专有模型、监控、安全性和算法漂移。更多数据并不会消除界定构念或验证决策的必要性。

生物学应当约束心理测量学，而不是取代它

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种单一的生物学原因；生物学测量本身也存在信度、选择和解释方面的问题。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差异。

斯皮尔曼发现了一种一般模式，任何严肃解释认知差异的理论都必须面对它。卡特尔和霍恩区分了推理与习得知识，并拓宽了广义能力的图谱。卡罗尔将数十年的证据整理成一个层级体系，而 CHC 则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，聪明的行为还涉及新颖性、应用、目标和环境。

没有必要在认可一般认知能力与重视多种形式的能力之间二选一。严谨的立场是相加式的：使用 g 对于它所总结的内容；对于它所描绘的结构，使用 CHC；对于情境任务所独有地揭示的内容，使用情境任务；而对于真正重要的成就、创造力、动机、适应行为、知识和机会，则直接加以测量。

最明智的智力理论，不是把每一种人与人之间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，以及如何在不把预测与命运混为一谈的情况下采取行动。