智商测试和理论趋势：Google Ngram可视化

过去一周，我在 纽约时报 关于Google提供的新的数据可视化工具- 走ogle图书Ngram查看器。然后我碰到一个 法律博客文章 有人用不同的法律术语调查了趋势...而我忍不住尝试一下。

如罗伯特·安布罗吉（Robert Ambrogi）在法律博客中所述：

“使用从1500到2008年间已数字化的数百万本书中获得的数据，它可以让您查看并比较单词和短语在数年或几个世纪以来在图书中使用的频率。正如Google所说： “使用Ngram Viewer，您可以对这些数据集中的短语进行图形化处理并进行比较，以显示多年来它们的使用情况如何增加和减少.”

我首先必须尝试输入的术语如何工作。这些术语区分大小写。我用各种排列检查每个短语，以最大程度地提高“命中率” ...，然后一起运行一些短语以确定并比较趋势。

以下是我的结果，并附有一些评论-数据往往能说明一切。我发现我搜索的大多数内容直到1940年之后才出现...因此这就是每个图的起点。还需要注意的是，这些图表仅在2008年之前上升...今天很高兴看到这些图表

酷的东西。双击每个图可放大。

该图表表明，Gv（视觉处理），Ga（听觉处理）和处理速度（Gs）的认知能力领域已成为比Gf（流体智力），Gc（晶体化智力），Gsm（短期记忆）更热门的话题。和Glr（长期检索）。有趣。

一个非常清楚的观察。在非韦氏智能电池中，斯坦福大学的Binet随着时间的流逝而急剧下降，而自1990年以来，智商测试块（WJ，DAS，KABC，CAS）上的“新手”成为更多写作的重点。如果将其纳入Wechsler Intelligence，则无疑是跨时间的赢家。我将其省略，这样“其他”电池的趋势将更加明显。

正如我多次写的那样，当代的卡特尔-洪卡罗尔（CHC）情报理论已经成为情报的共识理论。这个有趣的图表支持了这一结论，尤其是从1997年到2008年。此外，如果单击摘要表中的搜索词，则会将其带到包含该词的Google图书页面上。 点击这里 看CHC理论的例子。

我认为以上提到的许多趋势是由于1989年WJ-R的发表，Gf-Gc理论向CHC理论的出现。我已经写过关于这一关键的从理论到实践的出生期的文章 这里 和 这里.

-使用我的Kevin McGrew的iPad使用BlogPress的iPost

情报 智商测试 智商分数 CHC理论 卡特尔·洪·卡罗尔 人类的认知能力 心理学 学校心理学 个体差异 认知心理学 神经心理学 特殊教育 教育心理学 心理测验 心理评估 心理测量 智商角 神经科学 神经认知 认知能力 认识 伍德科克·约翰逊（Woodcock Johnson） 通过 中国科学院 韦氏智能电池 考夫曼评估电池 差异能力量表 加德纳多元智能 斯滕伯格 Triarchic 理论

基于Sternberg统一推理理论的GF任务分析

在放假期间，我读了罗伯特·斯特恩伯格（Robert 斯滕伯格）一篇相对较老的文章，内容涉及人类推理。我通过我的CHC镜头阅读了他的作品，并总结了以下关键信息。我相信，优秀的从业人员可以将这些信息转化为有用的见解，以了解有关个人在各种Gf测试中的表现。我已自由在其写作摘要中插入CHC缩写（Gf，I，RG等）。

斯滕伯格，R。（1986）。迈向统一的人类推理理论， 智力10，281-314（1986）

• “至少从亚里斯多德以来，人类推理一直是严肃研究的主题，并且今天仍然是心理学理论和研究的重要主题。我们生活中无处不在的推理鼓励我们既了解我们进行推理的过程，又找出有时导致我们得出错误结论的错误根源。” (1986, p.281)

1986年，Sternberg提出了统一的人类推理理论（Gf）。他关于Gf的统一理论将推理概念化为“将三个过程（选择性编码，选择性比较和选择性组合）应用于推理规则的受控和中介应用。”根据Sternberg的说法，任何这些流程的存在都将任务/问题定义为Gf，而解决方案不依赖于这些流程中的任何一个的任何任务都不会被视为Gf。

根据CHC对Gf的分类学定义，选择性编码和比较主要是Gf较窄的Gf能力的基础 归纳推理（I） 而选择组合的主要特点是 一般顺序（演绎）推理（RG）.

斯滕伯格’定义的Gf流程

• 选择性编码。 在许多日常问题和任务（以及心理测量任务）中，个人会受到大量信息的轰炸，其中只有一部分信息与理解和解决手头的任务有关。 选择性编码是用来区分相关信息和无关信息的过程。 在许多这样的任务中，个人必须决定哪些信息/刺激与解决问题有关。这种相关性决策过程被认为发生在工作记忆（Gsm-MW）中。

• 选择性比较。 要解决大多数推理问题，就需要个人从大量获取的信息中检索陈述性和/或程序性知识。鉴于个人的广度和深度’在获得的知识的领域中，需要一种机制来确定哪些存储的信息可能与问题相关。 选择性比较是个人仅检索与问题解决方案潜在相关的那部分信息的过程。此过程涉及访问（Glr）获得的知识（例如Gq，Gc，Grw）的存储。

• 选择性组合。信息经过选择性编码和比较后， 两个组成部分结合 在工作内存（Gsm-MW）中。

与基于CHC的Gf（新颖问题解决）定义一致，Sternberg提供了一个警告。即，选择性编码，比较和组合仅定义了对“它们以受控而非自动化方式执行的程度”（第286页）。根据斯特恩伯格’s “graduated”观点认为，自动化是一个连续的过程，其问题较少依赖于自动化程度更高的Gf。

斯滕伯格 I vs. RQ distinction

根据Sternberg（1986）的观点， 归纳推理（I） 派生自“选择性编码和选择性比较过程，这两者都涉及从无关信息中对相关信息进行排序。唯一的限制是，该问题没有逻辑确定的解决方案。换句话说，不应该在逻辑上正确使用某些信息而在逻辑上错误使用其他信息” (p. 293).

相比之下， 演绎推理（RQ） 主要来自“选择性组合过程，但要有一个或多个从逻辑上确定问题的解决方案。换句话说，某些信息组合在逻辑上必须正确，而其他组合在逻辑上不正确（第294页）。

Gf 表现的调解人

根据Sternberg（1986）的研究，“通过使用调解器来改变此类规则的可用性或可访问性，可能会变得更容易或更难” (p. 292). 中介者被定义为将增加或减少要在特定Gf问题中使用的推理规则的可用性或可访问性的任何中间变量。。以下是Sternberg提供的潜在Gf介体的详尽列表。

• 先验概率。 个人对使用给定推理规则（或推理规则集）进行推理任务的主观可能性估计。

• 后验（上下文）概率。 个人将某种推理规则应用于问题的可能性可能受到以下因素的影响：“内部情境线索”在问题任务中。斯特恩伯格（Sternberg）提供的与Gf口头语言测试项目（例如口头类比）有关的示例是，相对于前缀，词干和后缀提供的知识，个人经常可以弄清未知单词的含义。

• 壕沟。 一些推论信息（规则）合而为一（更牢固）’的经验，而不是其他规则，而根深蒂固的规则更容易应用于问题解决方案。例如，个人更熟悉在Gf任务中使用正面（相对）负面信息（Sternberg，1986）。

• 先验知识。 如果个人不了解与Gf问题解决方案相关的推理规则，则无法使用。可用性（与可访问性相反）–规则的上述三个中介者的特征被认为是先验知识中介者。

• 工作记忆容量（Gsm-MW）。谚语信息处理的资源受限约束“bottleneck”（工作内存）妨碍了编码和组合与问题相关的信息所需的空间量。工作记忆系统有限的资源使需要精神上的信息和规则不断增加的大型复杂Gf问题变得更加困难。

• 代表性能力。 人们以不同（例如语言，空间）格式表示信息的能力各不相同。根据Sternberg（1986），“两个人可能同样善于运用给定的程序规则，例如推断关系，但由于在将给定的心理规则应用于程序的规则上有不同的能力，因此在给定的问题上有不同的难度。一个人可能会发现将规则应用到空间域更容易，而另一个人可能会将规则应用到语言域中”（第292页）。将各种过程应用于Gf任务的流利程度或效率可能取决于在解决问题过程中使用的心理表征的质量。

• 内容引起的偏见。 Gf 问题中的内容类型可能会影响任务性能。例如，研究表明，带有情感内容的分类三段论比没有情感内容的分类三段论更困难。

• 形式诱发的偏见s。 Gf 任务的形式或结构也可能会带来偏差。形式引起的偏差是由形式而不是给定推理问题的内容引入的偏差。