智子本文目录 · 12节
140是一个申请门槛。要理解它，还需要三个坐标：测了什么、与谁比较、测得有多准。
分数首先是一种位置
离差智商将一个人在参照群体中的相对位置，转换为约定的分数。在常见的均值100、标准差15的计分标准下，140高出均值约2.67个标准差。如果用正态模型描述总体，这一位置以上约有0.38%的人，约相当于每261人中的1人。这个比例来自模型计算；一份具体报告是否支持如此精细的解释，还取决于它自己的常模与测量精度。
百分位描述的是相对位置，而非“答对百分之多少”。第99百分位不意味着答对99%的题；一张非常难的试卷，原始分过半也可能对应很高的百分位。反过来，同样答对40题，如果试卷总题数、题目难度或比较群体发生变化，意义就会改变。
同一位置若改用标准差24、均值100的计分标准，分数约为164。数字改变，位置没有改变。
总分背后，有不同的认知任务
一套综合智力量表通常包含多类任务。有人擅长发现新图形的规律，有人长于词汇与知识的运用，有人能在头脑中保持并操作信息，也有人能迅速而准确地完成简单加工。这些表现往往相互关联，但不会完全重合。
流体智力通常涉及面对新问题时的推理、关系发现与抽象加工；晶体智力更关注已获得的知识与经验。它们不是两个彼此隔绝的盒子。解一道陌生题时，你可能同时用到新推理、熟悉的表示法、工作记忆和学习经验。心理测量中的一般智力因素g，是从多种认知任务的共同变异中提取的统计概念，也不等于“世界上存在一道能测出全部聪明程度的题”。
这解释了为什么单项图形推理成绩与一套综合量表的总智商不能随意互换。前者可能很好地测量某个重要维度，但维度重要，并不自动使它覆盖所有维度。阅读报告时，先看分数名称，再看它属于分测验、指数，还是总分。
常模决定了你正在和谁比较
想象一场跑步：同样的十公里用时，在全体成年人、经常跑步的人和职业运动员中，会处于三个不同位置。智力测评同样需要明确参照群体，尤其要考虑年龄、语言、教育与文化背景，以及常模形成的时间和方式。
一个由自愿报名的解谜爱好者构成的样本，可能很适合研究这个爱好者群体，却不能仅因人数不少，就自动代表整个人口。若常模借助其他测试换算，还需要追问：两种测量覆盖哪些人、它们在高分区是否有足够数据、换算的不确定性是否被说明？
标准化也不只是“题目相同”。施测说明、时限、评分办法、允许使用的工具及比较依据，都会影响分数的可解释性。《教育与心理测验标准》强调，应围绕具体的分数解释和用途来评估证据。一项成绩适合描述某种推理表现，不等于它已经适合承担所有选拔、诊断或预测任务。
分数是估计值，边界附近尤其如此
睡眠、注意、紧张、题型熟悉程度与测量本身的抽样误差，都会让表现波动。可靠的报告因此常呈现置信区间、标准误或分项结果。Pearson的WAIS报告设置就包含百分位与置信区间等信息。看到区间不是发现测试“失灵”，而是看见测量者把不确定性写了出来。
设想两份虚构报告：甲为139，乙为141，且两者各自都有若干分的测量不确定性。行政规则可以在140划线，却不能由此推出两人的认知能力存在一道清晰的天然断层。门槛解决组织如何接收申请的问题；科学解释要承认连续差异和测量误差。
140、142⅔与164，为什么是同一个门槛
三种写法对应同一理论位置：在均值为100的正态分布中，高于平均值约2.667个标准差（精确值为8/3个标准差）。分数的不同来自标准差的不同；实际申请仍按相应量表的常模、报告精度与等效百分位核验。
离差智商的基本换算为 IQ＝100＋SD×z。把z固定在8/3，标准差15得到140；标准差16得到142⅔；标准差24得到164。这里的142⅔是精确的线性换算，约143只是便于阅读的四舍五入，实际审核以正式报告的百分位和精度为准。
标准正态分布在z＝8/3右侧的面积约为0.00383038，即前0.383038%，累积百分位约99.616962。页面展示保留为前0.383%或约前0.38%，避免让小数位显得比测量本身还精确。三个数字描述的是同一个模型位置，不是三道难度不同的门槛，也不是三个量表的原始分。
正态分布是解释这种等效关系的模型。具体测试的常模样本、适用年龄、总分还是分项分数，以及高分区精度仍需要核对。也不应把“平均值”说成正常与不正常的分界；均值100只是所用量表的参照中心。
一般智力因素：共同变化，不是万能器官
如果让同一批人完成词汇、空间、记忆和推理任务，研究者关心的不只是每道题的分数，还包括分数如何一起变化。在一种任务上表现较好的人，在其他认知任务上也往往较好，但并非毫无例外。这种总体上的正相关结构，是一般智力因素g得以被统计建模的重要背景。
可以把它想成一张成绩表：每一列是一类任务，每一行是一个人。因素分析尝试用较少的潜在维度描述列与列之间的关系。共同因素解释不同任务共享的变异，较窄的因素描述语言、空间等方面的额外差异。不同模型怎样组织这些因素，需要比较拟合、可解释性和外部证据；它们不是通过给因素取一个名字，就完成了对大脑机制的发现。
这也解释了“某项测试与g高度相关”为什么不是“它测量了人的全部智慧”。一个统计模型可以很好地预测多类成绩，同时仍未覆盖动机、审美判断、创造性工作的坚持，以及面对道德冲突时的选择。我们应当允许一个指标有预测价值，也允许它有明确的测量范围。
信度、效度和公平性，分别在问什么
信度关心分数的一致性或精度，效度关心某种分数解释是否有证据支持。每天都多报两公斤的秤可以很稳定，却不准确。测验同样可能稳定地奖励某种训练经验，而使用者却误以为它精确测出了未经训练的推理能力。高信度是有用的条件，但无法独自完成效度论证。
公平性又增加了另一个问题：在目标能力相当时，语言、文化或施测条件是否让某些人系统性地更难展示能力？如果题目本来要考查词汇，词汇知识就是目标的一部分；如果声称考查与语言无关的空间操作，却因说明文字晦涩造成大量差异，就可能混入无关因素。不能仅凭题目没有文字，就宣布测试完全不受文化或教育经验影响。〔AERA、APA与NCME，2014〕
一个可计算的测量误差例子
经典测量理论用X=T+E表示观察分数：T是特定测量条件下的“真分数”，E是误差。这里的真分数是同类测量无限重复时的期望表现，不是一个脱离任务、永远不变的灵魂编号。
作一个纯教学假设：某测试的分数标准差为15，适用样本中的信度为0.90。在简化的经典模型下，测量标准误SEM=15×√(1−0.90)≈4.74。若再假定误差近似正态且不同分数区间误差相同，用观察分数加减1.96个SEM可展示一个粗略的不确定范围。140±9.3分这个例子说明，报告整数不意味着测量精度达到一分。真实量表应使用自己的报告方法，不能把这组虚构参数套给申请者。
两个观察分数之间的差异是否可靠，还涉及两次误差的关系。重复同一套题可能同时产生练习效应与相关误差；比较不同分测验时又可能涉及不同的标准误。因此，“两人只差两分”和“相差两分一定毫无意义”都过于笼统，关键在于具体量表与比较问题。
标准差15或24是计分约定；韦氏、斯坦福—比奈等名称对应测量工具及版本。调整计分单位不会凭空增加测量信息，换一套测量工具则可能改变考查内容。
回归均值：为什么极高分复测未必同样极端
假设某次高分既包含稳定能力，也包含当天有利的随机波动。若专门挑出这次最高的一群人再次测试，下一次不一定还能获得同方向的偶然助力，平均结果就可能更接近群体均值。这是选择极端观察值后常见的回归均值现象，不等于这些人突然变笨，也不意味着每个人都会下降。
如果在多次成绩中只展示最好的一次，问题会更加明显：公布的数字既反映表现，也反映尝试和挑选的机会。完整记录比一张最高分截图更有解释力。另一方面，系统学习、健康变化或量表更换，也可能导致真正的表现变化，不能把所有变化都归入随机误差。
读报告时，先走完这条解释链
先确认分数属于总智商、某个指数还是单项任务；再确认年龄、语言与常模；接着看施测方式、版本、置信区间及任何影响解释的说明；最后才讨论它与入会条件的对应关系。把顺序倒过来，从一个喜欢的数字出发寻找支持，很容易忽略报告本身的限制。
智商测试最有价值的用法，是把可比较的认知表现变成可以讨论的证据。既不用把它神秘化成对整个人的最终判决，也没有必要因为它不完美，就否认它能够提供真实信息。
拿到分数以后
高分可以是一项有意义的认知表现，也可以帮助人找到相似兴趣的同伴。它不能独自替代领域知识、创造性的长期投入、判断力、合作习惯或待人的方式。一次交流是否值得继续，往往要看一个人如何提出问题、修正判断，以及能否把复杂东西讲得清楚。
对申请者而言，最有用的准备是保留完整报告：版本、日期、原始分、标准分、计分标准与可核验的施测信息。对阅读者而言，最值得养成的习惯是让每一个很精确的数字，都带着它的测量条件一起出现。