四种智力测验的简介,优点与不足

四种智力测验的简介、优点与不足

1.比纳-xx力量表

比纳-西蒙智力量表是世界上第一个智力量表也是世界上第一个系统，规范的心理测验量表。该量表与1905年诞生于法兰西第三共和国，系法国心理学家比纳与其助手西蒙为国家所需而编制，用以区分低能儿童，并对其进行特殊教育。测验最早有30个项目，1908年进行了修订，对题目进行了删改和扩充，增加到58个项目，所有项目按照年龄分组，每一岁为一组，年龄从3至13岁，共分为10组。1911，比内对其再次修订，更改了一些项目的顺序和内容并增加了一个成人组。

比纳-西蒙量表具有划时代的意义，它开创了心理测压的先河。其主要的优点是该量表将题目按照难度经行排序并以某一年龄中大多数被试能够通过的题目划分为一个年龄组，以此来测定个体的心理年龄。其项目根据语文，数学演算等实际操作的项目成绩来判定智力的高低，任务明确，测量意图明显。第一次对心理过程进行量化的区分。

当然，作为第一个心理量表，其缺点也不少。首先其量表项目较少，抽样略显片面。第二，其测验结果不稳定，信度偏低，仅对智力低下者有较好的区分，难以区分高智力者。

2.xx-xx力量表

该测验的主要优点为其拥有着良好的信度和效度，结果稳定且与成就分数和教师评定相关度较高；第一次采用了智力商数来表示智力的高低，使得智力更加量化；后期使用了离差智商，其表示方法更为科学。

斯坦福-比纳量表的主要缺点为早期的合成分一直以16为标准差，不能与其他智力量表所得智商进行直接比较。早期版本的整体结构依然为早期比纳-西蒙量表的范式，只能得到一个合成分。这些不足之处在后来的几次修订中进行了完善，使得该量表在当下依然经常使用。

3.韦克斯勒智力量表

1934年，美籍心理学家韦克斯勒开始编制智力量表，1939推出了适用于10至60岁个体的韦克斯勒-贝尔维智力量表（Wechsler-Bellecue Intelligence Test，W-BI），1942年推出了第二个韦克斯勒-贝尔维量表（W-BII）又称韦氏军人量表，1949年推出了用以测量6到16岁儿童的韦氏儿童智力量表（Wechsler Intelligence Scale for Children，WISC），1955年对W-BI进行修订，称为韦克斯勒成人智力量表（Wechsler Adult Intelligence Scale，WAIS），此量表适用于

16~74岁的成年人，此外还订制了适用于4~

6."5岁儿童的韦氏学龄前和学龄初期智力量表（Wechsler Preschool and Primary Scale of Intelligence，WPPSI）。

韦克斯勒不同于以往的智力测验，其优势十分明显，首先其采用了离差智商来表示个体的智力水平；同时其结构也比比纳-西蒙智力量表和斯坦福-比纳智力量表复杂的多，一共可以提供三分智商分数，即两个分测验的分数和一个合成分数，用以表示被测者的言语智力，操作智力和总智力水平。其常模也很具有代表性。可测量的年龄跨度大，辅助测验多，覆盖面广泛。他的不足主要表现为两个分测验衔接并不完美。有些测验题目偏难，起点较高。计算偏复杂，不利于测验者掌握。

但是，这些不足也有些牵强，不论如何，这一测验也是十分成功好优秀的。

4.推理测验

1938年，英国心理学家推出了一种由自己编制的，只包含有图形推理题目的纸笔测验，该测验适用于8岁以上的人群，称为推理测验（Raven’s Progressive Matrices，RPM），其根据斯皮尔曼的智力二因素理论编制，主要测量智力的G因素。标准推理测验（Raven’sStandard Progressive Matrices，SPM）包含60道题目，分为

A、

B、

C、

D、E共5组，每组题目由难到易，并且每组各自考察一类推理能力。标准推理测验主要适用于智力8岁以上一般的普通人。1947年，又推出彩图推理测验（Raven’s Color Progressive Matrices，CPM），可以用以测量幼儿和智力低下者的智力。此外推理测验还包括了高级推理测验（Raven’s Advanced Progressive Matrices，APM），此测验可以较好的测量高智商人的智力水平。

推理测验的优势十分明显，首先其只为纸笔测验，而且只包含图形推理题目，聋哑人，文盲，难以进行操作测验的残疾人，甚至是自闭症患者都可以完成测验。适用范围很广，不受文化、种族差异的影响。其也方便于进行团体测验。信效度良好，结果直观。题目是逐渐变难的，有助于发挥真实水平。测验内容也有一定趣味性。

其缺点也十分明显，首先其只能考察被测者的逻辑推理能力，考察范围十分片面不能测量整体智力。测验内容受个体经验影响严重，有过类似经验的个体成绩明显高于其他的个体，有事甚至出现难易倒错的现象。另外由于适用范围过大，导致常模的精确性下降。