放弃手工标记数据，斯坦福大学开发弱监督编程范式Snorkel

手工标记大量数据始终是开发机器学习的一大瓶颈。斯坦福AI Lab的研究人员探讨了一种通过编程方式生成训练数据的“弱监督”范式，并介绍了他们的开源Snorkel框架。

近年来，机器学习 (ML) 对现实世界的影响越来越大。这在很大程度上是由于深度学习模型的出现，使得从业者可以在基准数据集上获得 state-of-the-art 的分数，而无需任何手工特征设计。考虑到诸如 TensorFlow 和 PyTorch 等多种开源 ML 框架的可用性，以及大量可用的最先进的模型，可以说，高质量的 ML 模型现在几乎成为一种商品化资源了。然而，有一个隐藏的问题：这些模型依赖于大量手工标记的训练数据。

这些手工标记的训练集创建起来既昂贵又耗时 —— 通常需要几个月甚至几年的时间、花费大量人力来收集、清理和调试 —— 尤其是在需要领域专业知识的情况下。除此之外，任务经常会在现实世界中发生变化和演变。例如，标记指南、粒度或下游用例都经常发生变化，需要重新标记 (例如，不要只将评论分类为正面或负面，还要引入一个中性类别)。

由于这些原因，从业者越来越多地转向一种较弱的监管形式，例如利用外部知识库、模式 / 规则或其他分类器启发式地生成训练数据。从本质上来讲，这些都是以编程方式生成训练数据的方法，或者更简洁地说，编程训练数据 (programming training data)。

在本文中，我们首先回顾了 ML 中由标记训练数据驱动的一些领域，然后描述了我们对建模和整合各种监督源的研究。我们还讨论了为大规模多任务机制构建数据管理系统的设想，这种系统使用数十或数百个弱监督的动态任务，以复杂、多样的方式交互。

回顾：如何获得更多有标签的训练数据？

ML 中的许多传统研究方法也同样受到对标记训练数据的需求的推动。我们首先将这些方法与弱监督方法 (weak supervision) 区分开来：弱监督是利用来自主题领域专家(subject matter experts，简称 SME) 的更高级别和 / 或更嘈杂的输入。

目前主流方法的一个关键问题是，由领域专家直接给大量数据加标签是很昂贵的：例如，为医学成像研究构建大型数据集更加困难，因为跟研究生不同，放射科医生可不会接受一点小恩小惠就愿意为你标记数据。因此，在 ML 中，许多经过深入研究的工作线都是由于获取标记训练数据的瓶颈所致：

在主动学习 (active learning) 中，目标是让领域专家为估计对模型最有价值的数据点贴标签，从而更有效地利用领域专家。在标准的监督学习设置中，这意味着选择要标记的新数据点。例如，我们可以选择靠近当前模型决策边界的乳房 X 线照片，并要求放射科医生仅给这些照片进行标记。但是，我们也可以只要求对这些数据点进行较弱的监督，在这种情况下，主动学习与弱监督是完美互补的；这方面的例子可以参考 (Druck, settle, and McCallum 2009)。

在半监督学习 (semi-supervised learning ) 设置中，我们的目标是用一个小的标记训练集和一个更大的未标记数据集。然后使用关于平滑度、低维结构或距离度量的假设来利用未标记数据 (作为生成模型的一部分，或作为一个判别模型的正则项，或学习一个紧凑的数据表示)；参考阅读见 (Chapelle, Scholkopf, and Zien 2009)。从广义上讲，半监督学习的理念不是从 SME 那里寻求更多输入，而是利用领域和任务不可知的假设来利用未经标记的数据，而这些数据通常可以以低成本大量获得。最近的方法使用生成对抗网络 (Salimans et al 2016)、启发式转换模型 (Laine and Aila 2016) 和其他生成方法来有效地帮助规范化决策边界。

在典型的迁移学习 (transfer learning )设置 中，目标是将一个或多个已经在不同数据集上训练过的模型应用于我们的数据集和任务；相关的综述见 (Pan 和 Yang 2010)。例如，我们可能已经有身体其他部位肿瘤的大型训练集，并在此基础上训练了分类器，然后希望将其应用到我们的乳房 X 光检查任务中。在当今的深度学习社区中，一种常见的迁移学习方法是在一个大数据集上对模型进行 “预训练”，然后在感兴趣的任务上对其进行 “微调”。另一个相关的领域是多任务学习 (multi-task learning)，其中几个任务是共同学习的 (Caruna 1993; Augenstein, Vlachos, and Maynard 2015)。

上述范例可能让我们得以不用向领域专家合作者寻求额外的训练标签。然而，对某些数据进行标记是不可避免的。如果我们要求他们提供各种类型的更高级、或不那么精确的监督形式，这些形式可以更快、更简便地获取，会怎么样呢？例如，如果我们的放射科医生可以花一个下午的时间来标记一组启发式的资源或其他资源，如果处理得当，这些资源可以有效地替代成千上万的训练标签，那会怎么样呢

将领域知识注入 AI

从 历史 的角度来看，试图 “编程” 人工智能 (即注入领域知识) 并不是什么新鲜想法，但现在提出这个问题的主要新颖之处在于，AI 从未像现在这样强大，同时在可解释性和可控制性方面，它还是一个 “黑盒”。

在 20 世纪 70 年代和 80 年代，AI 的重点是专家系统，它将来自领域专家的手工策划的事实和规则的知识库结合起来，并使用推理引擎来应用它们。20 世纪 90 年代，ML 开始作为将知识集成到 AI 系统的工具获得成功，并承诺以强大而灵活的方式从标记的训练数据自动实现这一点。

经典的 (非表示学习)ML 方法通常有两个领域专家输入端口。首先，这些模型通常比现代模型的复杂度要低得多，这意味着可以使用更少的手工标记数据。其次，这些模型依赖于手工设计的特性，这些特性为编码、修改和与模型的数据基本表示形式交互提供了一种直接的方法。然而，特性工程不管在过去还是现在通常都被认为是 ML 专家的任务，他们通常会花费整个博士生涯来为特定的任务设计特性。

进入深度学习模型：由于它们具有跨许多领域和任务自动学习表示的强大能力，它们在很大程度上避免了特性工程的任务。然而，它们大部分是完整的黑盒子，除了标记大量的训练集和调整网络架构外，普通开发人员对它们几乎没有控制权。在许多意义上，它们代表了旧的专家系统脆弱但易于控制的规则的对立面 —— 它们灵活但难以控制。

这使我们从一个略微不同的角度回到了最初的问题：我们如何利用我们的领域知识或任务专业知识来编写现代深度学习模型？有没有办法将旧的基于规则的专家系统的直接性与这些现代 ML 方法的灵活性和强大功能结合起来？

代码作为监督：通过编程训练 ML

Snorkel 是我们为支持和 探索 这种与 ML 的新型交互而构建的一个系统。在 Snorkel中，我们不使用手工标记的训练数据，而是要求用户编写标记函数 (labeling functions, LF)，即用于标记未标记数据子集的黑盒代码片段。

然后，我们可以使用一组这样的 LF 来为 ML 模型标记训练数据。因为标记函数只是任意的代码片段，所以它们可以对任意信号进行编码：模式、启发式、外部数据资源、来自群众工作者的嘈杂标签、弱分类器等等。而且，作为代码，我们可以获得所有其他相关的好处，比如模块化、可重用性和可调试性。例如，如果我们的建模目标发生了变化，我们可以调整标记函数来快速适应！

一个问题是，标记函数会产生有噪声的输出，这些输出可能会重叠和冲突，从而产生不太理想的训练标签。在 Snorkel 中，我们使用数据编程方法对这些标签进行去噪，该方法包括三个步骤：

1 我们将标记函数应用于未标记的数据。

2 我们使用一个生成模型来在没有任何标记数据的条件下学习标记函数的准确性，并相应地对它们的输出进行加权。我们甚至可以自动学习它们的关联结构。

3 生成模型输出一组概率训练标签，我们可以使用这些标签来训练一个强大、灵活的判别模型 (如深度神经网络)，它将泛化到标记函数表示的信号之外。

可以认为，这整个 pipeline 为 “编程”ML 模型提供了一种简单、稳健且与模型无关的方法！

标记函数 (Labeling Functions)

从生物医学文献中提取结构化信息是最能激励我们的应用之一：大量有用的信息被有效地锁在数百万篇科学论文的密集非结构化文本中。我们希望用机器学习来提取这些信息，进而使用这些信息来诊断遗传性疾病。

考虑这样一个任务：从科学文献中提取某种化学 - 疾病的关系。我们可能没有足够大的标记训练数据集来完成这项任务。然而，在生物医学领域，存在着丰富的知识本体、词典等资源，其中包括各种化学与疾病名称数据、各种类型的已知化学 - 疾病关系数据库等，我们可以利用这些资源来为我们的任务提供弱监督。此外，我们还可以与生物学领域的合作者一起提出一系列特定于任务的启发式、正则表达式模式、经验法则和负标签生成策略。

作为一种表示载体的生成模型

在我们的方法中，我们认为标记函数隐含地描述了一个生成模型。让我们来快速复习一下：给定数据点 x，以及我们想要预测的未知标签 y，在判别方法中，我们直接对P(y|x) 建模，而在生成方法中，我们对 P(x,y) = P(x|y)P(y) 建模。在我们的例子中，我们建模一个训练集标记的过程 P(L,y)，其中 L 是由对象 x 的标记函数生成的标签，y 是对应的 (未知的) 真实标签。通过学习生成模型，并直接估计 P(L|y)，我们本质上是在根据它们如何重叠和冲突来学习标记函数的相对准确性 (注意，我们不需要知道 y!)

我们使用这个估计的生成模型在标签函数上训练一个噪声感知版本的最终判别模型。为了做到这一点，生成模型推断出训练数据的未知标签的概率，然后我们最小化关于这些概率的判别模型的预期损失。

估计这些生成模型的参数可能非常棘手，特别是当使用的标记函数之间存在统计依赖性时。在 Data Programming: Creating Large Training Sets, Quickly(https://arxivorg/abs/160507723) 这篇论文中，我们证明了给定足够的标记函数的条件下，可以得到与监督方法相同的 asymptotic scaling。我们还研究了如何在不使用标记数据的情况下学习标记函数之间的相关性，以及如何显著提高性能。

Snorkel：一个开源的框架

在我们最近发表的关于 Snorkel 的论文 (https://arxivorg/abs/171110160) 中，我们发现在各种实际应用中，这种与现代 ML 模型交互的新方法非常有效！包括:

1 在一个关于 Snorkel 的研讨会上，我们进行了一项用户研究，比较了教 SMEs 使用Snorkel 的效率，以及花同样的时间进行纯手工标记数据的效率。我们发现，使用Snorkel 构建模型不仅快了 28 倍，而且平均预测性能也提高了 455%。

2 在与斯坦福大学、美国退伍军人事务部和美国食品和药物管理局的研究人员合作的两个真实的文本关系提取任务，以及其他四个基准文本和图像任务中，我们发现，与baseline 技术相比，Snorkel 平均提高了 132%。

3 我们 探索 了如何对用户提供的标记函数建模的新的权衡空间，从而得到了一个基于规则的优化器，用于加速迭代开发周期。

下一步：大规模多任务弱监管

我们实验室正在进行各种努力，将 Snorkel 设想的弱监督交互模型扩展到其他模式，如格式丰富的数据和图像、使用自然语言的监督任务和自动生成标签函数！

在技术方面，我们感兴趣的是扩展 Snorkel 的核心数据编程模型，使其更容易指定具有更高级别接口(如自然语言) 的标记函数，以及结合其他类型的弱监督 (如数据增强)。

多任务学习 (MTL) 场景的普及也引发了这样一个问题：当嘈杂的、可能相关的标签源现在要标记多个相关任务时会发生什么？我们是否可以通过对这些任务进行联合建模来获益？我们在一个新的多任务感知版本的 Snorkel，即 Snorkel MeTaL 中解决了这些问题，它可以支持多任务弱监管源，为一个或多个相关任务提供噪声标签。

我们考虑的一个例子是设置具有不同粒度的标签源。例如，假设我们打算训练一个细粒度的命名实体识别 (NER) 模型来标记特定类型的人和位置，并且我们有一些细粒度的嘈杂标签，例如标记 “律师” 与 “医生”，或 “银行” 与 “医院”；以及有些是粗粒度的，例如标记 “人” 与 “地点”。通过将这些资源表示为标记不同层次相关的任务，我们可以联合建模它们的准确性，并重新加权和组合它们的多任务标签，从而创建更清晰、智能聚合的多任务训练数据，从而提高最终 MTL 模型的性能。

我们相信，为 MTL 构建数据管理系统最激动人心的方面将围绕大规模多任务机制(massively multi-task regime)，在这种机制中，数十到数百个弱监督 (因而高度动态)的任务以复杂、多样的方式交互。

虽然迄今为止大多数 MTL 工作都考虑最多处理由静态手工标记训练集定义的少数几项任务，但世界正在迅速发展成组织 (无论是大公司、学术实验室还是在线社区) 都要维护数以百计的弱监督、快速变化且相互依赖的建模任务。此外，由于这些任务是弱监督的，开发人员可以在数小时或数天内 (而不是数月或数年) 添加、删除或更改任务 (即训练集)，这可能需要重新训练整个模型。

在最近的一篇论文 The Role of Massively Multi-Task and Weak Supervision in Software 20 (http://cidrdborg/cidr2019/papers/p58-ratner-cidr19pdf) 中，我们概述了针对上述问题的一些初步想法，设想了一个大规模的多任务设置，其中 MTL 模型有效地用作一个训练由不同开发人员弱标记的数据的中央存储库，然后组合在一个中央“mother” 多任务模型中。

不管确切的形式因素是什么，很明显，MTL 技术在未来有许多令人兴奋的进展 —— 不仅是新的模型架构，而且还与迁移学习方法、新的弱监督方法、新的软件开发和系统范例日益统一。

原文：

https://aistanfordedu/blog/weak-supervision/

Snorkel：

http://snorkelstanfordedu/

欢迎同时关注微信公众号： IT 科技 森

每天分享IT小技巧、 科技 数码新闻！

她曾与邓丽君齐名，60岁将三个儿子送进斯坦福

陈美龄

我不是虎妈。

——陈美龄

“辽阔草原，美丽山岗，群群牛羊，白云悠悠……”

20世纪80年代，一位香港女歌手在北京首都体育馆倾情演唱了这首《原野牧歌》。

她年轻的身影、甜美的歌声深深盘踞在一代人的记忆里。

陈美龄1955年8月生于香港，热爱唱歌，初中时的她经常参加各种义务活动，在学校里一把木吉他陪在身边，自弹自唱募款。

14岁那年被星探发掘便以歌手身份出道，1971年和大姐陈依龄一起录制了美国歌手Joni Mitchell作曲的“The Circle Game”，深受香港群众的欢迎。

同时还演绎了张彻导演的**《年轻人》和《反叛》，**里年轻活泼的陈美玲开始在马来西亚、泰国等东南亚地区也走红。

陈美龄在香港灌录的英文版唱片非常畅销，16岁时受日本著名歌手、作曲家平尾昌晃邀请在日本演出，歌曲《虞美人花》很快流传开来。

不仅获得当年日本民歌大奖，还迅速红透日本乃至亚洲。

17岁那年，她又被日本一家唱片公司看中，极力说服她到日本去发展。

1973年，陈美龄又以《草原光辉》这首歌获得日本唱片奖新人奖。

以清澈的歌声和可爱的外表，陈美龄成为风靡一时的超人气少女偶像。

“陈美龄长了两只虎牙，是属于可爱型美少女的。她在日本用的英文艺名Agnes，日本人将她当成是天使。”

有人称，当时的日本歌坛进入了少女偶像角逐混战的“战国时代”。

陈美龄便和南沙织、西城秀树、野口五郎、邓丽君等歌手一起，成为那个时代最为耀眼的明星。

人们为她着迷。

从1973年到1975年，陈美龄连续3年作为外国歌手出席日本红白歌会。

当时的日本偶像杂志上，也经常是陈美玲和山口百惠轮着上封面。

1976年，年仅21岁的陈美龄在事业如日中天时，突然宣布要去加拿大多伦多大学修读儿童心理学，暂时告别娱乐圈。

突如其来的决定，不仅让歌迷意外，连经纪人也气到爆。

“雪球一样翻滚不停”，陈美龄这样形容自己爆红时的状态，一天要工作20小时。

中午休息时还要拍照、拍广告，成天除了想多睡一会儿，没有任何别的想法。

“爸爸从香港来看我，说这样下去不行，没有自己的时间，交不到朋友，什么事情身边工作人员都帮你做了，不知道自己真正的价值，还以为自己很成功很厉害。”

陈美龄的父亲目睹过太多时代变化带给个人的幻灭，常告诫子女：钱财名誉如流水，一旦出事立刻就被夺走。

但是，知识一旦进入脑子，就不会被人夺去，它会成为你一生的宝物。

父亲希望她不要为眼前的名利所束缚，而是能够完成学业。

早在中学时，陈美龄就在香港的儿童福利院做过一段时间义工。

每次她去看孩子们，断臂的、盲眼的孩子们就呼啦啦围过来，陈美龄很想进入他们的内心，却发现无从下手。

这次求学不仅仅是充电，更是完成了年少时的一个心愿。

所以陈美龄选择了儿童心理学专业。

初到加拿大，陈美龄终于不必活在众人的视野里。

“什么都能做，一个人逛街，这在日本根本不可能，可以不化妆，可以胖，平时穿什么都行，不用每天都洗头发”。

从大红大紫的明星到无人认识的普通人，陈美龄不仅没有丝毫失落，反而异常欢快。

“我没有那种‘拥有’的心态，从来不觉得有了成就之后，就要抓住不放”。

1978年，陈美玲毕业后重新进入演艺界，很快又大获成功；

1979年在香港发表首张粤语唱片《雨中康乃馨》；

1983年和张国荣一起获得香港金唱片奖。

她在日本发的专辑，很长一段时间里成为外国歌手在日本唱片销量的记录保持者。

1984年，陈美龄写下一篇纪念国际青年节的和平论文《以歌声呼吁和平》，获得特别奖。

1985年，陈美龄为宋庆龄基金会义演，在北京首都体育馆吸引54000多听众。

这成为她在中国的首次演唱会，也让她极为感动。

其后5月，陈美龄跟随日本电视台到埃塞俄比亚难民营采访，看到很多儿童因饥饿而被夺去生命，她的内心再次受到强烈震撼。

从此，她开始积极从事儿童慈善活动。

“我不是出生在一个很富裕的家庭，但我有家，有爸爸、妈妈，有饭吃，有衣穿，可以上学，他们却不能。

所以，我就经常去陪那里的小朋友玩，跟他们聊天，给他们唱歌。

尤其是我从加拿大留学回来，社会意识高涨时期，自己不仅要作为艺人，也要作为一个社会人做出努力，我希望从事慈善活动。”

80年代的陈美龄非常走红，可名誉地位对她而言，不一定就是幸福。

80年代初期，陈美龄一度想离开歌坛。那段不知何去何从的日子，她干脆请假陪妈妈回老家贵州。

没想到这一行程，反倒加强了她当歌星的决心。

“贵州村子里的孩子们都能唱一首我在台湾录的歌曲《归来的燕子》。那时，大陆还没有公开让台湾歌曲进去，孩子们是靠着寄去的录音带学的。

我那时真的感动极了，心想歌曲果真能把香港、台湾和大陆连起来。从孩子们的歌声中，我深深感受到团聚的力量。”

事业正当红时，陈美龄喜欢上了自己的日本经纪人金子力，便开始倒追。

父母家人觉得日本男人太大男人，而且文化背景不同，很是反对。

不过陈美龄却非常坚决，她笑着说：“我的另一半是我的日本经理人，是一个能够站在我身边为我整理时间表，又可以和我一起在早上准备早餐给孩子们上学的开通男人。”

1986年初，陈美龄披上了婚纱。

婚后，陈美龄和丈夫一起开设了自己的事务所。

1986年，长子出生。

那时，日本社会风气依然保守，女性一旦结婚生子就得回归家庭。

儿子出生后，陈美龄一度也暂停工作。

可当时她人气持续高涨，很多电视台都找她录节目，她仍然每天接五六个通告。

陈美龄家离东京单程有5小时车程，她担心出去录节目会影响孩子哺乳，去电视台就把孩子带上。

“拖家带口”出现在电视台的陈美龄没想到，自己此举竟引起很大非议。

1988年12月，日本许多杂志都在大篇幅争议一个问题：陈美龄该不该带着孩子去电视台上班？

陈美龄没有想到，自己无意间的举动，居然会引起巨大轰动。

日本青年男女开始关注和思考职业母亲和女性地位的问题，争论越来越激烈，甚至成为后来日本实现《男女就业机会均等法》和育儿休假制度的原动力。

“美龄”一词也得到当年日本新语·流行语大奖大众奖。

也有人说：陈美龄太贪心了，又要工作，又要结婚，又要小孩，这怎么可能？既然生了孩子就应该在家里，不要带出来。

陈美龄听了，实在生气，却又不知道要怎么去和他们辩论。

为何在香港如此正常的事情，在日本竟然变成不可思议。

这场争论也被称为“Agnes争论”，连美国的《时代》杂志也做了报道。

“Agnes争论”事件刊登在美国的《Times》杂志上，斯坦福大学的教育经济学者斯特罗伯教授读了这篇报道后，主动联系了陈美龄。

劝她到斯坦福大学攻读教育学博士课程，研究现代女性问题。

此时陈美龄怀有8个月身孕，求学之难不言而喻，可她坚定自己的选择。

于是陈美龄便在1989年带着老大，怀着肚子里的老二，飞到美国斯坦福大学去读博士。

上课时，2岁多的大儿子送到学校里针对学生妈妈开设的托儿所，襁褓中的二儿子由一位好友抱着带到教室外，宝宝饿了就溜出来喂奶。

晚上找不到人帮忙带宝宝，有一门课陈美龄就想不去了，教授却坚持叫她带着宝宝来上课。

班上还有个哺乳妈妈同学，两人可以坐最后一排。

“美国人的观念真的不一样，他们认为大学不一定就是年轻人的地方，工作、有小孩后也可以回来。”

晚上只有等到儿子们睡觉后陈美龄才有时间看书，经常看着看着天就亮了。

后来经纪人去美国看望她后，马上打电话给她丈夫，希望劝她赶快回家。

“他说这样下去我快要死了！现在想来真不知道那时是怎么过的！”

读博的生活无疑千难万险，陈美龄一一克服。

1994年，陈美龄完成毕业论文，获得教育学博士学位，顺利毕业。

毕业之后，陈美龄积极为妇女儿童福利奔走。

“等我读完博士，回到日本，我说话，终于有人听了。”

1998年，她被联合国国际儿童基金会邀请做大使，亲赴泰国、苏丹、东帝汶、菲律宾、伊拉克、摩尔多瓦等地。

向世界传达当地儿童的境况，并提出改善现状的意见。

“不论什么年纪的人，不论从事什么职业的人，我希望他们听了我的讲述后，能开始为此做些什么。”

陈美龄把足迹留在了埃塞俄比亚、伊拉克、索马里、黎巴嫩等众多炮火纷飞之地：

在泰国的收容所里百和多名身患艾滋病的弃儿一起吃午餐；

也在南苏丹，直视着一个名曰“眼镜蛇军”反政府军的领袖，要求他释放2000多名儿童兵。

陈美龄是极其温柔的女性，可她的温柔以勇敢打底，以善良为本，以执着为念，这一种温柔不动神色，却润物细无声，直入心底。

在自己的事业和人生上，陈美龄无疑是成功的，更难得的是，她对三个儿子的教育极为成功。

1996年，41岁的陈美玲生下第3个儿子后，把大量时间投入公益活动，她担任联合国儿童基金会亚洲亲善大使。

这时老大10岁，可以和老二帮着带弟弟。

陈美龄的3个儿子都是自己和先生一手带大，全都母乳喂养到一岁半。

“那时真的非常累，可也是我最开心的几段时间。无数次也觉得自己累得要趴下了，可是回到家孩子们一起笑着跑来开门，一个新的陈美龄又出来了。”

在她读书、工作，当联合国儿童基金会大使，到全球各地做义工的过程中，她从未放弃孩子，坚持尽可能陪伴他们，始终亲自带孩子。

“不管工作多么繁忙，我都保持与家人沟通，否则就会逐渐失去与家人之间的信赖关系。”

不少人劝陈美龄找一个保姆住到家里做家务，但她没有那样做，担心光图轻松，一家人的感情会渐渐疏远。

在陈美龄看来：家庭对孩子来说，是心灵的避风港。

悲伤时如果能和家人诉说，悲伤就会减半；有高兴的事儿，与家人分享，喜悦就会倍增。

那才是家庭，才是一家人。

2007年，陈美龄被确诊罹患乳腺癌。

她精神和身体上都承受着巨大的痛苦，面部会肿胀，演唱会上化妆遮丑硬顶上场。

除此之外，她说：“不过最辛苦的不是我，是丈夫，他为我独力承担家庭的工作，真的很感激他。”

陈美龄患病时期，身在美国准备考大学的二儿子嚷着要回来，但遭她阻止，结果二儿子交白卷得零分。

“我没考虑到家人心情，当时应让他回来，或每天打电话传电邮给他，但那时自己都好乱，怕见不到他们长大。”

后来陈美龄向学校请求让二儿子重考，最后他成功考进美国斯坦福大学。

当时三儿子还在上小学，陈美龄非常希望能够早点恢复健康，可以陪着孩子长大。

于是她坚持了5年的抗癌治疗，终于康复。

其实当年在手术后过了10天之后，陈美龄就回到演唱会和音乐会的工作现场。

在动完乳腺癌手术不到一个月的时候，她站在人民大会堂的舞台上，放声歌唱，即使手每往上举，都痛出一身冷汗，她认为这个舞台值得她如此。

她认为歌声可以消弭误解与对立，可以带来理解和和平。

陈美龄和三个孩子

2015年，当陈美龄第三个儿子相继大儿子和二儿子被斯坦福大学录取时，又引发了轰动。

陈美玲认为孩子的教育，不仅是学习能力的培养，而是身心两方面综合人格形成的过程。

她引导孩子们的学习兴趣，不要求孩子们死读书。

当孩子做了错事时，她会选择耐心地和他们谈话，一直到孩子们认可为止。

大儿子上小学时，曾经因为成绩不好向妈妈撒了谎，陈美龄发现后，先是给孩子一个拥抱，然后和他聊了足足8个小时，让孩子认识到，不管成绩如何，妈妈永远爱他。

从此孩子再也没有对妈妈隐瞒任何事。

陈美龄认为小孩子生出来就是宝贝，千万不要拿孩子和别人比较：一比较这个世界上一定有人比你做得更好。这样孩子是自卑的，觉得自己是失败的。

家长应该鼓励孩子，让他们有想法都说出来。

并不是做到了就是好孩子，而是努力过了就是好孩子。

“记住作为一个妈妈，一定要成长自己、培养自己。”

陈美龄和孩子们的关系很好，几乎无话不谈，一起逛街、旅游、玩。

告别演艺事业30年后，陈美龄再度回归公众视线，是以教育家身份。

联合国国际儿童基金会亚洲亲善大使、日本癌症协会“微笑大使”、香港浸会大学特别教授等也是她的公开身份。

陈美龄嫁到日本多年，一直宣扬和平，曾经公开展示南京大屠杀照片，触动日本人神经，她更受到死亡恐吓。

但她的理念是：世界和平、人类大爱不应以国家区分。

现在的陈美龄已年过60，却依然非常年轻美丽。

大儿子结婚时，陈美龄毫无“样子”，弯下腰亲自为儿媳整理裙摆及弄好头发。

恰如她自己所说：

“每个人都拥有很多爱的种子，但是爱的种子只播撒在自己的心田是不会开花的，必须播种在别人的心里。

同时，如果自己的心里没有别人播撒的爱的种子，爱也不会在自己的心里开花。”

“爱、和平、自由”，是陈美龄信奉终身并为之践行一生的人生意义。

也因为如此，一个心中满怀阳光与爱的人，才更得命运垂青，与美好并行。

每一份献出的爱心，都会以某种方式回应。

很多家长估计都老师听过一句话"你家孩子很聪明，但是···"，到底有多聪明呢？下面这个智商测试可以 娱乐 一下。

斯坦福-比纳智力量表 (Stanford Binet intelligencescale)由斯坦福大学的推孟通过修订比纳-西蒙智力量表后编成的智力量表，是国际上最通用的两套智商测试题目之一。11-47岁范围内皆可进行测试。

注 ：智商测试题多看重与逻辑分析以及空间想象力部分的内容，对于文学以及艺术天分并没有测试方法。此外，测试时的状态对测试结果也有很大影响，所以大家不用对最后的结果太过看重， 就当 娱乐 一下吧！

注意：本测验共有60个题目，请必须在45分钟内做完，不要超时。

1、 五个答案中哪一个是最好的类比？

工工人人人工人对于2211121相当于工工人人工人人工对于

1) 22122112

2) 22112122

3) 22112112

4) 11221221

5) 21221121

2、 找出与众不同的一个：

①铝 ②锡 ③钢 ④铁 ⑤铜

3、 五个答案中哪一个是最好的类比？

4、找出与众不同的一个：

5、全班学生排成一行，从左数和从右数沃斯都是第15名，问全班共有学生多少人？

①15 ②25 ③29 ④30 ⑤31

6、一个立方体的六面，分别写着A B C D E F 六个字母，根据以下四张图，推测B的对面是什么字母？

7、找出与"确信"意思相同或意义最相近的词：

①正确 ②明确 ③信心 ④肯定 ⑤真实

8、五个答案中哪一个是最好的类比？

脚对于手相当于腿对于___________

①肘 ②膝 ③臂 ④手指 ⑤脚趾

9、五个答案中哪一个是最好的类比？

10、如果所有的甲是乙，没有一个乙是丙，那么，一定没有一个丙是甲。这句话是：

①对的 ②错的 ③既不对也不错

11、找出下列数字中特殊的一个：

1 3 5 7 11 13 15 17

12、找出与众不同的一个：

13、沃斯比乔丹大，麦瑞比沃斯小。下列陈述中哪一句是正确的？

1）、麦瑞比乔丹大

2）、麦瑞比乔丹小

3）、麦瑞与乔丹一样大

4）、无法确定麦瑞与乔丹谁大

14、找出与众不同的一个：

15、五个答案中哪一个是最好的类比：

"预杉"对于"须抒"相当于8326对于________

①2368 ②6238 ③2683 ④6328 ⑤3628

16、沃斯有12枚硬币，共3角6分钱。其中有5枚硬币是一样的，那么这五枚一定是：

①1分的 ②2分的 ③5分的

17、找出与众不同的一个：

①公里 ②英寸 ③亩 ④丈 ⑤米

18、经过破译敌人密码，已经知道了"香蕉苹果大鸭梨"的意思是"星期三秘密进攻"；"苹果甘蔗水蜜桃"的意思是"执行秘密计划"；"广柑香蕉西红柿"的意识是"星期三的胜利属于我们"；那么，"大鸭梨"的意思是：

①秘密 ②星期三 ③进攻 ④执行 ⑤计划

19、五个答案中哪个是做好的类比？

爱对于恨相当于英勇对于_______

①士气 ②安全 ③怯懦 ④愤怒 ⑤恐怖

20、一本书的价格低了50%。现在，如果按原价出售，提高了百分之几？

①25% ②50% ③75% ④100% ⑤200%

21、五个答案中哪一个是最好的类比：

22、找出与众不同的一个：

①南瓜 ②葡萄 ③黄瓜 ④玉米 ⑤豌豆

23、从五个答案中找出最好的类比：

水对于龙头相当于电对于_______

①光线 ②开关 ③电话 ④危险 ⑤电线

24、打满水缸要11桶水。王林第次只能提两桶水，要打满水缸他需要走几趟？

①5 ②11/2 ③6 ④13/2 ⑤7

25、五个答案中哪个是最好类比？

26、如果所有的甲都是乙，所有的乙都是丙，那么一定所有的甲都是丙。这句话是

①对的 ②错的 ③既不对的也不错

27、下边哪一个盒子是用左边这张硬纸折成的？

28、汉期、赛斯、麦克、约翰逊构买苹果144个。汉期买的苹果比赛斯多10个，比麦克多26个，比约翰逊多32个。汉期买了多少个苹果？

①73 ②63 ③53 ④43 ⑤27

29、找出与众不同的一个：

①触 ②视 ③听 ④吃 ⑤嗅

30、五个答案中哪个是最好的类比？

女儿对于父亲相当于侄女对于

①侄子 ②表兄 ③叔叔 ④母亲 ⑤哥哥

31、找出下列数字中多余的一个：

4 5 8 10 11 16 19 32 36

32、找出与众不同的一个：

33、五个答案中哪个是最好的类比？

皮对于树相当于鳞对于

①鳃 ②大海 ③渔夫 ④鱼 ⑤鳍

34、找出与众不同的一个：

①鸡 ②鸽 ③鸭 ④鹤 ⑤鹅

35、樱桃对于红相当于牛奶对于

①湿 ②冷 ③白 ④甜 ⑤熟

36、火车守车（车尾）长64米。机车的长度等于守车的长加上半节车厢的长。车厢长度等于守车长加上机车长。火车的机车、车厢、守车共长多少米？

①256米 ②36米 ③512米 ④644米 ⑤762米

37、找出与众不同的一个：

38、在括号中填一字，使这字与括号外面的字分别组成两个字：

古（ ）巴

39哥哥今年15岁，他的年龄是妹妹年龄的3倍。当哥哥的年龄是妹妹年龄2倍时，哥哥几岁？

①18岁 ②20岁 ③24岁 ④26岁 30岁

40、五个答案中哪个是最好的类比

41、角对于元相当于小时对于

①分 ②秒 ③月 ④日 ⑤钟

42、五个答案中哪一个是最好的类比？

43、如果把这个大立方体的六个面全部涂上黑色，然后按图中虚线把它切成36个小方块，两面有黑色的小方块有多少个？

44、从①、②、③、④、中选出一个最合适的图案填在下边的问号处。

45、汽油对 汽车 相当于食物对于

①嘴 ②胃 ③吃 ④人 ⑤牙

46、找出与众不同的一个：

①南昌 ②西安 ③郑州 ④哈尔滨 ⑤昆明

47、找出与众不同的一个：D

48、如果有些甲是乙，所有的丙都是乙，那么，一定有些甲是丙。这句话是

①对的 ②错的 ③既不对也不错

49、图中阴影部分占面积百分之几？

①20% ②25% ③30% ④35% ⑤40%

50、找出与众不同的一个：

51、数数有多少个三角形

①5 ②7 ③9 ④11 ⑤13

52、五个答案中哪一个是最好的类比？

53、找出与众不同的一个：

54、找出与众不同的一个：

55、车站对于火加相当于港口对于

①起重机 ②船坞 ③领航员 ④轮船 ⑤旅行

56、如果所有的甲都是乙，有些乙是丙，那么，一定有些甲是丙。这一陈述是：

①对的 ②错的 ③既不对也不错

57、找出与众不同的一个：

①画家 ②排球运动员 ③播音员 ④舞蹈演员

⑤化妆师

58、哪个图形与众不同？

59、找出与众不同的一个：

①水 ②太阳 ③汽油 ④风 ⑤水泥

60、①、②、③、④、⑤、⑥、哪个放在下面的问号处最合适？

计分与解释：

1、3）工=2，人=1

2、3）钢是合金，而其它是纯金书。

3、1）都是顶角平分线交于一点并将多变形等分。

4、3）只有3是由两条直线组成，其他均有三条直线组成。

5、3）高于沃斯的14人，低于沃斯的14人，加上沃斯自己共29人。

6、5）从图2可知，B的对面就是A的尖头所指的方向，从图1可知其为E。

7、4）"确信"与"肯定"意义最相近。

8、3）脚和手分别与褪和臂相连。

9、2）正方形变为三角形，阴影与亮处对换。

10、1）例如：所有的狗都是动物，没有动物是植物，那么，没有植物是狗。

11、15除15之外都是质数。

12、3）除3）外，其他均由直线和曲线组成，而3）只有曲线。

13、4）我们仅仅知道麦瑞和乔丹均比沃斯小。

14、3）仅3）完全由直线构成，而其它则由直线和曲线构成。

15、4）予=8，页=3，木=2，彡=6。

16、3）5分的5枚，2分的4枚，1分的3枚是唯一的解。

17、3）亩是面积单位，而其他均为长度单位。

18、3）香蕉：星期三。苹果：秘密。大鸭梨：进攻。

19、3）爱是恨的反义词，英勇是怯懦的反义词。

20、4）例如，原价20元，降低50%为10元，要按原价出售。需提高100%才为20元。

21、5）几何图形对换了位置，"尾巴"保持在原来的一侧但是改变了指向。

22、4）处于米外，其他均长在藤蔓上。

23、2）龙头控制水的流止，开关控制电的流止。

24、3）为打第11桶还需走一趟。

25、5）图形不变，仅实线变成虚线。

26、1）例如，如果所有的狗都是哺乳动物，所有的哺乳动物都是动物，那么，一定所有的狗都是动物。

27、4）

28、3）汉斯53个，塞斯43个，麦克27个，约翰逊21个。53+43+27+21=144

29、除4）外均为感觉。

30、3）叔叔和侄女是父女关系。

31、11）消去11以后，所余部分是两个互交错的数列，第一列是4，8，16，……

第一数字是前一数字的二倍；第二列的每一数字是由第一列的相应数字一次加1，加2，加3……组成的。例如，5=4+1，10=8+2，19=16+3，……

32、2）除2外，大小图形均一样。

33、4）树皮覆盖在树表面，鱼鳞覆盖在鱼表面。

34、4）除鹤以外，均为家中饲养的禽类。

35、3）红是樱桃的颜色，白是牛奶的颜色。

36、3）机车长=64米+128米=192米；车厢长=64米+192米=256米；

总长=64米+192米+256米=512米。

37、5）处5）外，均为正多边形。

38、月分别组成"胡"和"肥"字。

39、2）哥哥20岁时，妹妹10岁。

40、3）从偏左侧看，正方形是正方体的前面，三角形是三棱椎体的前面。

41、4）角是元的低级量度单位，小时是日的低级量度单位。

42、3）人用笔来写作，用眼来看书。

43、4）前后各6个，左右各2个。

44、1）

45、4）汽油是 汽车 的能源，食物是人的能源。

46、4）除4外，均由两个字组成。

47、2）除2外，方框的个数均是奇数。

48、2）例如，如果有些 汽车 是白色的，雪全是白色的，那么，一定有些 汽车 是雪。

49、2）。

50、1）除1外，其余的两两成对。

51、3）。

52、4）

53、2）除2外，其余均是容器。

54、3）"+"是数学预算的符号，而其他均表示数学关系。

55、4）车站是火车的装货地点，港口是轮船的装货地点。

56、2）例如：如果所有的猫均是动物，有些动物是狗，那么，一定有些猫是狗。

57、3）除3外，均通过肢体运动来工作，而播音员通过语言来工作。

58、1）、2）、3）、4）、5）、均由两个圆、一个长方形、一条弧线和四条直线组成，而1）多一条直线。

59、5）其他均可作为能源。

60、3）。

本测验每答对一题计1分，相加得到总分，总分还要转换为智商，才能真正知道你的智力水平，下面的计分标即有此作用。在你的年龄那一列中找到你的题目得分，对应的最右边一列的数值即是你的智商（IQ）。例如，如果你是20岁，答对40道题，那么你在20岁这一列中找到40，右侧即是你的智商122。

智商是智力的数量化表现，一般认为智力低常者的智商在70分以下，这部分中有些人经过特殊训练能学会基本的知识，从事简单的工作，另一些被称为白痴，生活不能自理。

智商在80-120分之间，表明智力属于中等或接近于中等，这部分人约占全部人口额80%，是生活中正常的人。

常被人们称为天才的人其智商在140分以上。天才具有的特征是：比普通人身体更 健康 ，行动更活跃，身材更高大，情绪更稳定，学说话、开始走路的时间都比其他人早；学习成绩优异，学习兴趣很广泛；社交能力强，一般是团体中的领导分子。

白痴（智商在25分以下），通常生活不能自理，无学习能力。不过有些"白痴"可能在某些方面表现出极高的天分。

计 分 表