紫外可见分光光度计 txt 下载地址 网盘 在线 2024

展开

展开

展开

展开

展开

在线阅读地址：紫外可见分光光度计在线阅读

在线听书地址：紫外可见分光光度计在线收听

在线购买地址：紫外可见分光光度计在线购买

PDF下载地址：紫外可见分光光度计PDF下载

展开

展开

展开

查看其它书籍精彩书评

• 因果关系：别真当科普书看了

  作者：全智甜 发布时间：2020-11-27 19:57:44

  这是一本非常有帮助的书，但是很遗憾算不上一本科普书。尽管宣传给的定位是科普，语言和逻辑也非常简明，但实质上本书讨论的是学术意义上的因果关系。

  对于一个不需要研究因果的普通人来说，似乎没有必要如此长篇大论的叙述；或者有点云里雾里，不知道为什么梳理出因果关系还需要这么兴奋。而对于需要发现因果关系，十分慎重而不敢于下因果结论只敢做相关分析的研究者来说，这本书无疑可以照亮统计分析中的那团迷雾。

  正如书中提到线性方程与中介效应分析时，将其比喻为迷雾“仙境”，而在数据中找寻规律证实猜想的过程又何尝不是一种。

  作者从圣经开始导入因果概念，书中也多次从统计学之外的角度梳理了因果的内涵。因果分析，作为人类潜意识中就会依赖的一种思考习惯，如此重要，那么社会科学研究中若完全摒弃因果或者不敢谈论因果实属遗憾。而这种不敢谈论因果的氛围，恰恰与近百年来的统计推断发展相关，使得我们对于因果推断的态度过于谨慎和敬畏。所以，若不是你注意到了各路论文大谈相关而不谈因果的事实，若不是你从事科研却苦于控制变量已久，都有可能无法体会当作者给出的因果路径系统和中介分析公式时那种鼓舞人心的体会，也就无法明白作者在科研领域的成就，也无法领略这本书的精彩。

  当然本书制作中亦有一些不得不指出的瑕疵。

  翻译中的若干错误：

  1.P79，辛普森悖论中，表格所列击球手杰特1996年的击球率应为0.314误为0.341.

  2.P201，第二行，“吸烟”和“癌症”之间没有未被阻断的后门路径，应为“吸烟”和“焦油沉积”之间没有未被阻断的后门路径。

  还有许多名词，译者甚至并未梳理“统计学”相关的高频词汇，比如书中反复出现的bias，是常用基础词汇，书中翻作“偏倚”，实在别扭得很。出于习惯和方便后续查看，笔记中都记为“偏误”。

  本笔记主体分三个部分：核心、框架和概念。

  没有分章节做笔记，而是用了概念的方式，同时并列列出。去掉了名人轶事，只将因果分析的推进梳理出来，同时列了一些重要的统计案例，可以做思维游戏。

  核心

  因果关系之梯：观察、干预、反事实

  观察：可以观测到变量之间的关联。统计对关联的度量。“统计学本身不能告诉我们，哪个是因，哪个是果"但是这件事本身也许并不重要-好的预测无须好的解释。猫头鹰无法明白老鼠为什么总是从A点跑到B点，但这不改变它仍然是一个好猎手的事实。

  干预：干预比观察更高级。不仅涉及被动观察还涉及主动改变现状。只要使用的是被动收集的数据，我们就无法回答有关干预的问题。两个典型问题：Q1如果我们改变环境会发生什么，P（A|do（B）），做了B之后A的条件概率；Q2怎么做，do什么可以提升或者降低A的条件概率。

  反事实：反事实是我们关心问题的核心，但也最难获得答案。因果模型的重要性就在于可以用于回答反事实问题。典型问题是Q1如果我当时做了什么会怎样，观察到的P（A|B）和反事实P（A|no B）的推断，Q2为什么，从反事实可以找到P（A），也可以找到B对A的影响。

  框架

  第一章 因果推理的基本原理

  see 和 do 的区别。主动干预对于推断的重要性

  第二章 休厄尔赖特的路径图，将相关关系和因果关系联系起来。

  讲到休厄尔·赖特与皮尔逊统计学派之争。师承弗朗西斯·高尔顿的皮尔逊，继承和发展了相关系数概念，发现了伪相关之后彻底舍弃因果论。

  第三章 由证据到原因，贝叶斯法则和推理方法简介，以及与因果关系的梳理

  第四章 统计学中的随机对照试验，消除混杂变量。因果图-路径追踪可以很简单有效的解决混杂变量分离问题。

  第五章 统计学的随机对照试验（RCT。

  第六章 一些著名悖论，提醒我们人类直觉来自因果而不是统计和逻辑。

  第七章 干预问题的解决。后门调整、前门调整和工具变量。

  第八章 反事实，通过必要因和充分因，估算反事实问题答案的概率。

  第九章 中介变量

  第十章 因果推理与强人工智能

  思想

  “你比你的数据更聪明”。

  “数据不了解因果，而人类了解。”

  概念：

  关于贝叶斯网络与因果推断--概率与因果的关系

  第一章

  “因果关系不能被简化为概率”

  “概率能将我们对静态世界的信念进行编码，而因果论则告诉我们，当世界被改变时，无论改变是通过干预还是通过想象实现的，概率是否会发生改变以及如何改变。”

  关于路径分析

  第二章

  “路径分析的应用应该以研究者对因果过程的个人理解为基础，这种理解就反映在其所绘制的因果图或者路径图中。”

  贝叶斯网络

  第三章

  根据观察结果推断原因。贝叶斯网络的核心P（A|B）*P（B）=P（B|A）*P（A）

  贝叶斯网络与因果关系

  第三章

  主要区别在于构造和用途。贝叶斯网络是一张巨大概率表，箭头表示子节点与父结点通过条件概率两者的值是相关，且相关关系是充分的。所以一旦知道了任意两个节点的父节点值，就可以写出完全独立的条件概率表达式。

  A-->B-->C 链结合

  贝叶斯网络中，如果知道了A和C父节点的值，由于A和C没有直接箭头，所以A和C相互独立。因为A没有父节点，而C的父节点是B，所以知道了B，A和C就是条件独立的。A-->B-->C 和 A<--B<--C 没有区别

  因果图中，首先确定了变量之间影响和被影响的逻辑，在模型中是已经确定好的。因果假设是谨慎思考后设定的，经数据审查可成立可证伪。如果假设了A-->B-->C的因果图，那么通过观测知道B，而A和C没有条件独立，则此链与数据不兼容，就需要修改或放弃这个假设。

  A<--B-->C 叉结合

  贝叶斯网络中，无法区别叉结合和链结合，因为都是直达B则A和C条件独立。

  而因果图可以知道两种结合可以用数据区分还是不可以，此处就可以知道链结合叉结合，不能仅靠数据区分。

  通过假设实验，A-->B-->C 中，如果调整A，C会变，但是如果固定B，则调整A，C不变；A<--B-->C 中，无论如何调整A，C都不会变，A和C的相关是伪相关。

  混杂变量

  confounding virable

  混杂偏误 confounding bias

  第四章

  X<--Z-->Y

  在研究X--->Y的因果效应时，Z成为了混杂因子，Z所带来的X与Y的相关关系与因果效应混合在一起。

  统计学上，会通过Z控制来处理。但是一方面容易过度控制，同时又没有Argue正确的控制其实可以得到因果效应。

  而确定的因果图，可以有去除Z--得到因果关系。因果图需要清楚的列出Z，从而需要控制的Z是确定的。或者在Z的数据不充分的情况下，使用统计调整公式来去除Z.

  混杂会使P（Y|do（X））不同于P（Y|X）

  随机试验

  第四章

  “费舍尔 ，得到正确问题的不确定答案，比得到对错误问题的高度确定答案要好得多。”

  随机试验的两个优点：1消除混杂偏误2量化不确定性。

  除了1外，还有难以列出的其他所有影响A的因素，随机试验可以消除其他因素对实施1与否的影响。

  非随机实验中，由于依靠主观判断，很容易漏掉某个混杂因子。

  因果分析可以通过引入do算子来表示这一过程。

  P（Y|X）≠P（Y|do（X））

  后门标准-处理混杂因子

  第四章

  信息会在因果图中流动，连接可以看作一个管道，这个管道将信息从起点X传递到终点Y，基于路径图-贝叶斯网络，信息传递是双向的，在因果方向和非因果方向都传递。

  规则：

  链结合 A-->B-->C

  控制B可使信息不在AC间流动

  叉结合 A<--B-->C

  控制B可防止信息在AC间流动

  对撞结合 A-->B<--C

  信息流通规则与以上两种相反。AC原本是独立的，如果控制B，信息就开始在管道流通。（辩解效应）

  控制一个变量的后代节点（或替代变量），如同部分地控制变量本身。控制一个中介物的某个后代节点意味着部分地关闭了信息管道，控制一个对撞变量的某个后代节点意味着部分地打开了信息管道。

  方法

  如果X和Y之间有各种各样的连接，链结合、叉结合、对撞结合。我们将后门路径定义为所有X和Y之间以指向X的箭头为开始的路径。

  point 1如果我们阻断了所有的后门路径，那么就完成了对X和Y的去混杂。

  point2如果这是通过控制一组变量Z来实现的，那么我们需要确保Z的任何成员都不是X的后代，否则我们就可能完全或部分的关闭这条X与 Y之间的因果路径。

  康菲尔德方法

  在康菲尔德和费舍尔关于吸烟是否引发肺癌的争论里，费舍尔指出多尔希尔的对照研究存在偏误，提出了一个体质假说，选择吸烟者和不吸烟者可能存在基因或者体质上的不同。康菲尔德的驳斥：如果存在一个混杂因子--吸烟基因，可以完全解释吸烟者患肺癌的风险。如果吸烟者患肺癌的风险是常人的九倍，那么吸烟者当中这种混杂因子的存在的概率也至少要比 常人高出9倍，才能解释这种患病风险的差异。那么如果有12%的不吸烟者碰巧携带这种基因，那么数学上就形成了不可能。

  后期该方法发展出了“敏感度分析”

  蒙提·霍尔悖论

  三扇门后猜奖游戏，123号门后分别是两只羊和一辆汽车。如果你选择了1号门，主持人打开3号门展示，里面是羊，主持人问你是否要换门，那么接下来换门打开后是汽车的概率。

  出现偏差的原因：“大脑不能很好地处理概率问题“（佩尔西·戴康尼斯）

  伯克森悖论

  1946年，约瑟夫·伯克森指出了在医院进行观察性研究的一个特征：两种疾病在一般人群中不存在实际联系，在医院的病人中却会形成某种似是而非的关联。

  因果的解释：

  1. 对撞，疾病1-->住院<--疾病2

  2.另一个角度讲，是选择后的样本。即使是抛硬币问题，同时抛两枚硬币，如果删除了都背面朝上的样本，会带来两枚硬币正面朝上的伪相关。

  另一个例子：魔鬼数学的约会论，约会的人中有魅力的人往往是混蛋，是因为样本里不存在既没魅力又混蛋的约会对象。

  辛普森悖论

  辛普森悖论1，BBG药物的逆转。辛普森考虑的实验：男性处理组心脏病发作概率更高，女性处理组心脏病发作概率更高，总体处理组心脏病发作概率降低。是否是BBG（bad bad good）药物。

  出现BBG悖论结果在于，受试者分组内男女比例及数量不同。

  有意义的实验结果，应该控制性别，因为此处服用药物<-- 性别 -->心脏病发作，不同性别愿意服用药物的比例不同。

  如果将心脏病发作概率按照现实中男女比例1：1还原， 实际为BBB药物。

  辛普森悖论问题2，同一数据两个故事的逆转。数据该聚合还是分层？？？（聚合概念可能有翻译误差）。

  问题的根本在于因果叙述。按照因果分析，要考虑事件发生时序、潜在第三变量、去除“M”偏误。

  辛普森悖论的启示：某些情况下至少存在一个统计趋势无法代表真正的因果效应。聚合还是分层？？？

  去除干预的方法一：后门调整公式

  最常用的，使用统计调整公式控制混杂因子。使用前提，确定自己掌握了去混因子的充分集来阻断干预和结果之间的所有后门路径。

  例如性别分组试验中，性别是混杂因子，可以利用性别数据去除混杂影响。通过还原整体比例，则可处理。

  如果是年龄这种连续变量，则可以用函数模拟，例如线性近似。Y=aX+bZ+c，可以控制住混杂因子Z。

  系数a也被称为偏回归系数，可以用r下标（YX.Z）表示。

  为了使r下标（YX.Z）能够体现因果效应，需要满足两个条件：一是我们所绘制的因果图能够合理解释现状；二是Z变量满足后门标准。但是也只能适用于线性模型。

  后门标准的作用是告诉我们哪些变量集可以用来去除数据中的混杂。

  后门调整公式实际就是去混杂。

  但同时如果缺乏必要数据无法阻断某条后门路径，则统计调整公式会完全失灵。

  去除干预的方法二：前门调整 （front-door adjustment）

  找到一个X和Y之间的中介变量Z，假设混杂变量U对Z没有影响，假设只有通过Z，X才能影响Y。

  则X和Z之间后门路径已经通过共撞处Y被阻断，所以只观测X和Z得到的就是两者间平均因果效应。

  同时A和Y之间，可以通过控制X，阻断后门路径，这样就得到了Z到Y的平均因果效应。

  通过控制X后，对P（Z|X）、P（非Z|X）、P（Y|Z）、P（Y|非Z）的加权处理，可以得到P（Y|X）.

  也就是不用通过引入do算子，排除了混杂因子，计算出概率结果。

  当Z成为连续的，则可以通过一个通用的公式来表达这个过程：

  

  前门调整公式7.1

  

  后门调整公式7.2

  试图建立的公理系统

  规则1，在W-->Z-->Y的过程中，控制了Z，则W与Y不相关。

  

  规则2，如果Z阻断了所有X和Y之间的后门路径，那么控制Z后，do（X）=see（X）

  

  规则3，如果X和Y之间没有因果路径，那么，do不会干预到Y。

  

  规则1允许增加或者删除某个观测结果，规则2允许用观察代替干预，规则3允许删除或者增加干预。

  do演算就是为了将P（Y|do（X））开始，引入辅助变量将目标表达式转换为一个不含do的表达式。

  

  现实中可能也存在一个其他的解决方式，比如引入一个比do（X）更容易做到的do（M）

  去除混杂效应的方法三：工具变量

  斯诺对伦敦霍乱的研究。

  工具变量Z与X之间没有混杂变量，Z与Y之间没有混杂变量。则通过Z与X的关联a还有Z与Y的关联b，可以得到X与Y之间的关联b/a

  潜在结果

  奈德在农业试验背景下提出潜在结果概念。

  现有统计方法：将潜在结果视为缺失。推定缺失数据常见方法一：匹配；常见方法二：线性回归。

  谬误：用第一层级的方法回答第三层级的问题。

  解决方法：了解因果关系，根据因果关系建立结构方程。这种方程内部的主要解释关系将是单向的，解释变量影响被解释变量，而翻过来，解释变量对被解释变量的变化不敏感。

  根据统计数据估计出方程的主要系数后，可以得知个体的特质也就是残差。

  然后代入要计算的do算子，，do算子改变的是有反事实值的变量，删除指向其的箭头（控制相关变量），代入反事实值，得出潜在结果。

  因果推算第一定律

  Yx（u）=Ymx（u），建构模型Mx，确保删除所有指向X的箭头，计算结果Y（u）

  结构因果模型与鲁宾因果模型的区分

  鲁宾因果模型假设

  假设1：单位处理效应稳定（stable unit treatment value assumption），其他个体接受处理不会影响本个体的处理效应；

  假设2：一致性，也即无论何种原因改变，不会影响个体的处理效应，主要是为了假设试验不存在安慰剂效应，或其他缺陷；

  假设3：可忽略性，接受的处理和个体潜在结果变量是互相独立的，相当于对照组和处理组随机分配。

  但是该模型在实际操作层面，依然难以说清楚可忽略性。通过观察数据来比较潜在结果，从而确定某变量是否可忽略是难以操作的。容易陷入循环论证。

  例如为了确定是否可以忽略ED（学历），需要判断一个一个潜在工资可能是s的员工与一个潜在工资不是s的员工是否可能拥有同样的ED。或者试图去比较每一个EX（工作年限）中，潜在结果是否与ED独立。

  但是如果引入因果结构模型，首先确定ED不可忽略。

  普遍的操作层面是通过判断Z是否阻断了X和Y之间所有后门路径，同时Z的成员都不是X 的后代。就可以控制Z来确定X对Y的影响。

  在本例中，EX是ED后代，因此没有通过测试。也就不能用于匹配。

  响应函数

  从概率贝叶斯网络到因果模型的转变。引入剂量-响应关系，将Y视为其父变量的函数。

  同时剂量-响应关系使得结构因果模型（SCMs）可以表示阈值效应，处理非线性函数、离散变量。令SCMs可以比SEMs应对更多情况。

  必要性概率和充分性概率

  必要性概率PN（probability of necessity），必要因或若非因的概率，即 ，也即 X=1是Y=1的必要因的概率。

  例子：X表示乔堵住消防通道，X=0没堵住；X=1，堵住了。Y表示朱迪的死亡，Y=0活着，Y=1死亡。对乔的追责，要通过法律上的若非测试：“若非它，结果不会发生。”

  充分性概率PS（probability of sufficiency），，X=1导致Y=1的概率多大。

  例子：X表示被告开枪，X=1射击，X=0没开枪；Y表示受害者跑到钢琴下，Y=0没有，Y=1是。近因原则：结果不应该“离事件太遥远或是事件的次要方面，以至与行为人的责任或罪行的严重性关系很小”。

  伯克利大学招生的悖论

  伯克利男女录取率分别为44%和35%，然而每个院系，女生录取率都更高。毕克尔和汉默尔发现是因为女生倾向于申请更难录取的系。

  在关注歧视对录取的直接效应时，控制院系是有效的。但是后续讨论中，克鲁斯卡尔指出，其他变量的存在可能会影响结论，例如地域区别的性别歧视。也即院系这个混杂因子背后，还有其他混杂因子。

  中介谬误

  研究中极容易出现的中介谬误：对中介物进行变量控制，而不是保持中介物恒定。

  总体与局部的因果效应

  局部效应与总体效应，如果某因果关系是确凿的，那么总体的直接效应就应取决于子总体直接效应的总和。

  实验中的效应，推导过程

  处理X，结果Y，中介物M。

  受控直接效应（controlled direct effect)，在伯克利案例的环境中，受控直接效应是指，控制院系，申请表其他能力不边情况下，随机填写性别。

  CDE（0）=P(Y=1|do(X=1),do(M=0))-P(Y=1|do(X=0),do(M=0))

  自然直接效应（natural direct effect)，随即填写性别，但是申报原计划的院系。

  

  自然间接效应（natural indirect effect)

  

  总效应，不同于简单思考下的总效应=间接效应+直接效应，如果是直接考察相加，则分别的总效应不是边际情况下的影响。因为解释直接效应的时候，需要控制中介物恒定，那么解释间接效应的时候，也应该保持X恒定，并且将M增加到X增加到1的情况下M所能达到的量。

  总效应（X=0->X=1）=NDE（X=0->X=1）-NIE（X=1->X=0）

  线性模型中的因果

  总效应=直接效应+间接效应。

  成立原因在于线性模型中不允许变量之间的交互。这样完成中介分析就比较简单，如果加入交互作用，则可能失效。

  中介公式

  

  展开

• 关于本书

  作者：ОИЯИ 发布时间：2010-08-18 16:39:40

  展开

• 人性的光辉

  作者：刘夏果朵 发布时间：2020-08-20 16:05:26

  没有圣母傻白甜。金无足赤，人无完人，关键时刻不掉链子就是好人。故事体现人性的弱点和复杂，但最终还是有人性，有温暖，有爱。爱治愈一切。情节跌宕起伏，层层紧扣，反转再反转，但又合情合理。一气呵成。让人读来欲罢不能。我要去西藏。家里小学生看的废寝忘食。在他眼里古今中外名家名作完败。。。。

  展开

• 成事：从小处着手，实现大目标，这才是成功的真相

  作者：做更好的普通人 发布时间：2019-08-30 07:30:24

  每天进步一点点，坚持带来大改变，这是某个我喜欢的app的宣传语，听起来很鸡汤，但的确是我们大多数人想要做成一件事情的基础逻辑。

  从数学维度上看，每天进步1%，一年后，这个数字将变成37，你觉得1%很少，但每天多的那1%累加起来，和最初的那个值不在同一个水平线上。

  

  英国自行车队崛起的故事证明了1%的力量。

  2003年之前英国自行车队寂寂无名，看看他们的表现：

  100年内，在奥运会上仅拿过一次金牌；

  110年内，在环法自行车赛（自行车运动最大赛事）上没有拿过奖牌

  再看5年后他们的表现：

  2008年的北京奥运会，囊括了自行车项目60%的奖牌；

  2012年的伦敦奥运会，成绩更上一层楼：打破了9项奥运会记录和7项世界记录；

  2012年至2017年，6年内5次夺得环法自行车赛冠军

  是什么让他们在5年内有这么大的改变？答案是2003年起布雷斯福德担任了他们的教练。

  那么布雷斯福德有什么魔法呢？很多人觉得他拥有改变世界的力量，但实际上他接手后，没有对队伍进行重大调整，而只是要求训练中的每个环节都比以前提升1%。

  他改进车座、改变擦洗车胎的方式，他教队员正确的洗手方式、挑选定制的床上用品，他改变队车的油漆颜色，选择最好用的按摩凝胶，这样的点点滴滴加起来整个团队做了数百个小改善，累积起来让英国自行车队成为了世界一流的强队。

  英国政府行为观察小组的成员同样发现了逻辑相同的一套帮助人们达成目标的方法和技巧，他们是英国政府官方成立的机构，他们以“助推小组”的形式，实践他们的行动方针，“规避过去的官僚主义条条框框，找到种种明智的方式，鼓励、支持和保障人们能为自己做出更好的选择。”关注边际收益，从小处着手。

  欧文•瑟维斯和罗里•加拉维尔是小组的成员，他们依托心理学文献和行为观察小组活动实践，总结出了如下七步行为脚手架“设定目标—制订计划—承诺机制—奖励机制—分享机制—反馈机制—连接纽带”，通过21个反直觉的行为学规则，帮助我们决定当下该如何选择，写成了《小逻辑》这本书。你的每个选择，都影响着你的未来。

  为什么我给你推荐这本书？

  一、它在平实中蕴涵着惊喜

  整本书的逻辑结构简单明了，从这本书的素材和思想来源，到全书的总观点，再分七个大点二十一个小点，阐述详细观点。而这二十一个原则可以很明了地在目录中看到，我列出了下面这个表，可以清楚地看到，整本书的观点和结构。

  

  粗粗一看，你是不是觉得，这好像是我知道的那些事儿，但再仔细看看，就会发觉，看起来简单的规则背后是对人性的洞察。

  我们总是很懒，我们很难坚持做一件事，我们喜欢喊口号然后在之后默默忘记自己说过的话，我们爱面子，热爱扎堆又会在别人的压力下硬着头皮做事，我们热爱分享寻求同伴，我们经常迷茫，我们会逃避真实的自己。

  这所有的毛病，每个人或多或少都有，而一个人能否做成事，能否达到自我实现的目标，与他们多大程度克服了这些毛病相关。

  而《小逻辑》给出的行为脚手架逻辑，就是针对性解决这些问题，直面人性，利用人性，更好地帮助每个人克服大家都有的弱点。

  比如在设定目标上，好高骛远的我们都听过“常立志立长志”，表面看似乎没有错，但实际操作上往往变成，经常定目标却没有行动，定下了长远目标却和当下行动毫不相干。你应该也在作文中写过“我长大后要当一名科学家”的宏愿吧，但现实中实现儿时梦想的人往往是凤毛麟角。

  那么我们到底该怎么设定自己的目标，《小逻辑》给出的三大原则是

  选择正确的目标

  聚焦单一目标，设定清晰量值和最后期限

  把目标分解成可控的小步骤

  这三个原则具体怎么体现？以我自己举例，我的目标是我想成为一个有影响力的自媒体人，这个目标在第一个原则上没有问题，相信你也可以清楚说出你的目标。

  那么对照第二个原则，有影响力是一个比较虚的形容词，自媒体也是个很大的领悟，我的目标必须更加聚焦，那么考虑到我的实际情况，我将目标设定为在今日头条上有1万粉丝，截止时间为2019年12月31日。

  再对照第三个原则，为了实现目标，我必须创作出更多优质的内容来吸引更多人关注，每个月保持活跃，那么小步骤是，每天创作一条有价值的微头条，每周创作一篇长图文，从可控可衡量角度再度优化，那就是每天微头条一条（300字以上），每周长图文一篇（3000字以上）

  这样一看，你是不是有些明白这些原则的价值了，它能帮你实实在在地去思考该怎么做事，它清晰简单的话语让你没有负担地遵照执行，这就是你看完书、实践之后感受到的惊喜。

  二、它在有趣中融汇了严谨

  《小逻辑》这本书中有很多的事例，有人用这套行为方法找到了工作，有人成功戒了烟，让更多人接种了疫苗，在假期完成了作业，你会看到很多人都有自己的难题，这些事例让我们对看似简单的规则理解得更深入，而这些规则是从这些事例背后总结提炼出来的，它符合心理学研究规律。

  其中有这样一个概念，“失效突起”，形容优惠券在即将过期之前被大量使用的情况。

  你有没有这样的经历，看到优惠券最后期限临近，为了不错过优惠机会，想法设法也要把优惠券派上用场，这不就是拼命凑单的我们么？

  那这个形象有趣的概念是符合行为学规律的吗？能不能对我们的行为有正面的影响呢？答案是肯定的。

  在我们设定目标时，设定了有约束力的最后期限，会带来很大好处。

  书中有这么一个例子，麻省理工学院的学霸们往往会选择某个期限交论文，而不是拖到学期末再交，即使没有在规定时间交的话他们的论文得分会每延迟一天被扣减1%。

  因为他们清楚知道利用“失效突起”的力量，他们将会更有紧迫感，更有学习的动力，这应该也是他们成为学霸的原因之一吧！

  有趣又严谨的研究成果，是能真正改变我们的知识，是有力量的知识。

  三、它在洞察后保持了坚定

  行为科学家们发现，人们总是很在意别人对自己的看法，总是很在意与他人比较会如何，人总是要深受周围人怎么做、怎么说的影响。而这与“社会规范”有关。

  社会规范是指某一特定社会阶层或群体的价值观、行为方式和总期望值，它引导着人们的行为。研究结果表明，让人们意识到其他大多数人在做什么，可以帮助其巩固其潜在的行为动机。

  如果你知道你周围的朋友都在减肥，那你开始减肥并减肥成功的几率就会高很多。如果你说没有在减肥的朋友，那么，给你的建议就是加入一个线上减肥群体，用好群体的力量，因为它是很强大的。

  研究还发现人们常常低估别人愿意提供帮助的程度，而事实上只要你开口，你收获到的帮助可能比你想象得多得多。将你的目标与别人分享，没准就能得到意外的帮助，至少你会得到精神上的支持。

  还是以我自己举例，我曾经在面临工作岗位调动时精神压力非常大，不知道如何面对。我向我的写作课老师求助，她给了我非常有效的建议。之前的我们仅仅在写作上有过有限的交流，我对于收获到的指点非常感动。这也是我能坚持写作的动力之一，写作虽然没有给我经济上的收益，但让我交到了更多有质量的朋友。

  《小逻辑》对行为背后逻辑的洞察是深刻的，所以它建议我们要用好群体的力量用好他人的力量，去选择群体去选择同伴，去保有我们内心的目标，只有这样，我们才能一直走在正确的道路上。

  秋叶大叔在《小逻辑》这本书的推荐序言中说这本书将带给我们人生的“小曙光”，我相信这本书有它的价值，因为最重要的一点，它教会我们做时间的朋友，关注小目标，遵循常识，坚定地前行。

  

  展开

• 一个精彩儿童故事集掩盖下的矛盾世界

  作者：kaythomas69 发布时间：2010-03-23 05:39:03

         经典的电影《英国病人》里有这么一句话：“吉卜林是要静静地去读的。”诚如斯言。

      吉卜林是个非常矛盾的作家。他的儿童作品世界上也充满了矛盾。实际上，他所有的书既是写给儿童看的，也是写给成人看的。两部《丛林故事》是他最受人欢迎，且历久弥新的作品。吉卜林给我们展示了一个神奇的世界，从印度古老的热带丛林到北极的莽莽冰原。书里讲了很多历险的故事。从丛林中神奇的狼孩到在冰海中寻找乐土的白海豹。这本书既是一个孩子的成长过程，也是对无畏少年人的赞歌，也不乏对人类和人类社会的讽刺。故事都非常生动，非常具有可读性。不过译序写得太专业，大概会把还没看到正文的人给吓着了。

      这本书的另一个层面是吉卜林对自己身份（identity）的追求。狼孩莫格利很像出生在印度的吉卜林的童年时代。孩童的时候，他可以是所有种族人们的朋友，长大了就得回到自己的白人世界。这本书实际上是吉卜林获得诺贝尔文学奖小说《基姆》的前奏，无论是孩子，还是成人都能从中看出自己的乐趣。

      这部书里的插图是吉卜林的父亲为他的儿子画的，有百年历史了。照片是本书的译者在柬埔寨照的。古代的柬埔寨深受印度教的影响，著名的吴哥古迹实际就是印度教的神庙宫殿。所以很符合故事里的文化背景，也算是为这本书添了些情趣吧。

  展开