科学计数法的定义篇1
关键词：计量经济学；定义；科学性；不精确性；局限性
中图分类号：F064.1文献识别码：a文章编号：1001-828X（2016）015-000-01
一、计量经济学的含义
1.计量经济学的早期含义
在17世纪时期，计量经济学第一次在戴夫南特和金的研究中出现，但当时，计量经济学这个专业术语并未出现，直到挪威的一位名叫弗里希的经济学家在其发表的论文中提出了计量经济学的概念。计量经济学表示经济学和数学以及统计学的有机统一。在研究中发现在统计学和数学以及经济学的相互关系中存在着一种规律，发现这个发现的发现者将其命名为计量经济学。计量经济学是对理论政治以及纯经济学的主观抽象法则进行试验和数据检验并由此来将纯经济学最大化的成为严格意义上的科学。
1933年，计量经济学会将计量经济学定义为：通过经济学与数学以及统计学的有机统一，以实现经济问题理论定量与经验定量相统一的目标。这个定义表现了计量经济学是由统计学数学以及经济学共同组成的，缺一不可。我们不能简单地理解为是数学在经济理论领域的应用，也不能笼统得以为是经济理论问题的简单统计，只有将三者构建在一起才能发挥出特定的效力。
2.计量经济学的现代含义
由于计量经济学的早期目的在于科学化经济理论研究，因此在随后的经济理论研究方法的不断拓展完善中，计量经济学的含义也随之发生了改变。其定义变的更加具体也更加具有内涵。第一种定义认为：“计量经济学是利用统计学和数学的方法来分析经济学理论数据，将经济学的经验理论包含在内一起分析，通过分析来证明经济理论的正确与否。”第二种定义认为：“计量经济学的目标是建立经济模型来分析经济学中的变量之间的相互关系。通过模型来确定当一个变量发生变化时对其他变量会造成多大影响。使用数学和统计学的方法工具来解决发生在经济和社会中的变量变化问题，并引导人们对此类问题分析和了解并解决。
小结：发展至今，计量经济学已经成为经济学的重要分支学科，但其基础和目标并未有多大改变。还是将经济学和数学以及统计学三者合一共同解决和推断经济理论假设的实证研究。不管是哪一门学科都可分为理论和应用两个方面。因此，计量经济学也可分为理论计量经济学和应用计量经济学。自2008年爆发的经济危机，其后果影响至今。作者认为这不一定是计量经济学的理论研究问题，其可归结于应用计量经济学的问题。由于人们对计量经济学的滥用和理解的不透彻所以才无法从理论计量经济学中找到问题的解决办法。
二、计量经济学的特性
计量经济学是经济学的重要分支学科。可以说计量经济学是经济学的独特一面。计量经济学科学性的标志在于其严谨的数学方法逻辑性和正确指向性的统计推断。当然，对于计量经济学科学性的质疑也从未间断过。凯恩斯认为计量经济学是“统计的炼金术”，“蹩脚的魔术”。他认为计量经济学到目前为止还算不上科学的研究方法。为此作者统计出了科学标准并表现了计量经济学的科学性。
1.计量经济学的科学性
首先，科学哲学标准为：逻辑实证主义科学标准：其核心是事物的可证实性。包括维也纳学派的逻辑实证主义和柏林学派的逻辑实证主义以及“亨善尔”逻辑主义。证伪主义科学标准。这种证伪主义的基本出发点是证实和证伪之间的逻辑不对称。凡是可以被证伪的那就不是科学的。
其次，我们可以在计量经济学中发现逻辑实证主义的特性：重视证实，观测，反对因果关系的存在，反对理论实体。从计量经济学中我们更能找到证伪主义科学标准的影子，计量经济学的作用就在于对原有的经济理论或问题进行模式分析，不断假设推断，通过证实和证伪发掘出解决实际问题的方法。在这一方面充分体现了在计量经济学中证伪主义科学标准的存在。
2.计量经济学的不确定性和局限性
首先，计量经济学具有不精确性。其实这是一件无可厚非的事。从基础来源上来看，庞大的经济数据本身就具有不精确性，通过计量经济学的研究也只能得到一个近似的结果。通过计量经济学的方法研究，我们能得到一个理想的世界，但未来是否真是如此还有待商榷。统计学也是计量经济学的构建者之一，这决定了计量经济学的研究结果是一个随机事件，是否得到想要的结果还需要共同的努力，这与计量经济学的科学性并未冲突。
其次，与其它学科一样，在计量经济学的科学性和不精确性之外还有其局限性。从研究方法上而言，计量经济学的研究方法是经验实证的模型方法。这既是计量经济学的科学性和不精确性所在也是其局限性所在。从经济学的语言层面而言，以统计学和数学为基础的计量经济学的经验实证的模型语言有着其自带的局限性。计量经济学中证伪主义科学标准的存在的气息太重，这种以不平衡的逻辑为出发点的方法论决定了计量经济学的局限性。
三、结论与展望
时代在进步，人民富有了，消费提高了，伴随的经济危机也爆发了。经济危机的爆发更加重对计量经济学的质疑。无法准确预测经济危机的到来，在解决经济危机上的能力不足都存在于人们疑惑中。从上文的分析中我们可以得到这样的结论：“计量经济学的研究方法为解决经济问题提供了模型，在此模型中我么能够看到理想的世界，能够正确预测经济的走向，但是计量经济学中的统计学成分决定了其理想结果之外还存在其他结果。我们应当做的事理解透彻计量经济学并不滥用。计量经济学的科学性证明其是科学的方法。如果我们能够理解经济领域中变量的变化以及影响的大小并知道如何避免这种情况的发生或有制定对策，那么应该会有效的应用计量经济学。
参考文献：
[1]洪永激.计量经济学的地位、作用和局限.经济研究，2007（5）：139-156.
科学计数法的定义篇2
2011年初，国务院学位委员会在新的研究生专业目录中将统计学上升为一级学科，为统计学科和统计教育的发展提供了更广阔的平台，同时也显示出统计对科学研究、经济增长和社会发展的重要性。过去几年，一方面是统计学专业的大发展，另一方面非统计专业开设统计课程的数量也与日俱增。全国大约40%的高校学生学习统计相关课程。现在全国高校在校生已经超过了2000万，以40%推算，大约有800万在校大学生学习统计方法及应用的课程，而我们统计本科专业每年仅有1万多毕业生，硕士生每年2000多人，博士生几百人。统计专业的学生与非统计专业但学习统计课程的学生相比，仅仅是数百分之一。因此，我们不但要全力以赴地培养好统计专业的人才，还要重视、研究其他专业的统计教育与教学，将这两类学生都培养好，才算完成好统计学科和统计教育的基本任务。不管什么层次的统计课程，在教学中都要突出统计的本质，即统计最初是为解决实际问题而产生的，现在，统计学必须重新回到它针对实际问题而与数据打交道，并且创造有关理论的传统。为了表述准确，本文界定所讨论的“统计教学”是针对统计专业的应用统计学和非统计专业的统计公共课等等课程，而不包括那些对统计方法中间的数学内容进行局部演绎一类的既不涉及数据又不涉及结果解释的内容，比如数理统计等理论性较强的课程，这些应该是数学或作为数学分支之一的概率论的研究内容。实际上，对于数理统计等理论性较强的课程也面临应用的问题。因为，任何统计方法的发展、任何模型的建立都有其应用背景。由于中国统计过去一直被认为是数学的一部分，过去以及现在的很多统计教材和统计教学都有浓厚的数学味道，这使得目前我国统计教学过程中存在一些问题或误区。本文通过对统计、数学与科学研究关系的总结，探寻我国统计学教育改革和发展的方向。从统计学这一学科的本质出发，明确我国统计学教学中所存在的缺点和不足，提出加强统计教学建设的思考和建议，为我国统计学教学改革和统计学高等教育的开展提供参考。
二、统计、数学及科学研究
数学是以公理系统为基础，以演绎为基本思想方法的逻辑体系。数学(至少纯粹数学)是封闭的、完美的理想世界，不同于真实世界。它属于少数可以和世界具体事物无关的自成体系的学科。在大前提下(公理系统之下)，只要逻辑正确，不会犯错误，最多没有结果。对于结果的正确和错误，不会有争论(最多是争论该结果的意义有多大)。数学的研究可以完全脱离实际，不必要一定和具体的现实世界挂钩。因而，国外一般认为数学是艺术而不是科学，因为科学是面对具体研究对象的。和数学不同，统计是一门科学，是以实际事物为对象的。按照不列颠百科全书中的定义，统计是“收集、分析、展示和解释数据的科学。”它类似于物理学等其他科学，是以现实世界待解决的问题为目标的。所谓科学研究的方法，就是观测世界或进行试验得到数据，提出可以解释这些观测的假说或理论，试图尽可能地接近现实世界的规律，当出现理论或假说无法解释的现象(数据)时，就有可能需要对原有理论进行修正或者代之以新理论。所以，以归纳为主要思维方式的统计是描述现实世界的科学研究，是为各领域服务的。总结信息时会形成模型(假说/理论)，统计需要建立各种数学模型来近似现实世界。但任何数学模型都不可能精确地描述现实世界或自然，也无法证明任何模型是正确的，正如没有科学理论(假说)能够等于真理一样。我们只能够说，在某些可能有争议的准则之下，某些模型比另外一些要更合适一些。和确定性的数学不同，统计的结论不可能是确定性的。数学是不能证伪的，而统计科学和其他科学的理论一样，必须是可以证伪的。在不断证伪的过程中，统计科学才得以发展。
三、统计教学中的问题
数理统计课程的教师多数是数学出身，很多人缺乏数据分析的经验，往往把以归纳为主的统计当成以演绎为主的数学，这对于不同背景的学生造成不同程度的不利影响。目前，我国统计教学存在以下较为普遍的现象:
1．很多人认为统计学是“数学的一个分支”。我们认为，如果脱离统计的应用背景而把统计作为纯粹数学的一部分，那么，统计学没有存在的必要。原因在于，第一，统计学的方法都是在应用的推动下产生的，如果没有应用，它们不会出现。其次，如果以应用为目的而产生的统计方法不能满足应用的要求，再漂亮的数学表达也不能保证其存在，脱离应用背景的统计方法是没有生命力的。第三，统计中的数学本身不能形成一个完整的逻辑体系(贝叶斯统计可能被认为是例外)，其中有大量的人为或主观因素在起作用，这是不符合纯粹数学的本质的。因此，到底统计是不是数学，我们没有必要进行争论。在不同的定义和前提下，可能有各种结论;但统计为应用服务的本质，是没有争论的。而统计的基础是实际领域产生的数据，也是被广泛接受的统计定义所确定的。评价统计方法的最终标准就是看该方法能否解决实际问题。
2．过于重视数学公式和推导，轻视对统计思维的培养。由于统计发展历史中的数学背景，20世纪中期基本定型的数理统计教材充满了数学味极强的定义、引理、定理、推论，以及贯穿其中的纯粹数学推导和证明。但是，和确定性的数学不同，以归纳为主要思维方式的统计是描述现实世界的，统计的结论不可能是确定性的。数学是不能证伪的，而统计科学和其他科学的理论一样，必须是可以证伪的。在不断证伪的过程中，统计科学才得以发展。因此，这样的统计教材往往对于背后的基于数据的统计思想介绍得不很充分，也不强调这些充满假定的数学模型都是对现实世界的不同程度的简化。几乎没有人告诉学生，所有统计教材中对数据(或其总体)的数学假定都是无法用数据验证的。大多数教材仅仅指出这些模型在什么假定下可用，而很少指出违背这些假定的后果。
3．虽然强调应用，但是忽略统计方法的软件使用。很多统计教材的所谓应用，往往就是给出几个例子，而且这些例子很多时候并没有说明如何根据软件操作得到，从而导致学生面对实际数据恐惧而束手无策。虽然可以通过软件操作手册掌握软件的使用，但这增加了学生学习的负担。而且，专门按照手册式的软件书学习软件是事倍功半，因为这些操作手册往往过于强调操作过程和技巧，忽视对软件输出的统计结果的解释，导致学生不能正确解读统计分析结果，从而面对一堆输出而束手无策。
四、统计教学的思考
(一)应该教什么?
统计是数据的科学。但是目前的统计教学中有很强的数学烙印。由于很多基本上由数学老师教授的数理统计课程是完全按照纯粹数学的模式设计的，把统计当成数学来教，对于背后的基于数据的统计思想介绍得不很充分，也不强调这些充满假定的数学模型都是对现实世界的不同程度的简化。几乎没有人告诉学生，所有统计教科书中对数据(或其总体)的数学假定都是无法用数据验证的。所能够做到的，仅仅是希望找不到否定这些假定的证据而已。就像我们只能说用已知手段没有发现航天飞机有问题，而永远不能证明它没有问题一样。因此，大多数教科书仅仅指出这些模型在什么假定下可用，而很少指出违背这些假定的后果。统计教科书往往在给出统计方法结论的同时，不指出根据这些结论作出决策的风险，也很少强调统计学家不能替代实际领域专家做决策的原则。数学化的统计教科书极少提到统计应用中一系列决策的主观性和任意性。人们可能会说，在某些假定条件下，某某统计结果很漂亮或者很精确。但是人们往往有意无意地忽略这些假定对实际世界的偏离可能使得这些貌似漂亮的结果毫无意义。
(二)教学中的统计思维
对于物理课的讲授，需要直观教学。统计课的讲授也是一样，需要让学生在头脑中形成空间或图形的直观感受。由于统计与数学的不同，要突出统计思维的训练，统计教学需要解决以下问题。首先，教师要明确不需要数学公式一样可以熟练掌握统计方法。在课堂上不一定讲数学推导，对统计概念的充分理解也可以不需要数学公式。当然，对于数学基础好的学生，数学推导可能有助于理解方法本身。对于其他专业的学生，他们需要的是如何使用统计方法来解决实际问题，而对于方法的理解，就需要与实例相结合的直观印象。实际上，对于数学背景的学生也需要直观的理解。因为，如果无法讲出直观意义，即使在黑板上演示的数学推导的手法再熟练，也可能不完全理解在数学后面的直观意义。因此，在统计教学中要强调应用、尝试去概念化教学。以大量实际数据运用为基础，在数据分析和实际问题的解决中介绍统计方法，帮助学生理解哪种统计方法适合于面对哪种实际问题，突出统计应用的特点，强调学生的动手能力，使得学生能深入领会统计思维和应用价值。现在已有很多统计教材对此进行了探索，代表性的教材有吴喜之的《统计学:从数据到结论(第三版)》［2］、袁卫和刘超的《统计学:思想、方法与应用》［3］。其次，统计教学的内容与时俱进。比如，假设检验着重介绍基本原理、两类错误和p值，而不再花很多精力讨论经典方法的步骤，如事先确定α值，确定临界值等。因为p值的计算越来越方便(计算机所有程序全部给出p值)，只要用p值与要检验的α值比较即可做出检验决策。而且教师要多关注社会上出现的新鲜事物，将统计方法应用在这些对象的描述上。比如，微博(microBlog)是目前很流行的交流平台，微博的市场竞争比较激烈。在讲授统计图方法时，教师就可以对国内几大微博平台的有关数据进行分析，比如，针对按照用户浏览时间和活跃用户数分别计算这几大平台的市场份额，用饼图或条形图展现计算结果。将学生经常使用或熟悉的事物作为统计教学的对象，不仅有助于培养学生对方法的兴趣，而且可以激发学生关注新鲜事物的热情和学习应用的动力。
(三)公共课教学
对非统计专业(是统计学以外其他专业，如经济学、管理学、社会学、人口学、教育学、法学、物理学、生物学、医学等)学生讲统计，主要是普及统计知识，而不是强调理论深度，应该让他们有尽可能广泛的统计方法的知识。因此，对非统计专业的学生，不应要求做数学推导，要尽量回避方法的证明和过程的推导。即使有，也仅仅是为了理解概念，而不是记住推导本身。非统计专业学生需要的是熟悉各种不同的数据以及对于各种不同特点的数据的处理方法，教学中要使用大量的应用案例，使学生能够学会正确应用统计方法解决本专业领域的数量分析，特别是和计算机相结合，让他们理解方法的直观意义，理解和解释计算机输出的结果。非统计专业教材所使用的应用统计教材，应该强调的是应用背景、条件、统计思想和科学解释等。
(四)和各学科交叉
统计是围绕数据转的，任何处理数据的理论或方法都应该引起统计学家和统计教学的关注。但是，统计学家容易自我封闭，把统计学科定义为他们自己熟悉的狭窄范围，比如必需有总体、概率、分布等术语或概念者才是统计。封闭会导致统计失去大量有价值的领域和人才，目前有广阔市场的数据挖掘的一些方法，就是搞计算机的人和少数年轻统计学家发展的。统计不为实际服务，是没有出路的。
(五)统计要和软件密切结合
采用计算机化教学、突出统计软件的使用是统计教学的趋势。计算机的使用是学会统计的必要条件。统计离不开计算机，讲应用统计的教师不仅自己要对计算机处理数据得心应手，而且要让学生也通过计算机实践来掌握统计方法。对统计软件(比如SpSS、R)的学习应该主要是在使用中学，专门按照手册式的软件书学习软件是事倍功半。只有在需要时学，才能够尽快地学会。其实这对于任何学科的非基础课课程都适用。在大学三四年级的统计方法课程，比如多元分析，回归分析，非参数统计，时间序列等课程中都要求使用计算机处理数据，会比专修一两门专门的软件课程要有效得多。不会计算机，是不可能学会、更不可能理解现代统计的。但是教师应该提醒学生特别注意，在应用软件分析数据时，要明确自己的目的，不要在得到一堆毫无意义的“垃圾”之后还沾沾自喜。五、教学体会和建议了解尽可能多的统计实践的前沿有助于对初等内容的充分理解，也有助于认识原先一些“权威”课本的片面、不完全、甚至是错误的信息。因此，面对当今统计的发展相当迅速的情况，高校教师不能固步自封，必须紧跟统计的最新发展，应该不断学习新的知识，特别是和数据及应用有关的模型和方法。只有对统计实践的最新进展予以了解才有可能理解目前教学的意义，才可能充实教学内容和提高教学水平。
科学计数法的定义篇3
关键词:人工智能;人工智能研究;广义人工智能
中图分类号:tp18文献标识码:a文章编号:1009-3044(2010)13-3507-03
artificialintelligenceoverview
HUQin
(BaiyunmiddleSchoolinZongyangCountry,anqing246728,China)
abstract:thepaperintroducescurrentgeneralresearchandhotresearchtopicofartificialintelligence.thepaperlooksforwardtothefuturedevelopmentdirectionofartificialintelligence.inaddition,thepaperanalyzesimplicationofconcepts,theoreticalfoundation,disciplinesystem,scientificapproaches,scientificsignificanceandapplicationvalueofgeneralizedartificialintelligence.
Keywords:artificialintelligence;artificialintelligenceresearch;generalizedartificialintelligence
人工智能是计算机学科的一个分支,是一门正在发展中的综合性的前沿学科,它是研究人类智能活动的规律,并用于模拟、延伸和扩展人类智能的一门新的技术科学,是在计算机、控制论、信息论、数学、心理学等多种学科相互综合、相互渗透的基础上发展起来的一门新兴边缘学科[1]。人工智能目前已在指纹及人脸识别、专家系统、智能搜索、定理证明、博弈、自动程序设计以及航空航天领域取得了广义的应用。
1人工智能研究概况
当20世纪40年代数字计算机研制成功时,当时的研究者就采用启发式思维,运用领域知识,编写了能够完成复杂问题求解的计算机程序,包括可以下国际象棋和证明平面几何定理的计算机程序[2]。运用计算机处理这些复杂问题的方法具有显著人类智能的特色,从而导致了人工智能的诞生。1956年,mcCarthy决定把Dartmouth会议用人工智能来命名,开创了具有真正意义的人工智能的研究。
图灵(alanturing)所著的“计算机器与智能”[3]讨论了人类智能机械化的可能性,提出了图灵机的理论模型,为现代计算机的出现莫定了理论基础。同时该文中还提出了著名的图灵准则,在人工智能研究领域,“图灵检验”已成为最重要的智能机标准。同一时期,warrenmcCullocli和walterpitts发表了“神经活动内在概念的逻辑演算”的开创之作[4],该文证明了:一定类型的可严格定义的神经网络,原则上能够计算一定类型的逻辑函数并开创了当前人工智能研究的两大类别:“符号论”和“联结论”。
从20世纪60年代至70年代初,人工智能领域有影响的工作是通用问题求解程序,主要包括:Robinson于1965年提出了归结原理,成为自动定理证明的基础[5];Feigenbaum于1968年研制成功了DenDRaL化学专家系统,是人工智能走向实用化的标志。Quillian于1968年提出了语义网络的知识表示等。20世纪70年代,人工智能研究以自然语言理解、知识表示为主。winograd于1972年研制开发了自然语言理解系统Shrdlu,同时期Colmeraue创建了prolog语言。Shank于1973年提出了概念从属理论。minsky于1974年提出了框架知识表示法。1977年,Feigenbaum提出了知识工程,专家系统开始得到广泛应用。
20世纪80年代以来,以推理技术、知识获取机器视觉的研究为主。开始了不确定性推理和确定性推理方法的研究。日本计算机界推出了“第五代计算机研制计划”,该计划最终未能实现当初的目标―以非数字化方式在日常范围内全面的模仿人类行为,但该计划也为人工智能的进一步发展积累了很多经验。20世纪90年代,人工智能研究在博弈这一领域有了实质性的进展。1997年5月11日,一个名为“深蓝”的iBm计算机以2胜1负3平的成绩战胜了国际象棋世界冠军卡斯帕罗夫,这举世震惊的一步大大地振奋了整个人工智能界,而事实上“深蓝”打败卡斯帕罗夫仍是从专家系统提供的所有可能的走步中选择最优的,并未有理论上的实质性的突破。
中国人在人工智能领域的突出贡献主要有:1960年,华裔美国数理逻辑学家王浩提出了命题逻辑的机器定理证明的新算法,利用计算机证明了集合论中的300多条定理。1977年,我国数学家、人工智能学家吴文俊提出了初等几何判定问题的机器定理证明方法,并进一步推广到初等微分几何、非欧几何领域,被称为“吴氏方法”。80-90年代,我国高等院校和研究机构在智能控制与智能机器人的研究开发方面,取得了丰硕的成果。
回顾人工智能发展的历史进程,从科学方法论的角度分析,其发展有三条途径,分别是结构模拟、功能模拟和行为模拟。在学术观点上有人工神经网络、专家系统和智能机器人三大学派。
2人工智能当前的热点研究
人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。目前人工智能研究的3个热点是:智能接口[6]、智能信息处理[7]、主体及多主体系统[8]。
2.1智能接口技术
智能接口技术是研究如何使人们能够方便自然地使用计算机。这一目标的实现要求计算机能够看懂文字、听懂语言,甚至能够进行不同语言之间的翻译,而这些功能的实现又依赖于知识表示方法的研究。因此,智能接口技术的研究既有巨大的应用价值,目前,智能接口技术已经取得了显著成果,文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化,如:微软提出的云计算、百度提出的框计算都与智能接口技术有关。
2.2智能信息处理
计算机的广泛应用是人类进入一个信息爆炸的时代,国民经济和社会信息化发展所面临的一个重要课题是如何把大量的数据转化为有用的知识,并将知识转化为智能,用于决策、管理、检索、过程控制等。智能信息处理使从海量数据中提起有用知识成为可能,当前,图形模式作为一种有效的智能数据处理手段正在引起人们的重视,图形模式具有多功能性、有效性及开放性等特征,能有效地转化数据为知识,并利用这些知识进行推理,以解决分类、聚类、预测和因果分析等问题,其有效性已在软件智能化、医疗故障诊断、金融风险分析、Dna功能分析和web采掘等方面得到验证。随着图形模式学习和基于图形模式推理等问题的解决,图形模式必将成为重要和有力的智能化数据分析与处理工具。
2.3主体及多主体系统
主体是具有信念、愿望、意图、能力、选择等心智状态的智能性实体,而且具有一定自主性。主体试图自治地、独立地完成任务,同时又可以和环境交互,与其他主体通信,并通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为,最终实现问题求解。目前对主体和多主体系统的研究主要集中在主体和多主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。
3人工智能未来的研究方向
当前,人工智能学科已从学派分歧的、传统的、狭义的人工智能,走向多学派兼容、多层次结合现代的广义人工智能,并将发展成为人机集成的、群体协同的、未来的智能科学技术[9]。广义人工智能学科的理论基础是广义智能信息系统论,主要包括广义智能论、智能信息论和智能系统论。
3.1广义人工智能的概念涵义和学科体系
多学派人工智能是指模拟、延伸与扩展人的智能及其它动物智能,既研究机器智能,也开发智能机器。多层次人工智能是指不仅研究专家系统,而且研究人工神经网络、模式识别、智能机器人等。多智体人工智能研究群体的、网络的多智体、分布式人工智能。研究如何使分散的个体人工智能协调配合,形成协同的群体人工智能,模拟、延伸与扩展人的群体智能或其它动物的群体智能。
广义人工智能的研究对象是自然智能、人工智能、集成智能和协同智能,根据广义智能学的研究对象,广义人工智能学的学科体系主要包括四个方面:①自然智能学:自然智能学研究人的智能及其他生物智能的个体智能、群体智能的基本概念和特性。②人工智能学:人工智能学研究机器智能与智能机器二方面,思维、感知、行为三层次的广义人工智能的基本概念和特性,分析设计、协调协同、进化开拓、评价测度、信息处理、系统构成、管理控制的理论和方法。③集成智能学:集成智能学研究自然智能与人工智能,主要是人的智能与机器智能如何协调配合、取长补短、合理分工、智能结合,形成集成智能、构成人机和谐集成智能系统的基本理论和方法。④协同智能学:协同智能学研究智能个体如何相互协调、友好协商、分工协作,组成智能群体,组成分布式网络群体协同智能系统的基本理论和方法。
3.2广义人工智能的科学方法
①多学科协同:广义人工智能是跨学科的综合性边缘学科,必须需要包含信息科学、生物科学、系统科学等多学科协同的科学研究方法。②多途径结合:广义人工智能是对广义自然智能的模拟、延伸和扩展,需要采取功能模拟、结构模拟、行为模拟等定性研究与定量分析,综合集成的多途径相结合的科学方法。③多学派兼容:广义人工智能的研究应当也需要采取符号主义,联结主义,行为主义等多学派兼容的科学方法。
3.3广义人工智能的科学意义
研究发展广义智能学具有重要科学意义和应用价值,广义人工智能协同地、综合地研究自然智能、人工智能,开发人机集成智能、群体协同智能的基础理论和方法,如:协同研究自然智能与人工智能;研究开发人机集成智能;研究开发群体协同智能;广义人工智能为研究人工智能和自热智能提供新思路和新方法,并为发展智能科学技术提供新理论。
4结论
本文全面综述了人工智能的发展过程、研究热点和研究趋势,介绍了广义人工智能的基础理论和方法,认识到广义人工智能将为智能科学技术提供宽广、深厚的理论基础,并将有力促进智能科学技术的迅速发展与广泛应用。
参考文献:
[1]马少平,朱小燕.人工智能[m].北京:清华大学出版社,2004.
[2]石纯一,黄吕宁,土家钦.人工智能原理[m].北京:清华大学出版社,1993.
[3]L.a.Zadeh,FuzzySets[J].informationandControl,1965(8).
[4]Bordma.人工智能哲学[m].刘西瑞,王汉琦,译.上海:上海译文出版社,2001.
[5]刘叙华.基于归结方法的自动推理[m].北京:科学出版社,1994.
[6]顾明.基于模糊aRt神经网络的在线人脸识别模型的设计和实现[J].计算机科学,2007(8):92-94.
[7]王双成.面向智能数据处理的图形模式研究[D].吉林大学,2004.
科学计数法的定义篇4
关键词：数量经济学；内涵；发展
数量经济学起源于西方的经济学理论，通过与实际社会经济问题相结合建立数学模型，定量研究经济问题，已成为社会主义经济科学的一个重要分支[1]。
一、浅析数量经济学
1．数量经济学的内涵
数量经济学作为一门方法论体系的学科，在一些经济学科进行具体的研究过程中，提供了一些分析工具以及具体的方法，起到一定的指导性作用。故而我们认为数量经济学是一门研究如何运用数学工具现代计算机技术处理解决经济问题的具有较强专业性的学科，当其他它经济学科在实际研究过程遇到困难时，数量经济学可以从量化研究问题的角度为其提供一些高效可行的数量分析方法和工具。数量经济学与其他经济学科的关系是一种特殊、抽象但又具体的关系[2]。
2．数量经济学的学科定位
数量经济学在发展过程中主要包括以下几个重要内容。一是数理经济学。数理经济学就是把数学方法运用到实际的经济学中，在具体的经济理论研究过程中运用数学语言对经济系统的整体刻画，再通过具体的方程以及方程组进行经济系统中各变量间的表述。在现阶段的数理经济学中，主要研究的对象包括产品、资本、劳动、货币以及国际贸易等市场的列方程、解方程以及进行相关解的讨论问题等，逐步将宏观、微观经济学融入一个系统之中；二是计量经济学。计量经济学是借助基本的经济理论、数学方法以及统计学定量方式来进行经济现象研究的经济计量方法的一个统称；三是模拟经济学。在数量经济学中我们不仅要利用计量经济学通过数学模型解决问题，还要利用计算机进行科学的模拟，这就是我们所说的模拟经济学，即通过智能模拟来解决经济问题的模拟技术。这种模拟可以有效的反应出具有随机性、动态性、非线性为主要特点的经济问题，可以利用电脑有效的把各种方案进行整合[3]。
3．数量经济学与经济学的区别与联系
经济学领域对数量经济学的主要研究对象存在的分歧较为突出，在我国社会发展的过程中，根据人们的生产方式以及具体的经济活动的方式、内容影响着人们对问题的观察角度以及具体的研究方法，得到的结论和具体的表现形式也就不尽相同，这也逐渐的形成了不同的经济学体系或者学说。所以在数量经济学的研究领域中，我们虽然重点研究的是经济运行机制以及具体的资源配置方式，但是在本质上研究的都是利益的分配和协调问题。因为利益的不同，具体的表现形式就会存在着一定的差异，这些差异主要表现在研究对象、前提假设、分析问题的方法以及最终所得到结论的应用方面。
二、数量经济学发展研究
我国现阶段数量经济学的主要发展方向是根据我国的国家性质来进行开展的，在发展的过程中要把马克思主义作为基本的科学发展观点和前提，所以在一定程度上来说我国数量经济学是在马克思主义经济科学框架下的一个数理科学。从宏观层面上说，数量经济学在社会主义市场经济中以马克思主义为指导思想具有如下三个重要研究方向：第一，要根据西方对数量经济学的主要研究经验，通过对资产阶级中出现的经济理论的基本函数形式以及基本的数学模型进行不断的完善和改进；使用工学信号分析中的小波理论、数学上混沌分析理论、神经网络算法等非线性、非均衡以及非稳态的分析方法对经济模型进行具体的完善；要有针对具体的经济计量模型的基本定义、估计、检验以及应用具体环节中要不断的协调理论与方法，要将动态随机一般均衡(DSGe)模型的基本思想、方法进行深层次的挖掘；在时间序列分析中，结构向量自回归、非限定性贝叶斯向量自回归等方法都在不断完善中。值得一提的是用贝叶斯方法进行分位数回归是当较前沿的领域，这里关键在于对回归方程随机误差项的设定，即误差项服从非对称拉普拉斯分布(aLD)。笔者正在研究用非对称指数幂分布[4](aepD)替代aLD，预计会取得更好的统计性质。第二，要拓展数量经济学的应用范围，有效的解决具体的经济问题以及应用手段；通过在经济学主要涉及的五个基本领域来进行，通过对资源与需要、社会经济关系、理、经济信息以及价值判断等实际问题进行剖析，探索可能出现的新的应用方法和具体的方法论。我们要在以下三个方面进行拓展，首先，在数理经济学方面，要把研究的重点转向博弈均衡理论的基本研究；其次，在计量经济学方面，要把博弈模型中具体参数的估计以及检验问题作为主要关注的研究目标；最后，在模拟经济学中，要根据模拟微观主体的具体对策，全面的完善阐释宏观经济中的非均衡、非稳定基本现象。第三，要适应我国经济学发展进程和现阶段实际经济的客观需要，针对马克思主义政治经济学思想理论的基本原理，完善和建立具体研究工具。对此我们从以下三个方面进行：首先，要根据社会发展的进行全新的研究，概括研究马克思主义经济学理论，这是数量经济学领域中的每个马克思主义经济学者的基本任务；其次，要把马克思主义经济学理论不断的条理化、规范化，在这个基础上不断的发现新问题、新原则以及新理论；最后，要充分的运用数学以及信息技术应用，把研究解决经济管理问题以及具体的决策规划问题作为主要的研究内容。在现阶段的数量经济学发展过程中，不仅要充分的结合我国的基本国情，对我国经济学领域进行一个全面的了解，还要根据数量经济学的发展，进行一些具体的数量经济分析方法以及方法论自身的创造，要全面的发展数量经济学，要在数量经济学说的发展过程中运用科学的方法，达到数量经济学的发展适合本土经济学的根本目的，为我国的经济学的发展带来一定的推进作用。
作者:张锡单位:宁波大学
参考文献：
[1]陈星星.数量经济学前沿研究动态———中国数量经济学会2014年(杭州)年会综述[J].数量经济技术经济研究,2014,11:159-161.
科学计数法的定义篇5
近年来，我们在多门计算机课程的教学实践中，摸索出一套“把实验实践环节与理论教学相融合，抓实验实践教学促进学科理论知识学习”的教学方法，有效地提高了学生的学习兴趣，以此来提高大众化高等教育背景下计算机专业课程的教学效果和教学质量。这个教学方法可以简单地概括为“先做后说”。这里的“先做”，就是教师依据相关课程的知识体系和教学要求精心设计前导实验，学生在实验设计的指导下，通过实验方法来了解和实践课程知识；这里的“后说”，就是在学生具备了一定的感性认识的基础上，在课堂教学环节中答疑解惑，系统地提高学科知识的理论水平。本文中，我们结合“数据结构与算法”(以下简称“数据结构”)课程来探讨新的教育形势下计算机课程教学方法的改革。
1“数据结构”的教学现状
任何实际问题只有建立了数学模型才可以被计算机计算，而数据结构就是实际问题中元素的数学抽象，算法则是建立和解决数学模型的方法。
“数据结构”这个术语在整个计算机科学与技术领域得到广泛使用，它被用来反映一个数据的内部构成，即一个数据由哪些成分数据构成，以什么方式构成，呈什么样的结构等。数据结构是数据存在的形式，也是信息的一种组织方式，其目的是为了提高算法的效率，它通常与一组算法的集合相对应，通过这组算法集合可以对数据结构中的数据进行某种操作。
“数据结构”是计算机以及相关专业的一门核心课程，具有承上启下的地位和作用，“程序设计语言”(例如C或C++)和“离散数学”是它的先导课程，“操作系统”、“数据库原理”、“软件工程”等则是它的后续课程。“数据结构”课程既有相当的理论抽象性，又有鲜明的应用特色，是专业基础课程中的一门有一定教与学难度的课程。
“数据结构”课程一向都有上机实验的要求，但主体通常还是课堂教学，无论是实验设计还是实验强度都远远不够，带有强烈的“验证性”色彩。但是鉴于以下原因：(1)由于低年级程序设计语言教与学所存在的问题，学生普遍不能顺利地运用程序设计语言工具；(2)对于应用型院校以及许多专业的学生来说，学习数据结构与算法的主要目的应该是在理解的基础之上更好地从事计算机软件的设计与运用。因此，“数据结构”课程的教师必须决定其课程是集中于问题和理论，还是为学生提供一个能够对其进行充分实验的环境，让学生在实践的环节中增加感性认识，产生对相关理论知识的需求。
2教学内容的分层次设计
从1999年开始，经过几年的大规模扩张，人们对大面积扩招后形成的新的高等教育态势进行了重新认识，并把普通高等学校一般地分为研究型大学、教学科研型大学、教学型本科院校、高等专科院校和高等职业院校等几种办学类型。随着高等教育大众化、普及化时期的到来，初步形成了各类大学相对稳定的分层次办学的格局。
根据教育部计算机科学与技术专业教学指导分委员会的“中国计算机本科专业发展战略研究报告”，我们至少可以认为：所在院校的办学类型不同、培养目标不同、所在地及其周边地区社会需求的不同，这些计算机专业的教学内容应该有所不同。作为一门重要的计算机的专业基础课程，针对不同院校不同的教学目的，“数据结构”应该有不同的，分层次的教学设计。
我们认为：对于大多数计算机专业以及it相关专业的学生，尤其是非研究性院校的学生，应该把数据结构的学习定位在理解、熟悉和能够灵活运用的基础上，而把那些“考研”所需要的更深层次理论性内容放在选修或者考研复习阶段来解决。从长远看，应该对各层次院校的计算机专业所开设的“数据结构”课程的教学内容进行研究，对其教学方法进行积极的探索。
数据结构与算法的应用面广，涉及技术领域宽泛，也被人们赋予了很高的期望值，对于计算机及其相关专业的一般学生和读者来说，肯定是需要掌握的重要专业基础知识之一。另一方面，虽然全部计算机应用技术都有实践性的要求，但数据结构与算法对于应用基础理论来指导开发实践却有着特别的需求，单凭课堂教学和一般作业，要真正领会数据结构与算法课程所介绍的概念、原理、方法和技巧等，是很困难的。因此，要让学生真正理解数据结构与算法的基本知识，具备将数据结构知识应用于社会实践的能力，积极加强数据结构课程的实验环节是至关重要的。
3教学改革、实验创新与成果
根据以上思考，我们在教学内容的安排、实验项目的选择、实验步骤的设计和实验文档的组织等诸方面都做了精心的考虑和安排，尝试为“数据结构与算法”课程编写了主要用于实验也可用于课堂教学的教材《数据结构与算法实验教程》。该教材依据课程教学大纲，充分理解课程的大多数主教材，遵循课程教学的规律和节奏，体现了实验的可操作性，帮助学生切实把握本课程的知识内涵和理论与实践的水平。
《数据结构与算法实验教程》采用C语言作为描述语言，通过一系列与课程单元知识密切相关的实验练习，把数据结构的概念、理论知识与技术融入到实际应用中，从而加深对本课程的认识和理解，逐步熟悉和掌握结构化程序设计方法，提高编程能力和综合分析能力，并为今后学习面向对象程序设计作一些铺垫。实验练习覆盖了“数据结构”课程教学的各个方面，内容涉及数据结构和算法分析基础、线性表、栈和队列、串、树和二叉树、图，以及查找与内部排序等，全书共16个实验练习、1个实验总结和1个附录实验，如表一所示。
实验1：数据结构和算法分析基础。包括数据结构和算法的计算环境、抽象数据类型的表示和实现、算法和算法分析等实验。通过实验来理解抽象数据类型的特点、定义方法和在C语言环境下实现的方法；掌握算法的主要特征和描述方法；尝试通过具体的算法结构，计算算法的时间复杂度和空间复杂度，并对算法进行定性或定量评价。
实验2：线性表。包括线性表的顺序表示和实现、线性表的链式表示和实现等实验。通过实验，掌握顺序表和链表的存储结构定义；实现基本操作算法的描述和分析；进一步理解实现复杂操作的C语言程序的结构，从而更深入理解结构化程序设计的方法；与此同时，加深理解C语言中函数和结构体的结构、语法和使用方法。
实验3：栈和队列。包括栈、队列和递归算法等实验。通过实验，掌握顺序栈和链式栈、顺序队列和链式队列的存储结构定义；掌握栈和队列基本操作的过程及实现的方法；理解递归算法的思路、使用条件以及设计方法，并且了解由递归算法到非递归算法的转换过程中栈的作用；通过实例，进一步加深对栈和队列特点的理解，并区别这两种结构在解决实际问题时的区别，从而更合理地选择适当的数据结构解决实际运用。
实验4：串。包括串的3种常见的存储结构定义、在具体的定义下串的基本操作和实现。通过这个实验，加深理解串这种常见的数据结构的特点和存储结构定义方法；掌握串的基本操作算法的描述，并根据算法的结构评价算法；理解串操作的实现方法，理解一个合理的存储结构定义对具体操作实现的重要性，并注重提高算法的健壮性，从而能更好理会一个好算法所需要的各种综合因素。
实验5：树和二叉树。包括二叉树及其基本操作、哈夫曼树和哈夫曼编码等实验。通过实验，掌握二叉树的不同存储结构定义，并理会在具体的应用中采用合理的存储结构的思路；理解二叉树的先序、中序及后序三种遍历的递归与非递归算法实现过程，加深理解递归算法的设计思路，体会栈在递归算法中的作用，以及在非递归算法中栈和队列的作用；理解哈夫曼树的特点和存储结构的定义思路、哈夫曼树建立的算法和实现，并在此基础上体验哈夫曼编码的特点和设计过程，弄清实现哈夫曼编码程序的结构，从而加深对C语言中字符串和指针的理解和灵活运用。
实验6：图。包括图的表示和实现、图的应用、贪心算法等实验。通过实验，掌握图的各种存储结构的定义方法，从而更进一步理解如何根据实际问题设计合理的数据结构；掌握图的两种遍历方法，即图的深度优先搜索和广度优先搜索，并根据这两种操作的实现过程确定算法中所需要采用的辅助数据结构；能根据实际问题选择图的类型，并采用合理的存储结构，理解解决最小生成树、拓扑排序、关键路径和最短路径等实际应用的算法描述，并能根据算法写出相应的程序代码。根据贪心算法的核心思想理解贪心算法的特点，并学会设计简单的贪心算法。
实验7：查找与内部排序。包括查找、内部排序等实验。通过实验，掌握查找表的特点，并能根据具体的查找方法定义合理的查找表的存储结构；掌握各种查找表的实现思路，能根据查找思路写出算法的描述，并对算法进行评价；掌握哈希查找的特点和影响哈希查找的因素，从而构造合理的哈希函数、采用适当的解决冲突的方法，加深理解C语言中指向函数的指针的具体应用。通过实验，熟悉各种排序方法的特点，并能根据具体的实现方法定义合理的待排序数据的存储结构；掌握各种排序方法的实现思路，能根据排序思路写出算法的描述，并对相应算法进行时间复杂度和空间复杂度计算；体会各种排序算法在最好情况下和最坏情况下的算法评价，并能根据待排序数据的实际分布，制订相应的排序方法。
实验8：数据结构与算法实验总结。全部实验完成后，要求学生回顾所有实验内容，进行一次系统的概括、评价和总结，以巩固通过实验所了解和掌握的数据结构与算法相关知识和技术。
附录：算法描述绘图工具Visio实验。学会在Visio环境下制作算法的程序流程图和n-S图等。
各个实验练习的难易程度不同，实验练习之间的难度不断增加，循序渐进，学生在实验中遇到困难，还可以搜索更早的实验来帮助解决问题。每个实验完成后，要求学生根据个人感受完成实验总结；师生通过“实验总结”和“教师评价”部分，交流对学科知识、实验内容的理解与体会。
4认识与提高
科学计数法的定义篇6
1.原题
（2013-8福建厦门4分）-6的相反数是.
2.命题价值：
无论是2012年还是2013年厦门市的中考考试说明，相反数都是归属于第一部分基础知识和基本技能方面“了解、理解、掌握‘数与代数’”的内容，要求所有考生能够对最简单的知识熟练掌握，为达到合格创造条件.
这样简单的一道题还考虑了相反数与绝对值概念混淆的可能，把二者的答案统一成同一个答案，为了送分真可谓用心良苦.普通校、后进校的老师以及学生想必都是欢迎这一题型的.我个人认为，这道题目的命制，其价值主要是送分作用，当然也能对后进生起到“激励和发展”的作用.
众所周知，中考除了为高中选拔人才，它还更是普及义务教育中的一环.它对初中三年的学科教学有着不可替代的反馈与推进作用.相反数这个考点自2010年以来厦门市都有考到，而有时增加绝对值或科学记数法或有理数运算中的一个或两个考点.近十年来这些是轮换的考点，而相反数考的频率最高。因此，在有理数这一章的教学中应重视“双基”的落实。
二、试题考点、解题思路与思想方法
核心知识：考查相反数的定义，属于基础题.
核心技能：根据相反数的定义求已知数的相反数.
命题设置问题的形式：设问直接、简洁.
解题思路：根据相反数的定义：“只有符号不同的两个数称互为相反数”直接得出答案，也可根据互为相反数的两个数相加得零计算即可.
期望学生根据相反数的定义或有理数加法法则做出判断，属于送分题.
三、纵横向对比基础上的命题立意分析及考生常见错误与试题变式
1.纵向对比
点评：本题主要考查了相反数的定义，根据相反数的定义做出判断，属于基础题.
（2011・10厦门4分）把1200000用科学记数法表示为1.2×106.
考点：科学记数法――表示较大的数.
专题：计算题.
分析：科学记数法的表示形式为a×10n的形式，其中1≤|a|1时，n是正数；当原数的绝对值
1200000中a为1.2，小数点移动了6，即n=6.
解答：解：将1200000用科学记数法表示为1.2×106.
点评：此题考查科学记数法的表示方法.科学记数法的表示形式为a×10n的形式，其中1≤|a|
（2012-1福建厦门3分）-2的相反数是（）
a.2B.-2C.±2D.-12
可见：不管是厦门还是福建其他地区的中考中，相反数是一个较常涉及的考点.当然，绝对值、科学记数法、倒数、有理数运算也是有理数这一章较常见的考题.
2.命题立意与考生常见的错误
把相反数与绝对值的概念混淆是很多后进生的一大问题，但是本题把这两者的答案设计成一致的答案，大大提高了准确率，起到送分作用.
3.试题的变式
变式1：-2的相反数是_________.
变式2：-2的绝对值是_________.
变式3：把1100000用科学记数法表示为.
变式4：-2的倒数是.
四、讲评教学设计及命题建议
讲评教学设计：
（1）针对以上命题立意与考生思维的差异，讲评时应遵循学生从感性到理性、从形象到抽象的思考习惯，以小组合作交流为活动方式，利用小组的集体力量起到“扫盲”作用.
（2）通过合作交流“查病情”“找病源”，探究正确思路，从而达到提高后进生辨析能力的目的.通过示错―纠错―变式训练的教学过程，让学生在错误中学会思考，做到纠正一例，预防一片.
（3）借题发挥，帮助学生对相关知识进行归纳及对比分析.如，绝对值、科学记数法、倒数、有理数的简单运算等.
（4）针对不同题类，渗透答题技巧
选择题与填空题是数学考试中的两大题型，它们的显著特征是只要解题结果，不要解题过程，且结果是唯一的.在讲评这两种题型时，教师可以引导学生用特值法与排除法快速、准确地解答.
（5）讲评后要做好矫正、补偿，强调连续性
讲评课后必须根据讲评课反馈的情况进行矫正和补偿，这是讲评课的延伸，也是保证讲评课教学效果的必要环节.具体做法是：每次讲评后要求学生将答错的试题全部用红笔订正在试卷上，并把它收集在“错题集”中，做好答错原因的分析，并注明正确解答.同时，教师依据讲评情况，再精心设计一些有针对性的练习题，作为讲评后的补偿练习，使学生真正领悟试卷中暴露出来的问题，掌握典型问题的解题规律与技巧.
命题建议：
相反数安排一题，绝对值或科学记数法或倒数或有理数简单运算再安排一题.
五、反思与感悟
学生回忆概念相反数、绝对值，往往有不少学生会混淆.本题虽然设计让答案相同以利于提高准确率，起到送分效果.但是知识点的掌握问题仍未解决.基于这个特点，我们应引起注意，在教学中把相反数、绝对值的概念弄清.做到即使设计中没有送分成分（如：6的相反数是.）也能得分.
本次讲评课可设计三个地方让学生分组合作交流.
1.通过合作交流“查病情”“找病源”，探究正确思路，从而达到提高后进生辨析能力的目的；
科学计数法的定义篇7
关键词：项目教学法公选课教学改革
中图分类号：G420文献标识码：a文章编号：1674-098X（2014）03（b）-0142-01
1形势分析
《aCCeSS数据库程序设计》课程是我校面向全校非理工科专业学生开设的一门公选课，是我校响应2004年教育部在第二次全国普通高等学校本科教学工作会议上提出的“把人文教育和科学教育融入人才培养的全过程，把德育、智育、体育、美育有机结合起来，落实到教育教学的各环节，通过文理交叉、学科融合、实现课程的有机结合，促进大学生综合素质的全面提高”而开设的一门课程。通过这门课程学习，学生能掌握数据库基础知识、程序模块设计、界面设计、程序调试和连编，同时作为全国计算机等级二级考试培训，提高全国计算机等级二级考试通过率，从而提高非理工科专业学生在科学研究方面的素养，进一步提高综合素质。由于本课程是公选课，课时少，理论与实验课共计有30课时，而非理工科专业的学生大部分只是修过《计算机应用基础》课程，所具有的计算机基础知识比较薄弱，且动手能力差，如何在短时间内使学生理论知识和操作技能得到提高，并且能顺利通过全国计算机等级二级考试，是值得探讨和研究的。传统教学方法已不能满足本课程的教学要求及教学效率了，2009年之前我们学校非理工科专业学生考取全国计算机等级考试二级通过率不到10%，2009年至2011年在校本部、南校区、北校区三个校区同时开设了这门公选课，这期间，全国计算机等级考试二级通过率才达20%左右，据此，只有改革传统的教学方式，调动学生学习积极性，激发学生自主学习能力，才能在短时间内完成课程的教学内容，达到学校所规定的教学目标，争取全国计算机等级考试二级通过率能大幅提高。项目教学法跟程序设计模块化思想相吻合，采用项目教学法来激发学生自主学习的科学方法，使学生能自主学习、协作学习、实践学习，培养学生的实践能力、社会能力及其他关键能力。
2项目教学法
项目教学法是基于建构主义学习的一种典型的以学生为中心的教学方法。建构主义学习理论认为，知识不是通过教师传授得到的，而是学生在一定的情景下，借助他人（包括教师和同学）的帮助，利用必要的学习资料，通过意义建构的方式而获得。基于建构主义的项目教学法要求：在学习过程中，要以学生为中心，教师担起帮助者角色，利用情景、协作、会话等学习环境要素，充分发挥学生的主体性和创新精神，使学生有效地达到对当前所学知识的意义建构。《aCCeSS数据库程序设计》课程，其理论性和逻辑性都较强，从内容到形式都很严谨，而且是一门实践性很强的课程。在这门课引入项目教学法，通过选取“工程项目”来创设“情景”，通过“协作学习”的方式开展学习，通过完成“工程项目”来达到“意义建构”，突破了传统的教学模式，通过解决学生身边的一些现实问题来实现学生对知识的掌握，大大提高学生学习的积极性和主动性，使他们的动手能力、解决实际问题能力有很大的提高。
3项目教学法实践
3.1精选教学项目，创建学习情境
在《aCCeSS数据库程序设计》这门课教学中，让学生使用示范项目，充当应用者的角色使用教师所提供的“广东技术师范学院教学管理系统”。通过对系统的操作运用，让学生了解《aCCeSS2003》的功能作用，了解一个工程项目所需要完成的模块，直接引导学生进入“情景”，给学生一个直观的认识，激发学生学习的积极性和能动性，又能让学生在以后开展项目开发时能体会到使用者的具体需要。
3.2分组协作学习
学生学习的形式以小组为单位，采取协作学习方式。在教学实践中，充分利用广东技术师范学院网络教学平台的网络资源，使用学生分组讨论功能，每个小组安排4～5个人，负责完成小组所选定项目中的一个模块，小组成员在学习过程中探索或发现的信息和材料为全体组员所共享，甚至为全班所有成员所共享。在此项目中各小组分别完成班级管理、学籍管理、课程管理、成绩管理等几大模块，计算机操作能力强的负责代码的编写，程序设计能力强的负责整体规划、程序调试和连编，善于口头表达的负责联系工作等，成员努力的成果与全体成员共同分享。教师定期参与各组讨论会，了解各组项目的进度，指导学生完成项目过程中出现的问题，激励学生积极思考探索，在项目实施过程中小组内部强调团队合作，提倡知识共享，师生间也要密切合作，要多交流，多讨论。
3.3成果检查与评价
对学生学习评价是以完成工程项目的情况为依据。具体分三级来考核：第一级是由教师对小组完成项目情况进行评定，第二级是由各小组成员根据各组员对本小组贡献的情况进行互评，第三级是由学生本人进行自评，综合三个评定情况来确定每一名学生的学习评价。通过对比师生的评价结果，找出造成评价结果差异的原因，让学生得到分享和指导，了解自己今后学习努力的方向。
4实践效果
在本课题中，本人在广东技术师范学院南校区的非理工科学生中选择2012-2013第一学期及2012-2013第二学期选修公选课《aCCeSS数据库程序设计》的班级作为实验班级，将南校区非理工科学生计算机等级考试《aCCeSS数据库程序设计》科目通过率作为对比，数据如下：2011年9月份之前的二级《aCCeSS数据库程序设计》科目考试报名人数少，通过率低，约20%。2011年9月份考试报名人数46人，通过人数12人，通过率是26.09%；2012年3月份考试报名人数91人，通过人数27人，通过率29.67%；2012年9月份考试报名人数143人，通过人数77人，通过率53.85%；2013年3月份考试报名人数155人，通过人数106人，通过率68.39%。从以上数据可以看出，通过本项目的教学改革探索，效果明显，参加考试人数和通过率大幅提高。
5结语
项目教学法就是学生利用教师创设的“情境”，自主探究、分工协作，在老师的指导下，完成项目。教师帮助学生在独立研究的道路上迅速前进，引导学生如何在实践中发现新知识，掌握新内容。学生作为学习的主体，通过独立完成项目把理论与实践有机地结合起来，不仅提高了理论水平和实操技能，而且又在教师有目的地引导下，培养了合作、解决问题等综合能力。同时，教师在观察学生、帮助学生的过程中，开阔了视野，提高了专业水平。可以说，项目教学法是师生共同完成项目，共同取得进步的教学方法。
参考文献
科学计数法的定义篇8
一.计算、算法和可计算性
广义的计算应当包括计算理论层、算法层以及实现层三个层次的理论（n.j.nilsson，1998），其中，计算理论层是要确定采用什么样的计算理论去解决问题；算法层是寻求为实现计算理论所采用的算法；实现层是给出算法的可执行程序或硬件可实现的具体算法。显然，计算理论层最为根本，也最为困难。同时，即使解决了计算理论层和算法层的问题，也未必能解决实现层的问题，因为还存在一个计算复杂性的问题。计算主义强纲领事实上是在“存在算法”的意义上，断言物理世界、生命过程以及认知是“可计算的”。www.133229.Com其中的“算法”概念是指20世纪30年代，哥德尔（k.gödel）、丘奇（a.church）、克林尼（s.c.kleene）、图灵（a.turing）等数学家对于直观的“能行可计算”概念严格的数学刻画，而与此概念相联的丘奇-图灵论题就应当是计算主义的基本工作假说。事实上，恰是由于算法和图灵机概念的引进，哥德尔不完全性定理有了图灵机语境下的版本。而且，通过建立在算法概念之上的可计算性理论，人们很快证明了一系列数学命题的不可判定性和一系列数学问题的算法不可解性。而且，在自动机理论和数学世界中，已经证明存在不可计算数那么多的不可计算对象。我们认为，对于探讨计算主义是否合理的问题，算法概念和哥德尔不完全性定理是最重要的理论基础之一。下面我们依次讨论计算主义强纲领下各种论断的可质疑之点。
二.物理世界是可计算的吗？
在计算主义的强纲领下，“物理世界是可计算的”无疑是一个基本的信念。当今这种信念的典型形式是多奇（d.deutsch）1985年提出的“物理版本的丘奇-图灵论题”：“任何有限可实现的物理系统，总能为一台通用模拟机器以有限方式的操作完美地模拟”（d.deutsch,1985：97）。多奇认为，算法或计算这样的纯粹抽象的数学概念本身完全是物理定律的体现，计算系统不外是自然定律的一个自然结果，而且通用计算机的概念很可能就是自然规律的内在要求。进一步推而广之，物理可计算主义的一个强硬命题是“宇宙是一台巨型计算机”（王浩，1993:104）。
我们认为，要考察物理世界是否可计算的问题，需要考虑物理过程、物理定律和我们的观察三个基本因素的相互作用问题，而且我们最为关注的是，用可计算的数学结构，物理理论能否足够完全地描述实在的物理世界，特别是能否描述在偶然性和随机性中显示出的物理世界的规律性。
物理学家是通过物理定律来理解物理过程的，而成熟的物理理论是使用数学语言陈述的。真实物理世界的对象由时间、位置等这样的直接可观察量、或者由它们导出的能量这一类的量组成。因此，我们可以考虑像行星的可观察位置和蛋白质的可观测构型、以及大脑的可观察结构这样的事物。但是，即使用最高精度的仪器，我们仍然不能分辨许多更精细的数量差别，只能得到有限精确度的数值，这表明，我们对物理过程观察的准确度是有限的。恰如哥德尔所言“物理定律就其可观测后果而言，是只有有限精度的”（wanghao，1974：.326）。同时，由于“观察渗透理论”的影响，我们的观察必定忽略或舍弃了许多我们不得不忽略和舍弃的因素，我们的物理理论永远是真实物理世界的一种简化和理想化。
当我们将数学应用于物理学理论时，一个最重要的手段是借助数学中的各种有效算法和可计算结构，自从康托尔（g.cantor）之后，人们认识到数学中的可计数的数仅仅是实数的非常小的部分，图灵-丘奇论题之后，人们知道算法可计算函数也仅仅是函数中非常小的部分。当然，在数学家和物理学家中已成为不争结论的是，在描述物理过程时，任何不可计算的数和不可计算函数都可以在一定的有效性的要求下，用可计算数和可计算函数作具有一定精度的逼近。密尔本（g.l.milburn）认为，“理论物理是借助数学给出观察数据的，这些数据正是可借助通用计算机的算法得到的。因此，无论是经典的，还是量子的物理系统都可以以任意高的精度模拟”（密尔本，1999：115）。
但是，我们显然没有充足的理由就此作出“真实的物理世界就是可计算的”断言。真实的包含着巨大随机性的物理世界与计算机可模拟的理想化的世界毕竟有着巨大差异，图灵机可产生的可计算性结构仅仅是真实世界结构的一部分。
尽管带有机外信息源的图灵机早已把图灵的整数计算法推广到了以实数为输入、输出的情形，普艾尔（pour-el）和里查斯（j.ianrichards）也已经探讨了数学中的连续量和物理过程中的可计算性结构问题，讨论了函数空间和测度空间的可计算性结构（m.b.pour-el&j.i.richards，1989）。彭罗斯（r.penrose）也认为，在经典物理理论中，很难看到任何重大的“不可计算”的因素。但是，我们仍然不能排除某些物理理论具有不可计算性，例如，普艾尔和里查斯证明了，物理场论中的波动方程有一种特解，使时间1的输出不可能由时间0的输入计算，或者说，波动方程中存在一类看似有些“古怪”的可计算的初始数据，使得在以后的可计算时刻被决定的场的值实际上是不可计算的（彭罗斯，1994：214-215）。
宇宙是一个处在不断演化过程中包含着巨大复杂性的系统。没有先验的理由使我们相信，物理世界的任何过程都一定是基于算法式规则的，如果自然界中的确存在不可计算的过程——例如，像王浩和卡斯蒂（j.l.casti）所指出的，某一级别的地震可能在某些构成不可计算系列的时点或时段发生，海浪在海岸的翻涌和大气在大气层中的运动等物理过程，很可能就是不可计算的——我们就永远找不到精确计算它们的算法，永远不可能在计算机中看到整个真实世界的面貌，物理世界与可计算的世界并非是同构的。物理理论的目的是尽可能完全地记录我们对物理世界的经验，但物理理论并不能包括我们经验的全部。这其中一个重要的原因是，我们对物理对象和物理过程的经验都是有限的，而不可计算性涉及的是无穷的系列。恰如王浩所言，“我们观测的有限精度似乎在物理世界和物理理论之间附加了一层罩纱，使得物理世界中可能存在的不可计算元素无法在物理理论中显现”（wanghao，1993：111-112）。这里，我非常赞同圣菲研究所的统计学家莱恩（d.lane）强调的，经验世界与该经验的理论之间有着重要区别的思想。我也赞同卡斯蒂强调的，应当区分物理世界、数学世界和计算世界的思想（卡斯蒂，1998：198-201）。可计算的世界仅仅是我们所能精确理解的世界的一小部分，世界恐怕是我们的算法概念所不能穷尽的。至少，某些量子过程和一些具有高度复杂性的物理系统是不能由算法产生的。1993年迈尔弗德（w.c.myrvold）也作出断言，“在量子力学中企图由可计算的初始状态产生不可计算结果的简单算法是注定要失败的，因为，量子力学中存在的不可计算的结果不可能由可计算的初始数据产生”（转引自wanghao，1993：111）。况且，量子计算机也没有完全解决物理定律的可逆性与计算程序的不可逆性的矛盾，我们如何断定“物理世界是可计算的”？
三.生命过程是可计算的吗？
相信宇宙是一部巨型计算机的人们认为，生命本身是最具特色的一类计算机，因为生命过程是可计算的。自沃森（j.wotson）、克里克（f.h.c.crick）以后，我们已经接受了“生命的本质是dna”的结论。但是我们能够由此出发，得出“生命的本质是信息”，因而“生命的本质是计算”吗？一些计算主义者作出如上推论，更主要的依据是近年来人工生命的研究进展。我们不妨考察一下这种论断的可信程度。
如果在现代意义上使用计算概念，生命过程的可计算主义思想事实上可追溯到1960年代冯•诺意曼（j.vonneumann）的细胞自动机理论。冯•诺意曼当时认为，生命的本质就是自我复制，而细胞自动机可以实现这种复制机制，因此可以用细胞自动机理解生命的本质。在此基础上，从60年代斯塔勒（stahl）的“细胞活动模型”，到科拉德（conrad）等人的“人工世界”概念，从兰顿（c.langton）的“硅基生命”形式，到道金斯（r.dawkins）和皮克奥弗（c.pickover）的“人工生物形态”理论，直到90年代，采用霍兰（j.holland）的遗传算法，建基在细胞自动机理论、形态形成理论、非线性科学理论之上，生命计算主义的倡导者们全面进入人工生命领域的工作（阎平凡等，2002：357），这一切都是试图用计算机生成的虚拟生命系统了解真实世界中的生命过程。在他们看来，生命是系统内各不同组成部分的一系列功能的有机化，这些功能的各方面特性能够在计算机上以不同方式创造，最重要的是生物的自适应性、自组织性造就了自身，而不在于是不是由有机分子组成。当托马斯•雷（tomasray）的梯尔拉（tierra）程序在机器上不仅能自我复制，而且还能“演化”出新的结构并构成一个丰富多彩的“电子生态系统”时，人们认为，进化过程本身完全可以独立于特殊的物质基质，简单发生在为了争夺存储空间的计算机程序的某种聚合中，生命完全可以通过计算获得。
对于“硅基生命”是否可以看作“活的生命”，人工生命是否具有生命的某些特征，例如自我复制的特征问题，我们暂时不予讨论，我们关注的是，计算主义者把生命的本质看作计算，把生命过程看成可计算的观点其理由是否充分。
我们认为，能够在计算机上实现某种复制过程，甚至能够在计算机中看到某种“演化”的特性，以及能够实现某些人工生命的“进化”过程，与能够真正“演化”或“进化”出所有自然生命显然是两回事。因为依照可计算性理论中的“递归定理”，机器程序复制自身并不是困难之事，递归定理已经指出，图灵机有能力得到自己的描述，然后还能以自己的描述作为输入进行计算，即机器完全有自再生的能力（计算机病毒即是递归定理可以描述的一种逻辑结构）。如果生命的本质仅仅是自我复制，当初冯•诺意曼设想的“从细胞自动机可以获得生命本质”的思想并无不妥。但是，今天我们早已知道，普遍认可的生命的几大本质特征是：（1）自我繁殖的能力；（2）与环境相互作用的能力；（3）与其他有机体以特定的方式相互作用和相互交流的能力。而计算主义者并没有指出，图灵算法如何可以穷尽后面两种类型的本质，事实上，已经证明，目前最先进的人工神经网络模型欠缺的正是与环境相互作用的机制，难以建立神经网络中间语言与外部环境语言之间的沟通渠道。这也恰是目前人工生命研究者最感棘手的问题（特瑞•波素马特尔，1999：200）。
而依我们的理解，这里关键的问题在于，承认硅基生命具有生命的某些特征，并不意味着承诺计算可以穷尽生命的所有本质，也不意味着承诺通过能行程序可以实现所有的生命过程。这里“穷尽”和“所有的”概念至关重要。倡导“生命的本质是计算”的学者恐怕确实是在误读“可计算的”概念。毕竟，某一范围的对象或过程是可计算的，是指存在能行的程序，或存在算法，能够计算这一范围的一切对象和一切过程，或者说，这种可计算结构可以穷尽这一范围的一切对象和一切过程。如果仅仅是此一范围的某些对象，某些过程的某些特性，甚至仅仅是一些最为表象，最为简单的特征可以用计算粗糙地表达或模拟，并不能由此妄称这一范围的对象和过程是“可计算”的。“可穷尽”显然是非常强的要求，并不像某些认知科学家和哲学家断言得那么容易实现。
至于认为阿德勒曼（l.n.adleman）倡导的dna计算机是“实现了生命的本质就是计算的思想”，显然是计算主义者的另一个误解。因为计算主义者们这里忽视了一个重要的问题，dna计算机显然已经远远超出了我们最初对于“算法可计算性”概念的理解，事实上它已经引进了基因工程的手段，这里的“计算”借助了自然机制，借助了自然生命的基因编码机制，已经不复是图灵机的计算机制了。恰如阿德勒曼本人所言，“或许我们对计算的看法过于狭隘了，是否可能存在一种由相互作用的分子进行计算的液体计算机呢”（l.m.adlems，1998：54-61.）？可见，一些倡导计算主义的学者早已将“计算”的概念延伸到了“图灵可计算”的范围之外。也许生物计算机可以作为某种借助自然机制的仿真工具，而且dna计算机在计算复杂性等方面确实优于经典计算，但它仍然没有超越丘奇-图灵论题（p.c.g.rozenberg，1998）。况且，dna计算机对dna聚合酶产生互补dna链的遗传操作中的高度并行性和随机性不能把握，如何能够断定“可以对dna程序重新编程，计算一切可以计算的东西，甚至计算图灵机‘不可计算’的量”？！
四.认知是可计算的吗？
主张计算主义强纲领的人们认为，不仅物理过程、生命过程是可计算的，而且人类的认知和智能活动也是可计算的，或者像兰顿所表达的“宇宙是一个处于混沌边缘的细胞自动机，它不仅可以做复杂的计算，而且可以支持生命和智能”（c.g.langton，1991：41-92.）。为了聚焦于最具代表性的某些观点，我们将在认知科学中与计算关联最为直接的人工智能的范围内讨论“认知是否是可计算的”主题。
事实上，恰是因为“算法”概念的引进，才使人类对智能的研究从一种哲学思辨式的争论、依赖于直觉的猜想或停留于过分经验式的观察结论，开始转向对智能的产生和认知本质的理论研究。正如西蒙（h.a.simon）1988年在回顾认知科学发展的历史时所说的：“在把计算机看作通用符号处理系统之前，我们几乎没有任何科学的概念和方法研究认知和智能的本质”（j.casti&depauliwerner,2000：130）。因此，认知科学和人工智能工作的出发点长期以来一直建立在具有唯理主义还原论倾向的“认知可计算主义”纲领的基础上。最初，这种计算主义主张，无论是人脑还是计算机，都是操作、处理符号的形式系统，认知和智能的任何状态都不外是图灵机的一种状态，认知和智能的任何活动都是图灵意义上的算法可计算的。正是基于这一认识，纽厄尔（a.newell）和西蒙曾乐观地宣称：“作为一般的智能行为，物理符号系统具有的计算手段既是必要的也是充分的，人类认知和智能活动经编码成为符号，都可以通过计算机进行模拟”（c.robert&c.d.dellarosa,2000：84-94）。但是，几十年来，随着大脑科学、复杂性科学和计算机技术的进展，认知科学经历了从最初的符号主义经联结主义，到行为主义工作范式的转换，越来越显示出这种纲领的局限。这种局限性主要表现在如下几个方面：
1.在知识的获取、表达和处理上的局限。
常识知识是认知科学面对的最困难的问题。自1977年海斯（p.j.hayse）首先发表《朴素物理学宣言》以来，人类就开始借助符号逻辑手段向常识知识领域进军，海斯及逻辑主义者们坚信，如果能对我们所了解或我们所相信的日常生活的非形式知识提供形式化理论，就能通过恰当的编程来获取、表达和处理知识。因此，他们主张用一阶逻辑将常识知识形式化，并希望借用塔尔斯基（a.tarski）语义学摆脱计算机程序的局限，研究知识表达问题，并试图通过建立一种“极小常识系统”演绎出整个知识体系。但事实证明，日常生活要解决的大多数问题不能归为几种因素的简单组合，特别是机器翻译的实践提示人们，人的认知与基于文化环境的对于真实世界的大量背景知识有关，任何实际问题涉及到的大量背景知识本身完全是一个不确定集合，这一集合中的绝大部分知识不能基于符号逻辑推理获得，即使局限于求解小范围问题的专家系统，也仍然不能摆脱符号逻辑功能的固有局限，还原主义立场必然面临不可克服的困难。
2.在模拟人类心智方面的局限。
人类认知的重要载体是大脑，而大脑是由巨大规模的神经元经过复杂的相互连接构成的信息处理系统，它具有作为复杂巨系统的特征、分布式并行计算特征和非线性特征，以及极强的容错能力和概括、类比、推广的能力，包括由于后天的经历、学习、训练等起作用产生的各种能力。1980年代认知科学吸收大脑科学研究成果开始采取“联结主义”工作范式，尝试建构各种与大脑结构相似的人工神经网络。人们期望这种网络能够体现大脑的自组织、自适应的特征。但是，经过20余年的努力，人工神经网络专家尝试了各种方案后逐渐开始意识到，试图通过机器程序建立一个与大脑功能类似的人工网络实在过于困难了。人类大脑不仅仅是先天模块化的，而是与人类的文化进化过程紧密相关的，借用德莱弗斯的话：“如果分析的最小单元是同整个文化世界联系起来的整个有机体，那么，类似于符号化和程序化的计算机式的神经网络就仍然有很长的路要走”（玛格丽特•博登，2001：451-452）。迄今为止，研究者已经提出了五十多种有效的人工神经网络模型，广泛应用于模式识别与图象处理、控制与优化、金融预测与管理以及通信等领域，但是，人们已经从理论上研究了现有神经网络模型计算能力的局限性，认为它们仍然不能解决基于经典的符号逻辑所不能解决的人工智能中的困难，更不可能模拟人类意识（阎平凡等，2002：11）。
人类的意识，是对于自我，对于世界的相互作用，对于思想产生过程以及对自己的控制，或至少是部分控制过程的一种认识（戴维•弗里德曼，2001：197），意识的最重要特征是的它的意向性、自指性、非定域性和涌现性等。这些特征显然是超越逻辑、超越算法的。霍兰等人认为，意向性意识涌现于集群系统动力学，并由环境激发。依照他对意识和认知的涌现特征所作的精细分析，我们目前还没有理论和模型能够清楚地表现这种自涌现的现象，也没有人工系统能显示每个神经元主体与成百上千的通过突触连接的其他神经元主体的相互作用（约翰•霍兰，2000：269）。虽然目前已有一些借助人工神经网络模拟意识的研究，例如泰勒（j.d.taylor）的分阶段的意识神经网络模型表明实现某些意识特征的一些可能性，但是，拉多文（m.radovan）1997年已经证明，从根本上，这种人工神经网络的表达能力与传统的符号逻辑表达的能力是等价的，特别是卡普坦尼（g.captain）1997年已经证明，传统的符号逻辑方法根本不能描述意识现象（周昌乐，2002：214）。
3.在模拟人类自适应、自学习和与环境作用能力的局限。
在认知可计算主义纲领指导下，行为主义方向研究者的基本出发点是，略去知识的表达和推理的环节，考虑在感知与行为之间建立直接的联系，期望认知主体在感知刺激后，通过自适应、自学习、自组织方式产生适当的行为响应。可以说，从开发各种工业机器人开始，到研制具有自学习、自适应、自组织特性的智能控制系统，直到2000年研制出具有一定自行设计与进化功能的机器人，人工智能的研究者都在企图模拟人类自适应、自学习和与环境作用的能力。但是，这种最先进的机器人所具有的适应能力仍然是极端初等和局部的，根本谈不上所谓“自主性”和“进化”。正如某些专家所言，如果计算仅仅局限于基于传统算法的图灵机，即使借用最新的模拟进化计算，模拟进化的过程仍然是一个没有终点的过程。毕竟，人类的进化在视觉及运动肌肉的控制方面经历了数百万年，在语言和逻辑推理方面也已经历了几千年。人类在领悟能力、运动肌肉的控制能力、对外界的反应能力，以及常识推理的能力、求解问题的能力及潜在的创造能力显然不仅仅是算法所能达到的。甚至认知可计算主义纲领的倡导者明斯基1990年也不得不承认，“人脑在进化过程中形成了许多用以解决不同问题的高度特异性的结构，认知和智能活动不是由建基在公理上的数学运算所能统一描述的。无论是符号主义还是联结主义都受害于唯理主义倾向，都是用在物理学中获得成功的方法和简单漂亮的形式系统来解释智力。因此，要在认知科学领域有实质性突破，应当放弃唯理主义哲学，从生物学中得到启示和线索”（《21世纪初科学技术发展趋势》编写组，1996：108，314）。
五.我们的结论
通过以上分析，我们看到，建立在唯理主义还原论哲学立场上，单纯以传统的图灵可计算的概念为基础，计算主义强纲领遇到了理论和实践上的困境，而且学术界从思辩到科学和技术各个层面对这种纲领的质疑之声一直不绝于耳。正是由于对计算主义强纲领的各种反思（刘晓力，2003：106-108），刺激了研究者开始寻求新的突破。由于哥德尔定理仅仅揭示了形式系统的局限，并没有设定人类理性的界限，图灵可计算的概念也未必永远不可超越。1990年代以后，研究者开始另辟蹊径，不局限于传统的逻辑手段，而开始尝试“以自然为基础”的探索工作，研究方法除了借助计算机外，还引进了生物学和量子物理的“自然机制”。他们试图将“计算”的概念从传统的图灵可计算概念进一步拓展，倡导一种“算法+自然机制”的研究模式，采取一种新的方法论策略：将能够归约到算法层面的问题，采用算法来实现，不能归约到算法层面的问题，采用某种自然机制实现。（周昌乐，2002：210-217）目前，传统的人工智能虽举步维艰，而建立在自然基础上的“半人工化”的人工智能却有蓬勃发展之势（戴维•弗里德曼，2001：201-210）。当然，所有这些探讨仅仅是将计算概念拓展的初步尝试，在解决计算复杂性问题上这类计算的确优越于传统的图灵计算，但是，究竟能否像另一批乐观主义者所断言的，“以自然为基础的人工智能已经跑在快车道上，未来几十年里人类就能建构出堪与人脑相匹敌的半人工化的智能来”，我们将拭目以待。
以上，我们对计算主义强纲领下的各种观点提出了质疑，而一些学者为“宇宙是一台巨型计算机”的强硬断言提供的论据是，既然康韦（j.c.conway）已经证明，特殊配置的细胞自动机与图灵机等价，我们完全可以把宇宙看成一个无限大的三维细胞自动机，因此，宇宙是一个巨大的的计算系统，自然界这本大书是用算法写成的，甚至从虚无到存在，从非生命到生命，从感觉到思维，实际上都是一个计算复杂性不断增加的过程（郝宁湘，2000：32-36，李建会，2002）。
尽管我们承认，建立在乌拉姆（s.ulam）和冯•诺意曼作为物理空间模型的细胞自动机理论之上，康韦的模型在某种意义上可以作为理解复杂系统的有效工具，而且，也有人证明，任何能在计算机上通过建模实现的过程，都能够按照康韦细胞自动机中的“物理机制”来模拟。但是，通过简单的分析不难看出，即使细胞自动机完全等价于图灵机，但从这种等价过渡到“宇宙可看成无限大的三维细胞自动机，因而是可计算的”，这一飞跃，并没有任何逻辑的通道，也没有任何科学理论为其提供有说服力的辩护。况且，如前面几部分论述，由于图灵机等价于形式系统，如果局限于图灵机算法可计算范围，我们将无法摆脱哥德尔不完全性定理设定的逻辑极限，宇宙中毕竟存在不可计数的不可计算的对象，完全等价于图灵机的细胞自动机无疑也包含了图灵机的所有局限性。而且，进一步，假定宇宙仅仅是一台等价于图灵机的细胞自动机，我们根本没有必要拓展“计算”概念去探索新的计算模式，当然也不必求助任何“自然机制”了。
因此，依照我们的立场，也许，建立在还原论的基础上，“宇宙是可计算的”论断暂且可以充当一种无须提供论证的信仰，但它毕竟不是依赖于当前科学的进展得出的有理论依据的科学哲学结论。而且，我们对于在“算法+自然机制”这种拓展的意义上使用“计算”一词并无大的异议，对于这种计算的前景也并不持悲观主义的立场。毋宁说，我们质疑的是某些计算主义倡导者们为支撑其论断所采取的论证方式。
参考文献：
1.《21世纪初科学技术发展趋势》编写组，1996，《21世纪初科学技术发展趋势》，科学出版社。
2.玛格丽特•博登，2001，《人工智能哲学》，刘西瑞、王汉琦译，上海译文出版社。
3.特瑞•波素马特尔，1999，《沙地上的图案——计算机、复杂和生命》，陈禹等译，江西教育出版社。
4.戴维•弗里德曼，2001，《制脑者》，张陌译，三联书店。
5.约翰•霍兰，2000，《涌现》，陈禹等译，上海科学技术出版社。
6.郝宁湘，2000，《计算：一个新的哲学范畴》，《哲学动态》，第11期。
7.李建会，2002，《走向计算主义》，李建会著，《与真理为友》，上海科技教育出版社，第190-201页。
8.刘晓力，2003，《认知科学研究纲领的困境和走向》，《中国社会科学》，第1期。
9.杰拉德•密尔本，1999，《费曼处理器》，郭光灿等译，江西教育出版社。
10.罗杰•彭罗斯，1994，《皇帝新脑》，许明贤等译，湖南科学技术出版社。
11.王浩，1993，《人或电脑会有灵魂吗？心物对应说和物理程式主义》,《二十一世纪》2月号，第104页。
12.阎平凡等，2002，《人工神经网络与模拟进化计算》，机械工业出版社。
13.周昌乐，2002，《关于人工意识研究途径的哲学反思》，《科学技术中的哲学问题学术讨论会论文集》，清华大学，第210-217页。
14.l.m.adlems，1998，computingwithdna，scientificamerican，279（2）.
15.c.g.langton，1991，lifeattheedgeofchaos，.artificiallifeⅱ.sfistudiesinthesciencesofcomplexity，vol.ⅹ.c.g.langton，c.taylor，j.d.farmer&s.rasmussen,eds.addison-wesley，pp.41-92.
16.j.l.casti&depauliwerner,2000,gödel:alifeoflogic.perseuspublishing.
17.d.deutsch,1985，quantumtheory，thechurch-turingprincipleanduniversalquantumcomputer.proceedingsoftheroyalsocietyoflondon，vol.400.
18.c.robert&c.d.dellarosa,2000,minds,brains,andcomputers:thefoundationsofcognitivescience.blackwellpublishers.
19.n.j.nilsson，1998，artificialintelligence，anewsynthesis，morgankaufmannpress.
20.m.b.pour-elandj.ianrichards，1989.computabilityinanalysisandphysics，springer-verlag.
21.p.c.g.rozenberg&a.salomas，1998，dnacomputing:newcomputingparadigm，springerverlag,.berlinheidelberg.
科学计数法的定义篇9
一
“计算”是一个无人不知无人不晓的数学概念。无论是人们的日常生活,还是平常的生产实践和科学研究,都离不开计算。同时,“计算”也是一个历史悠久的数学概念,它几乎是伴随着人类文明的起源和发展而起源和发展的。但是,真正能够回答计算的本质是什么的人恐怕不会太多。应该说,在20世纪30年代以前,还没有人能够说得清计算的本质是什么,以及什么是可计算、什么是不可计算的等问题。30年代中,由于哥德尔、丘奇、图灵等数学家的工作,人们终于弄清楚了计算的本质,以及什么是可计算的和什么是不可计算的等根本性问题。由此也就形成了一个专门的数学分支——递归论或可计算性理论。在此我们就是以这一理论为背景,概括出计算的本质,并阐明其他一些根本性问题。
计算首先指的就是数的加减乘除,其次则为函数的微分、积分、方程的求解等等;另外还包括定理的证明推导。抽象地说,所谓计算就是从一个符号串f变换成另一个符号串g。比如说从符号串12+3变换成15,这就是一个加法计算。如果符号串f是x•x,而符号串g是2x,从f到g的计算就是微分。定理证明也如此,令f表示一组公理和推导规则,令g是一个定理,那么从f到g的一系列变换就是定理g的证明。从这个角度看,文字翻译也是计算,如f代表一个英文句子(由英文字母及标点符号组成的符号串),而g为含义相同的中文句子,那么从f到g就是把英文翻译成中文。这些变换间有什么共同点?为什么把它们都叫做计算?
为了回答究竟什么是计算、什么是可计算性等问题,人们采取的是建立计算模型的方法。从30年代到40年代,数理逻辑学家相继提出了四种模型,它们是递归函数、λ演算、图灵机和波斯特系统。这种种模型各不相同,表面上看区别很大,它们完全是从不同的角度探究计算过程或证明过程的。但事实上,这几种模型却是等价的,即它们完全具有一样的计算能力。在这一事实基础上,最终形成了如今著名的丘奇—图灵论点:凡是可计算的函数都是一般递归函数(或都是图灵机可计算的,或都是λ演算可计算的,或都是波斯特系统可计算的)。这就确立了计算与可计算性的数学含义。这一表述过于抽象,下面我们给出一个比较直观的说法:所谓计算,就是从已知符号串开始,一步一步地改变符号串,经过有限步骤,最后得到一个满足预先规定的符号串的变换过程。现已证明:凡是可以从某些初始符号串开始而在有限步骤内计算的函数与一般递归函数是等价的。这就是说,所有可计算的函数都是通过符号串的变换来实现其计算过程的,即计算就是符号(串)的变换。(1)
与计算具有同等地位和意义的基本概念是算法。从算法的角度讲,一个问题是不是可计算的,与该问题是不是具有一个相应的算法是完全一致的。一般而言,算法就是求解某类问题的通用法则或方法。也就是一系列计算规则或程序,即符号串变换的规则。
正是这样一个原本只是数学中的基本概念,如今却成为各门科学研究的一种基本视角、观念和方法,上升为一种具有世界观和方法论特征的哲学范畴。
二
我们认为,人类最早把计算作为一种哲学性观念和方法而不仅是一种数学观念和方法,并自觉运用到有关领域的研究中,是一些人工智能的专家们做出的,尤其是在后来的认知科学研究中很明显地表现出这一倾向。由于纽威尔、西蒙、福多、明斯基等一大批学者的努力,物理符号系统假说、心灵的表达计算理论,心脑层次假说等相继提出。这些理论的一个共同主题就是:思维就是计算(认知就是计算)。他们明确主张:思维是一种信息加工过程,亦即计算过程,这种计算就是指某种符号操作或加工,指在能对其提供语义解释的符号代码的形式表达式上所进行的受规则制约的变换,如问题求解这种思维活动就是通过一定的算法对初始态空间进行操作,直达到目标态空间。有人更进一步主张:心灵有一套程序或一组规则,类似于控制计算机的程序,思维是一种包括对单词在内的符号的操作。(2)
除了思维、认知可看作是一种计算,一些研究视觉认知理论的学者把视觉也看作是一种计算。这主要是来自马尔的《视觉计算理论》。这一理论认为,在计算理论层次上,视觉信息处理过程由三种内部表象表征:描述图像光强度与局部几何结构的要素图;描述以观察者为中心的物体可见表面的朝向、轮廓线、深度及其他性质的二维半图;识别和理解物体的三维表象。这个理论把视觉过程理解为功能模块(像元空间、图像空间、景物空间)的变换。这意味着视觉计算的基本单位是符号表象。3在此基础之上,后来人们又提出了视觉拓扑计算理论等各种视觉计算理论。其共同点是均认为视觉过程就是一种计算过程,但是对它是一种什么样的计算还存有较大分歧。
在对认识、思维、视觉等内容进行计算主义研究的同时,人们确立了大脑就是一台计算机的信念:大脑的生物结构是其硬件,大脑的运作规律是其软件,大脑的(广义)思维过程就是其计算过程。20多年前的“计算机能否思维”的问题已经演化为当今的“人脑是否计算”的问题。更重要的是,“思维就是计算”这已不仅仅是一个哲学性的命题,而且已成为科学方法论意义上的一个科学假设。人们早已从科学意义上探究思维的计算本质,计算已成为当前认知科学中占主导地位的一种基础观念和研究方法,人们试图从计算的角度揭示出思维、意识以及整个大脑的全部奥秘。
把计算作为哲学性观念和方法运用到具体学科研究中的另一个范例是与生命科学相关的一些研究。这主要体现在20世纪80年代以来,人工生命科学、遗传算法理论和dna计算机等新型学科的相继涌现。这些学科或理论的共同之处就在于都是以计算作为自己研究的观念和方法,主张生命就是一种算法,一个程序,一个能够实现自我复制、自我构造和自我进化的算法。人工生命的基本信条是:生命的特征并不存在于单个物质之中,而存在于物质的组合之中。生命的规律是一种动力形式的规律,这种规律独立于45亿年前地球上形成的任何特定的碳化物细节之外。即生物体的“生命力”存在于分子的组织(软件)之中,而不是存在于分子本身。人工生命就在于用计算或算法的观念与方法探索生物学领域中的奥秘。把生命与计算机类比,似乎是19世纪机械论在当今的延续,看起来有背于时展的潮流。但人工生命的奠基者朗顿认为,答案就在于进一步的伟大洞见之中:生命系统这台计算机具有与通常意义上的机器全然不同的组织形式,有生命的系统几乎总是自下而上的,从大量及其简单的系统群中突现出来,而不是工程师自上而下设计的那种机器。朗顿强调说:“最为惊人的认识是:复杂的行为并非出自复杂的基本结构。确实,极为有趣的复杂行为是从极为简单的元素中突现出来的”。4这就是说,生命包含着某种能够超越纯物质的能力,不是因为有生命的系统里被某种物理和化学之外的一种生命本质所驱动,而是因为一群遵循简单的互动规则的简单物体能够产生永远令人吃惊的行为效果。生命就是这样一种生化机器,只要启动这台机器,而不是把生命注入这台机器,即将这台机器的各个部分组织起来,让它们产生互动,从而便具有了“生命”。生命就是这样一种算法。算法对于生命的意义,就在于以过程或程序描述代替对生物的状态或结构描述,将生命表达为一种算法的逻辑,把对生命的研究转换成对算法的研究,特别是把对真实生命的研究转换成对人工生命的研究。
1994年11月美国科学家阿德勒曼在《科学》上公布的dna计算机理论,更是从另一个角度揭示了生命就是算法,进化就是计算的观念。5dna是生命的基石,任何生命类型的所有特征都以严格的规则编码在其dna序列上,不管是生命的结构,还是生命的过程,在这个意义上它是一个信息库或数据库。另外,dna所有的行为都是以程序化、模块化的形式表现,在这个意义上它又是一个程序库。无论它是作为信息库还是程序库,dna都具有基本的计算特征。而生物体中所有现象的基本形式都是dna的复制、切割、粘贴,这一事实深刻表明,生命本身就是由一系列复杂的计算或算法组成的。生命系统就是一台以分子算法为组织法则的多层次生物计算机,dna计算机就是对生命这种自然计算机的一种表征。从前,分子算法,如自复制自动机、胞格自动机、遗传算法、人工生命等全都是在电子计算机上实现的,dna计算机概念的出现是分子算法的化学实现的开端。这种立足于可控的生物化学反应或反应系统,无疑更加有力地直接地表明了生物现象与过程的计算特征。正如有人所言:dna计算宣称数学处于生命的核心。
三
运用计算、算法观念和方法研究认知问题和生命系统,有着深刻而普适的科学方法论意义,它们是人们运用算法观念和方法研究其他自然现象或自然系统的两个有益的重要范例。如今,计算或算法的观念与方法已经深入到宇宙学、物理学、化学乃至经济学、社会学等诸多领域。计算、算法已经成为人们认识事物、研究问题的一种基本的普适的观念和方法,人们的科学实践,已经使计算、算法上升到哲学性的观念和方法。在这一现实背景之下,我们以为,把计算、算法作为一种哲学范畴正式提出并引入哲学已是十分必要的。这不仅是因为已经有了一些成功的范例,而且还有着更深层的学理:生命、大脑是最复杂的自然现象之一,是自然界进化的最高代表。因此,我们完全有理由猜测:整个自然界也是按算法构成的,是按算法演化的。现实世界之万事万物只不过是算法的复杂程度的多样性。从虚无到存在、从非生命到生命、从感觉到意识、思维,或许整个世界的进化过程就是一个计算复杂性不断增长的过程。这就是说,自然界就是一台巨型计算机(硬件),任何一种自然过程都是自然规律(软件)作用于一定条件下的物理或信息过程(计算过程),其本质上都体现了一种严格的计算和算法特征。生命系统作为自然界中最复杂最有特色的系统,它也就是形形色色的自然计算机中的一种。这或许就是人工生命与dna计算理论所蕴含的最重要的哲学道理。
把计算、算法作为一个哲学范畴,还有着哲学史上的渊源关系。也许人们还没有忘记,在2500多年前,一位名叫毕达哥拉斯的古希腊人曾向世人宣称:万物皆数。今天,我们何以不能说:万物皆算法。严格地说,当年毕达哥拉斯率先提出的“数”这个重要范畴,并不是一个纯粹哲学性范畴,而是一个从数的角度寻求世界万物之本原,考察事物生成演化过程,由自然科学思维方式与哲学思维方式相互融合的过渡性范畴。这种观念在近代和现代科学与哲学中得到了充分的继承和发扬。这说明,哲学范畴在其生成、演化和发展的过程之中,总要受到各个历史时期数学发展程度、数学思维方式的影响和规定。这或许可以称为哲学范畴的数学规定,正因为如此,当今计算机科学的发展,使得我们完全可以把毕达哥拉斯的“数”向前推一大步。毕达哥拉斯哲学在当代有了更深刻更丰富的内含。
最后我们要指出的是,已经泛化到整个科学领域中的计算、算法这个概念,完全具有哲学范畴的基本特征。众所周知,哲学范畴是反映事物本质属性和普遍联系的基本概念,人类理性思维的逻辑形式。它是人类在一定历史时论思维发展水平的标示器,是帮助人们认识和把握自然现象和社会现象之网的网上扭结;是对自然、社会和思维发展过程最本质、最普遍的联系的表征。哲学范畴对各门具体科学都具有普适的哲学方法论意义。如今,人们在各方面都开始用算法的观念来看待问题、用计算的方法来解决问题,不正表明计算与算法的一种范畴性吗?历史上每次重大的科技进步,都要改变当时的哲学范畴,有时甚至是直接把科学中的基本概念移植到哲学中。当今计算机科技对哲学的影响也不例外。这正是有人所说的哲学范畴的科技命运。因此,及时总结和概括当代科技成果,把最为精华的人类理念上升为一种哲学范畴,不仅是哲学范畴自身发展之所需,更是各门科学文化进一步发展所必须。只有渗透着时代最主要、最有效的观念和方法的科学与文化,才能真正体现时代之精神,成为时代之主流。
参考文献
（1）莫绍揆.递归论.科学出版社,1987年。
（2）邱仁宗.当代思维研究新论.中国社会科学出版社,1993年。
（3）(美)d.马尔.视觉计算理论.科学出版社,1988年。
科学计数法的定义篇10
从目前通用的几种最主要学科分类目录看，对统计学的划分也不一致国家技术监督局制定的GB/t14745-92〈学科分类与代码》中，统计学被作为社会科学下的一级学科。国家教育部新修订的的大学本科专业目录将统计学作为理学门类下的一级学科(但可授经济学学位、或理学学位)而在新修订的研究生专业目录中，统计学被分为若干二级学科，分别列在其他有关的一级学科之下如经济统计专业划归经济学.概率统计专业划归数学流行病与卫生统计专业划归医学那么经济统计学究竟是社会科学还是具有通用方法论性质的理学呢？我想就此谈一些自己的看法。
统计学历经300多年的发展，事实上已成为横跨社会科学和自然科学领域，并与数学紧密结合的多科性的科学。为了便于讨论，我们首先给出一个目前国内统计学界大多数人能够接受的关于统计学的定义:“统计学是有关如何测定、收集和分析反映客观现象总体数量的数据，以便给出正确认识的方法论科学”®这一定义实际上是按所谓“大统计学”的观点给出的。从横向看，各种统计学都具有上述共同点，因而能够形成一个学科“家族”。从纵向看，统计学方法应用于各种实质性科学，同它们相结合，产生了一系列专门领域的统计学参见图1
由此可见，统计学可以分为两大类:一类是以抽象的数量为研究对象，研究一般收集数据分析数据方法的理论统计学另一类是以各个不同领域的具体数量为研究对象的应用统计学前一类统计学具有通用方法论的理学性质，其特点是计量不计质。后一类统计学则与各不同领域的实质性学科有着非常密切的联系，是有具体对象的方法论，因而具有复合性学科和边缘学科的性质所谓应用既包括一般统计方法的应用，更包括各自领域实质性科学理论的应用。传统的“数理统计学派”只承认前一类统计学，否认后一类统计学的存在，是不妥当的传统的“社会统计学派”否认理论统计学具有通用方法论的性质，将统计学全部划归社会科学也是不合适的。
经济统计学是以经济数量为对象的方法论科学。要在经济领域应用统计方法，必须解决如何科学地测定经济现象即如何科学地设置指标的问题，这就离不开对有关经济现象的质的研究要对经济问题进行统计分析，也必须以有关经济理论为指导。因此，经济统计学的特点是在质与量的紧密联系中，研究事物的数量特征和数量表现不仅如此，由于社会经济现象所具有的复杂性和特殊性，经济统计学不仅要应用一般的统计方法，而且还需要研究自己独特的方法，如估算的方法、核算的方法'综合评价的方法等等。所以'从总体上看，我们认为经济统计学属于社会科学它既是统计学的一个分支，又是经济学下的二级学科经济统计学与其他统计学的区别在于:研究的具体对象不同，其所结合的实质性学科也有较大差别经济统计学与其他经济学的二级学科的区别在于:它并不直接研究经济规律，而是为其他经济学科提供专门的方法和工具。
应当指出，将经济统计学作为经济学下的二级学科，并不会影响该学科所具有的方法论性质举个例子来说，经济计量学中应用了大量数学和统计学方法，它也是方法论性质相当强的学科。经济计量学属于经济学，对此，人们并无异议那么为什么一定要把经济统计学从经济学中分离开来呢?事实上，经济学的进步离不开经济统计学，已经有多位学者由于其在国民经济核算投入产出核算、经济计量分析和将统计方法应用于投资分析等方面的贡献而获得诺贝尔经济学奖经济统计学的发展，也不仅有赖于通用的统计方法的发明和完善，而且更有赖于经济学提供研究的背景和新的研究课题全融合,形成统一的学科？—对经济统计学发展方向的认识。
如前所述，现实中存在着两类不同性质的统计学目前国内统计学界有一种比较流行的说法，认为:两类统计学最终将完全融合，形成统一的学科因此，将统计学划为理学“是与国际接轨的”，“可使统计学真正成为以概率论和数理统计为基础、多领域应用、多学科交叉的横向学科”。对于这种观点笔者不敢苟同。
首先，这一观点只是与国际上的“数理统计学派”接轨，而不是真正的与国际接轨从国际统计学会新修订的章程看，国际统计学会的宗旨是:“在广泛意义上发展和完善统计方法，并在全世界推广应甩”所谓“广泛意义上”的统计方法不仅包括以概率论为基础的数理统计方法，而且包括与概率论并无多大联系的其他统计方法。尽管过去较长一段时期内国际统计学界，数理统计学派占据主流地位但是，社会统计学派仍然存在和发展，并且在一些国家有较大的影响。例如，1997年笔者曾赴日本进行访问和学习据了解，当时，日本文部省资助的有关社会经济统计研究的重点课题有两项:一项是“微观统计信息的开发与应用”，另一项是“亚洲长期经济统计”。其资助金额分别为5亿日元和4亿5千万日元(按当时的汇率，大约相当于人民币4000万元到3500万元）在这两项研究中，数理统计方法的应用只占一小部分，所应用的方法大量是非概率的统计方法顺便提一下，同一时期的日本文部省资助的数理统计方面的课题只有两项，资助强度每项只有300万日元事实上，从80年代以来，国际统计学界已出现了一些新的动向不少原来从事数理统计理论方法研究的学者开始越来越关心实际的应用问题正如一份参加国际学术会议的总结报告所指出的那样，国际上应用统计学的发展趋势是“统计学与数学的关系越来越远，与计算机科学的关系越来越近，与经济学及其他实质性学科的结合越来越密切。一些国际知名的数理统计出身的统计学家甚至提出“统计学与数学离得越远越好”的观点。台湾辅仁大学统计系系主任谢邦昌教授提出:“一个重要的问题是应该淡化统计的理学院色彩，现在统计这个领域愈来愈偏向管理学院和商学院目的就是希望统计在这些领域中和其他学科互相结合。
国际统计学会下的专业分会，70年代以前只有“国际自然科学统计协会”，后改为“贝努里数理统计和概率学会”。进入70年代，“国际调查统计协会”、“国际统计计算协会”雛成立1985年/‘国际官方统计协会”成立1990年，笔者作为中方的正式代表参加了官方统计协会在北京举行第二届会议，这届会议所提交的相当一部分论文，如关于通货膨胀率的测算总供需的平衡测算等与概率统计都没有紧密的联系，而是官方统计中迫切需要解决的重大问题1987年，原中国统计学会会长、经济学家和社会经济统计学家李成瑞还被选为国际统计学会的副主席(任期1987-1989)从国外一些主要学科分类目录看，如联合国教科文组织制定的国际文献联合会分类体系、美国科研基金会科学和工程研究资助大纲、日本大学学科分类目录、日本文部省学术国际局研究课题分类等，都将社会经济领域的应用统计列为社会科学，而不是理子所有这些都说明，“只有数理统计才是统计”已经不再是国际学术界的主流观点因此，不能认为将统计学划归理学就是“与国际接轨”。
其次，两类统计学都是统计科学大家族的成员，可以相互借鉴、相互促进、相互渗透、共同发展，但两类统计学特别是其中的社会经济统计学与数理统计学的研究对象不同，理论基础不同，知识体系也有相当大的差异，不能互相取代，不可能也没有必要归并成统一的学科。
过去，我国照搬前苏联的理论，认为只有社会经济统计学才是唯一的统计学，而将数理统计学排斥在外，严重妨碍了整个统计科学的发展，经济统计学自身也停留在“初等的统计学方法加简单的指标解释”的水平改革开放以来，不少同志感到:为了推进经济统计学的发展和进步，使之适应社会主义市场经济发展的需要，有必要大力引进和吸收数理统计学的成果所谓“大统计学”的提法，就是在这样一种背景下产生的并且得到了相当部分统计学家的赞成①”笔者认为，“大统计学”的提法，对于促进理论统计学与各种应用统计学的相互借鉴、相互渗遂共同繁荣、共同发展是有益的。但是，如果认为“大统计学”就是要将各类不同性质的统计学完全结合起来，建立一门统一的学科，则很可能从一个极端走到另一个极端。因为，作为统一的学科必然要强调其共性，由于各种统计学横跨社会科学和自然科学领域，与其密切结合的各种实质性学科性质差异很大，其共性只能是它们所利用的具有通用性质的统计方法和作为这些统计方法理论基础的概率论。因此，从某种意义上讲，将所有的统计学都划为理学，是上述“建立统一的统计学科”符合逻辑的结果。而如果统计学是理学，则社会经济统计学的大部分内容如国民经济核算等将很难被包括在“理学”的统计学内。事实上，已经有一些学者提出：国民经济核算等不是统计学而是经济学如果这一观点可以成立，则连国家统计局都要改名。因为官方统计工作的大部分内容，与“理学的”统计学并无太大的关系。在这样一种误导下，进行统计学的学科建设，其结果很可能是名义上的“大统计”，实质上的小统计，即最终异化成“只有数理统计才是统计”。
笔者认为，我国统计学科建设的正确方向是:理论统计学与各类应用统计学继续并存，相互促进、共同发展一方面，理论统计学要结合应用统计研究中提出的需要解决的通用方法论问题，丰富和完善其方法论内容另一方面，应用统计学不仅要吸收和利用理论统计学研究的成果，而且还要与本领域的实质性科学更加紧密结合，着重研究适合本领域的特有的统计方法各类统计学都按其自身的规律发展，最终形成较为松散的“统计学”学科群体，而不是强求一致的统一的一级学科。
就经济统计学而言，今后一段时期需要重点研究的课题有：国民经济核算体系的进步充实和完善;有关地下经济的测算的研究;关于如何准确把握我国失业状况的研究；适合我国国情的统计调查方法体系的研究；可持续发展的统计测定;知识经济的统计测定;统计如何为企业经营决策服务;统计在投资和决策中的应用研究;统计在保险精算中的应用等等。进行这些课题的研究，需要应用通用的统计方法，但更重要的是要密切结合有关经济理论，建立和完善以有关经济现象为对象的特定的统计方法上述课题的相当一部分，都不是“以概率论和数理统计为基础的”、“理学的”统计学所能涵盖、所能指导的。
总之，搞经济统计的同志不要妄自菲薄，不要“东施笑颦”，更不要“邯郸学步”，而应该理直气壮地坚守自己的阵地，要密切结合社会主义市场经济发展需要，将研究适合经济领域特有的统计方法作为自己研究的重点努力促进经济统计学的现代化，并为整个统计科学的发展和进步作出自己应有的贡献。
三、“大统计”还是“大经济”?—对经济统计学专业办学模式的认识
随着我国社会主义市场经济的逐步发展，我国高校原有的专业设置面过窄、专业划分过细、所培养的人才适应面不广等弊端曰益显现。针对这些弊端，不少专家提出了要淡化专业，培养“宽口径”人才。这种提法无疑是正确的。对于统计学专业来说，问题在于要培养什么样的宽口径人才。
对于统计专业的办学方向有两种模式：一是强调各类统计学所具有的共性由于统计学是横跨不同领域具有交叉学科性质的方法论体系任何人毕其一身精力也难以成为精通统计学各领域的人才。因此，这种模式实际上将主要培养学生掌握通用的统计方法和理论它肯定统计学的“理学性质”，按照理学类学科的特点设置课程，概率论和数理统计方法等通用的统计方法论在课程中占有较大份量其培养目标是有良好的数学基础熟练掌握统计学基本理论与各种方法，同时有一定的专门领域的知识，能够适应各个不同领域的统计工作和统计研究的统计人才。二是强调各类统计学的个性，对于经济统计学来说，就是强调其与经济学其他学科的密切联系，按照经济类学科的特点设置课程，除统计学本身的专业课外，经济学类的课程占相当大的份量其培养目标是所谓的“复合型人才”，即具有坚实的经济理论基础、既懂数理统计方法>又懂经济统计方法，并能熟练掌握现代计算手段的经济统计人才。这种人才既是统计人才又是经济管理人才，不仅能胜任基层企业和政府部门的日常统计业务，而且能从事市场调查经济预测、信息分析和其他经济管理工作。前一种办学模式可称为“大统计”模式，后一种办学模式可称为“大经济”模式。从国际上看，总的来说，美国的统计教育比较接近于“大统计”模式，而日本的统计教育比较接近于“大经济”模式。
那么我国应采取何种模式呢?笔者认为，要正确回答这一问题，应根据我国的国情和社会主义市场经济发展对人才的需求，进行实事求是的分柝。