研究的解释

据外媒报道，研究人员近日发现，细胞往往遵循两种衰老途径中的一种。每个个体细胞的衰老方式在早期就已经确定，科学家可以根据早期的观察结果预测细胞的衰老方式。科学家们希望，他们的工作能够带来可能延缓人类衰老的疗法。来自加利福尼亚大学圣迭戈分校的研究人员发现了他们所说的细胞在衰老时可以采取的两种不同路径。这项发表在《科学》杂志上的研究，让我们离或许有一天遏制甚至停止细胞衰老过程又近了一点。我们身体衰老的速度取决于我们的细胞。随着时间的推移，细胞的DNA会分解，引起各种问题，最终以这样或那样的方式结束我们的生命。这项新的研究将酵母作为人类皮肤或干细胞的模拟，并试图确定细胞衰老是否有任何回旋余地。结果研究人员发现，细胞倾向于遵循两条路径中的一条，而且无论外部刺激或环境条件如何，它们似乎都会遵循这些路径。在研究酵母细胞的过程中，研究小组发现，任何特定细胞的两个区域中的一个区域都会最先出现恶化的迹象。“使用微流体学，计算机建模和其他技术，他们发现大约一半的细胞通过核醇的稳定性逐渐下降而老化，核醇是核DNA的一个区域，生产蛋白质的‘工厂 ’的关键成分在这里合成，”研究人员在一份新闻稿中解释说。“与此相反，另一半则由于其线粒体（细胞的能量生产单位）的功能障碍而老化。”特别有趣的是，细胞似乎几乎从它们的创建开始就沿着这两种衰老路径中的一种进展。即使在细胞出现剧烈恶化之前，它们的命运似乎就已经注定了，不管环境因素如何。“为了了解细胞是如何做出这些决定的，我们确定了每条衰老路线的分子过程以及它们之间的联系，揭示了控制细胞衰老的分子‘电路’，类似于控制家用电器的电路，”该研究的资深作者Nan Hao在一份声明中说。研究人员希望他们的工作能够带来可能延缓衰老过程的基因疗法，通过在细胞水平上延缓衰老，从而使人类的寿命大幅增加。

在人们的生产和生活实践中，每天都会出现大量的问题。对于这些问题，有些是需要通过专门研究或专业人员参与才可回答或解决，有些则随着时间推移而自我发展和自我解决。由此说，作为专门的人文、社会和自然或工程技术的科学研究和研究成果——论文或报告，其并不是也不可能覆盖上述所有问题。事实上，哪些问题可以用于科学研究是有一定原则的。与此同时，特定的问题往往有时候就自带特定的研究思路或某种约定俗成的研究方案。但是，重大的创新性研究却不是这样的。一、题目来源对于想申报一项基金项目或撰写一篇论文的研究者而言，选择一个好的、有意义和有价值的问题是至关重要的。有了明确的研究问题，简洁准确的题目陈述对项目评审或论文能够获得发表机会也是很重要的，这在某种程度上如同一个人的外表形象一样。假如编辑或审阅人读不懂一篇论文的题目或是不能快速地从论文题目中明白该项研究的主要目标或内容的话，那该篇论文或申请书就离“回收站”不远了。要研究的问题从哪里来呢？无外乎两个：一是直接经验，另一个是间接经验。这两种来源并无优劣之分。事实上，间接经验其实还是来自直接经验，只不过因为经验感知者发生了变化而改变了称谓。由此，也可以说，问题的来源最终是直接经验。可是， 对专门研究者或是院校教师来说，因为时空的限制，他们不能有很多机会和条件去接触或感知直接经验。于是，间接经验有时便成为一种现实之举。就教育教学研究而言，有关课堂教学、学生学习和师生交往等教与学的存在就是典型的直接经验。相对而言，基于宏观和中观层面的教育政策及管理议题则既有直接经验的成分，也兼备间接经验的某些特征。现实中，院校教师们在申请研究项目或撰写论文时，往往喜欢或倾向于选择那些宏大主题。这种做法其实是不明智的，它不但没有发挥出教师们的特长和优势，恰恰是启动了劣势按钮。如“高职院校人才培养特色研究”这样的题目就根本不适合教师们去研究和撰写，它适合于智库或校长去研究。概言之，从教师的职业特点出发，教师们应该尽量去选择那些与自己日常教学工作紧密相关的议题并在其中选择值得研究的问题或对象。这些议题对教师而言，就是鲜活的直接经验。有时候，研究者也会从间接经验中选择议题或问题。这么做，很多时候是迫不得已，因为研究者缺少直接经验或没有机会获取直接经验。在读的全日制研究生们就是这种情况。正因如此，研究生在选题时经常会把真实的假问题作为论文题目。有了可靠的值得研究的问题，能够清晰地用语言表达出来也至关重要。一般而言，课题或论文名称在表达上首先要简洁。为此，要尽可能地用最简单的句式和最少的字。假如研究对象是 A 的话，常见的句式可以是：A是什么？为什么是A？如何成为 （或改革、变革） A？影响A 的因素有哪些？等等。其次，名称的表达要力求准确。准确的要求是指不能让读者产生歧义或疑问。最后，论文名称一定要使读者感受到清晰的问题。任何一项研究或一篇论文一定要试图回答或解决某个具体的问题。可是，现实中，我们经常会遇到缺乏问题意识的论文名称。例如，素质教育研究。试想，假如你第一眼看到该名称的论文，你脑海中会出现怎样的画面？作为期刊论文的名称， 这种表达太宽泛了， 没有恰当、直接地反映出作者在该文想要回答或解决的特定问题。除非你的研究对象或问题涉及素质教育的方方面面的问题，或是你的研究“容量”较大，抑或是一本专著。否则，就不能用这种边界模糊的表达作为论文的名称。恰当的表达可以是：素质教育的实施效果评价、素质教育的理论基础研究、素质教育的政策演变，等等。二、问题分类可以按照某种规则将所研究的问题予以归类。这样做的好处是便于为不同类别的研究课题或论文确定适合的研究方法或是结构。在教育教学研究中，常见以下四种类型。1.描述型研究这类研究旨在通过描述、归纳等手段和方式来揭示教育教学中的未知现象，其最终目的在于向政策制定者和教育者提供有关信息。如，高职院校学生学习适应性研究、博士研究生学位论文障碍研究，等等。与其他类型的研究相比，描述型研究是研究中最基本的也是初学者入门的研究类型。描述型研究的关键特征是其所揭示或归纳的结论或发现必须是前人未曾完成或留有研究不足或缺陷的。其本质是有关教育教学现象 “是什么”或“怎么样”。2.预测型研究这类研究旨在对某教育现象在未来某一时间点或时段的状态予以预测。预测的前提和基础是依据该教育现象在当前或之前某一时段的表现状态或基本信息。如，学业成绩的性别差异趋势研究、案例教学法在高职院校的应用趋势研究，等等。预测型研究的关键特征是基于当前看未来，其所给出的结论在当前是没法验证或判断的。但这并不是说，这种研究没有价值。相反，科学的基于数据挖掘和分析而来的结论恰恰能够准确地预测未来，从而帮助政府和教育工作者尽可能地减少失误。其本质是有关教育教学现象未来“会怎样”或“成为怎样”。3.改进型研究这类研究旨在通过寻找和发现那些阻碍或促进某教育教学现象存在或发展变化的影响因素并最终给出改进性的建议或方案。这类研究更多时候是聚焦于教育政策或学校教育教学中的某些方案或制度。如，影响大学生学习动机的因素及促进策略、大学教师专业发展的阻碍因素及促进策略，等等。改进型研究的关键特征是寻找影响因素并在此基础上有针对性地给出解决方案或政策建议。因此，该类研究更多时候涉及的是政策咨询或管理咨询。其本质是有关教育教学现象“怎么做”或“如何做”。4.解释型研究这类研究重在对教育教学现象的产生、发展和变化规律予以总结、概括或归纳。其关键特征是揭示出抽象的规律或对现象予以概念化的命名以便人们能够更为准确地认识和理解。如，慕课的本质与理论基础研究、信息技术时代职业教育的本质与特征研究，等等。解释型研究类似于我们通常所说的理论研究， 其本质是有关教育教学现象 “为什么”或“为何这样”。一般而言，某教育教学现象如果能够被解释或发现规律的话，也就意味人们已经能够对其描述、预测和使用介入因素。由此说，解释型研究是建立在以上三种研究类型基础之上的。研究者一旦将其所研究的问题按上述分类予以定位的话，这将有助于其接下来选择合适的研究方法，也将有助于其设计研究方案。因此，可以说，对问题类型予以定位在研究过程中是十分必要的环节之一。本文作者韩映雄，马迁。原文标题为《如何选题和陈述研究目标》，本文节选了如何选题这一部分，转载：社科学术圈，版权归原作者所有，如有侵权请告知删除。

据外媒报道， 研究人员近日发现，细胞往往遵循两种衰老途径中的一种。每个个体细胞的衰老方式在早期就已经确定，科学家可以根据早期的观察结果预测细胞的衰老方式。 科学家们希望，他们的工作能够带来可能延缓人类衰老的疗法。来自加利福尼亚大学圣迭戈分校的研究人员发现了他们所说的细胞在衰老时可以采取的两种不同路径。这项发表在《科学》杂志上的研究，让我们离或许有一天遏制甚至停止细胞衰老过程又近了一点。我们身体衰老的速度取决于我们的细胞。随着时间的推移，细胞的DNA会分解，引起各种问题，最终以这样或那样的方式结束我们的生命。这项新的研究将酵母作为人类皮肤或干细胞的模拟，并试图确定细胞衰老是否有任何回旋余地。结果研究人员发现，细胞倾向于遵循两条路径中的一条，而且无论外部刺激或环境条件如何，它们似乎都会遵循这些路径。在研究酵母细胞的过程中，研究小组发现，任何特定细胞的两个区域中的一个区域都会最先出现恶化的迹象。“使用微流体学，计算机建模和其他技术，他们发现大约一半的细胞通过核醇的稳定性逐渐下降而老化，核醇是核DNA的一个区域，生产蛋白质的‘工厂 ’的关键成分在这里合成，”研究人员在一份新闻稿中解释说。“与此相反，另一半则由于其线粒体（细胞的能量生产单位）的功能障碍而老化。”特别有趣的是，细胞似乎几乎从它们的创建开始就沿着这两种衰老路径中的一种进展。即使在细胞出现剧烈恶化之前，它们的命运似乎就已经注定了，不管环境因素如何。“为了了解细胞是如何做出这些决定的，我们确定了每条衰老路线的分子过程以及它们之间的联系，揭示了控制细胞衰老的分子‘电路’，类似于控制家用电器的电路，”该研究的资深作者Nan Hao在一份声明中说。研究人员希望他们的工作能够带来可能延缓衰老过程的基因疗法，通过在细胞水平上延缓衰老，从而使人类的寿命大幅增加。【来源：cnBeta.COM】

古代人类：直到最近人们才相信我们的祖先起源于20万年前的撒哈拉以南非洲，这是基于各种各样的线索，如人类遗骸工具和社会群体的证据。1961年，在马拉喀什摩洛哥附近的一个地区，矿工们在软土地基上发现了一个几乎完整的头骨，这个头骨的历史可以追溯到大约4万年前。但40多年后仍有更多的发现。另一个小组挖掘了发现这些遗骸的土壤，令人惊奇的是，当这些头骨的年代确定时，发现它们的年龄在30万到35万岁之间。表明智人比以前认为的要早至少10万年，这不禁使研究人员重新考虑了我们最早祖先的起源。波斯尼亚球：在波斯尼亚扎维多维奇镇附近的森林中发现的燧石，这个石球直径约10英尺，是在任何地方发现的最大的一个，它被认为具有很高的铁含量，可能重达30吨，在该地区还发现了其他类似的地层，一些人认为这些球体是一个复杂的证据。古代秘鲁通信：古代文明是如何相互交流的？除了发送信使或烟雾信号之外，他们还有其他方法吗？秘鲁考古学家发现了一部”电话“。它的历史可以追溯到1200年到1400年前，是迄今为止所知最早的一部电话，而且它与一个叫做“奇姆”的文明有联系，而”奇姆“却没有任何书面文物。们是当时最先进的社会之一，他们有令人印象深刻的工程技术和高度详细的金属制品和手工艺品，但”电话“仍然是一个非常独特的发现。世界上最大的洞穴：1990年，一位当地农民在越南翁纳克邦国家公园茂密的丛林中发现了一个令人难以置信的发现，他一开始偶然发现了世界上最大的洞穴，他记得它在哪里，但18年后他又发现了它，现在这是一个广受游客和研究人员欢迎的目的地，被称为“悬而未决的洞穴”。最古老的生物：最古老的人类有122岁。一只日本鲤鱼被认为已经活了226年，而印度的一只巨龟被认为在它死的时候已经有255岁了。人类大约在20万年前首次发展海草，通过克隆来传播海草，从而创造出具有相同基因植物生命的草地，这种草地可以绵延数英里，但是它们的生长速度很慢。加蓬天然核反应堆：加蓬西非有17个裂变反应堆，它们的起源当然超过了20亿年，但是，它们是自然过程的结果。这17个地点似乎有了完美的条件，他们的反应至少持续了100万年，所产生的电力并不巨大，100千瓦的电力只够驱动1000个灯泡。矩形冰山：在2018年10月，美国国家航空航天局发布的最新图片中，发现了一座不寻常的矩形冰山，这一现象在冰山和岩石形式上并不罕见。离子的边缘通常是直的，这取决于雪晶的结构和它们在受到压力时分裂的方式，这一个恰好是以一种近乎完美的矩形的方式分裂的。世界上最大的有机体：俄勒冈州发现了巨大的蘑菇，至少有2400年的历史，占地面积超过两千三百八十五英亩，这对周围的植被是非常有害的，在那里它附着在树根上，并提取营养物质，最终导致树木死亡。

精彩纷呈的2019年国际卒中大会（ISC 2019）在本月落下帷幕，这场学术盛会覆盖了卒中领域最前沿、最热点话题。其中，“对于接受溶栓治疗的急性缺血性卒中（AIS）患者，早期强化降压治疗是否可带来更多的临床获益”这一热点话题备受关注，澳大利亚乔治国际健康研究所Craig Anderson教授在2月7日大会上公布了ENCHANTED研究B arm（血压臂）结果试图回答这个问题。ENCHANTED研究B arm结果证明了对于接受阿普替酶治疗的AIS患者，采用更强化的血压控制策略的安全性和潜在益处。研究者们发现，对于接受强化降压的患者，其大脑出血的可能性显著降低（脑出血是溶栓治疗的主要副作用）。为了推动国内外在卒中领域的学术交流，近期，研究发起人Craig Anderson教授携手多位国内卒中领域知名专家，围绕ENCHANTED研究B arm研究结果将在重庆、广州、上海、北京四地开启“ENCHANTED研究解读中国行”， 同时聚焦ISC 2019卒中领域最新进展，共同探讨卒中领域前沿话题，助力中国卒中防治。会议亮点抢先知四站会议 大咖齐聚 思想碰撞重庆、广州、上海、北京四站会议，Craig Anderson教授均亲临现场，对ENCHANTED研究B arm结果进行精彩解读，同时会议也将邀请国内卒中领域知名专家做专题授课，对ISC 2019最新研究进展以及卒中院前急救研究进展进行广泛深入的讨论，传递卒中领域的新进展、新成果。“中国行”即将迎来中外业界"大咖"热烈的讨论，敬请期待！各位专家将会带给我们怎样的学术盛宴，又将碰撞出怎样的学术火花？聚焦武田（中国）医学部携手澳大利亚乔治国际健康研究所共同举办的“ENCHANTED研究解读中国行”，第一时间领略专家们的风采！ENCHANTED研究回顾ENCHANTED研究是澳大利亚乔治国际健康研究所Craig Anderson教授发起的，是一项基于急性缺血性卒中（AIS）静脉溶栓患者的大规模随机对照临床试验。ENCHANTED研究A arm显示，对于AIS患者而言，低剂量组（0.6 mg/kg）阿替普酶虽在疗效方面未达到非劣效标准，但安全性方面，其可减少颅内出血风险。ENCHANTED研究B arm关于强化降压和标准降压是否会改善溶栓后AIS患者的结果，于ISC 2019上首次发布，原文同步发表在Lancet杂志上。ENCHANTED研究 B arm研究结果这是一项国际性、部分析因设计、开放标签、盲法终点Ⅲ期临床试验。研究一共随机2227例接受阿替普酶静脉溶栓治疗的AIS受试者，其中2196例进入分析集，随机分配1081例受试者到强化降压组（1h内目标收缩压130～140 mmHg）和1115例到指南推荐降压组（收缩压<180 mmHg）。分析结果显示，24h的平均收缩压分别为强化降压组144 mmHg（标准差10 mmHg）和指南推荐降压组150 mmHg（标准差12 mmHg，P<0.0001）。两组患者90天时的功能状态无差异[比值比（OR）=1.01，95%可信区间（CI）为0.87～1.17，P=0.8702]。和指南推荐降压组相比，强化降压组发生任何颅内出血的受试者明显更少（14.8％比18.7％，OR=0.75，95％CI为0.60~0.94，P=0.0137）。临床医生报告为严重不良事件的颅内出血比例（5.5%比9.0%，OR=0.59，95%CI为0.42～0.82，P=0.0017）和根据脑影像学数据中心判定严重颅内实质性血肿比例（13.2%对16.1%，OR=0.79，95%CI为0.62～1.00，P=0.0542）在强化降压组中均更低。根据不同定义判定为症状性脑出血的发生率在强化降压组更低，但两组间差异并不显著。ENCHANTED研究 B arm研究结论接受溶栓治疗的轻中度AIS患者，强化降压相比指南推荐治疗，虽然不能改善功能结局，但是次要关键安全性终点提示强化降压能够减少任何颅内出血。强化降压并不会导致缺血半暗带的不良作用，且可能通过降低AIS患者发生溶栓相关脑出血而潜在获益，需要进一步研究通过扩大组间收缩压差异以提供更多明确证据。

由心理学教授萨拉·C·梅德尼克(Sara C. Mednick)领导的加州大学河滨分校的一组睡眠研究人员发现，自主神经系统(ANS)负责控制并非自觉定向的身体功能(例如呼吸，心跳)和消化过程)在睡眠期间促进内存整合(将信息从短期内存转换为长期内存的过程)中发挥作用。这项突破性的研究发表在《美国国家科学院院刊》上。Mednick和她的团队首次证明，睡眠期间ANS活动的增加与记忆力的改善相关。Mednick解释说：“睡眠证明可以促进将最近的经历转变为长期稳定的记忆。”“但是，过去的研究得出了哪些特定的睡眠特征可以增强记忆力的矛盾证据。”根据梅德尼克(Mednick)的说法，这表明在睡眠过程中可能存在一些未知事件，这些事件在此过程中起着重要作用。由于ANS活动增强了醒来时的记忆，因此Mednick测试了ANS是否可能是缺少的链接，该链接解释了睡眠如何促进记忆整合。为了测试这个想法，Mednick和研究人员团队在著名的创造力测试“远程关联测试(RAT)”中添加了一个内存组件。在两次RAT测试之间，他们小睡了一下，并测量了睡眠和心脏活动的质量。在研究的第一部分中，向81位健康个体提出了RAT问题，其中包括三个看似无关的单词(例如，cookie，十六个单词，心脏)，并被要求找到另一个将三个单词联系在一起的单词(例如，甜蜜)。还要求一些参与者完成无关的类比任务。类比任务的答案是解决小睡后第二次RAT测试中某些问题的主要方法。完成这些任务后，其中60位参与者小睡了90分钟，而其余受试者则观看了视频。当天晚些时候，所有参与者都返回实验室并第二次完成了RAT问题。

学习和记忆通常被认为是由三个主要步骤组成的：将事件编码到大脑网络中，存储编码后的信息，然后再将其取回以进行回忆。两年前，麻省理工学院的神经科学家发现，在某些类型的逆行性健忘症下，即使无法通过自然的回忆提示来检索特定事件的记忆，也可以将其存储在大脑中。这种现象表明，正如研究人员在一份新论文中所建议的那样，现有的记忆形成模型需要修改，在该论文中他们进一步详细说明了这些“沉默的字母”是如何形成和重新激活的。研究人员认为，他们的发现提供了证据，表明存储器存储并不依赖于存储器单元之间的连接或“突触”的增强，这是人们早就想到的。相反，在事件发生后的最初几分钟内，这些单元之间形成的连接模式足以存储内存。“这项研究的主要结论之一是，特定的记忆以沿解剖学途径分布的英语细胞集合体之间特定的连通性模式存储。该结论之所以具有启发性，是因为教条一直认为，记忆是通过突触强度来存储的。”皮克尔学习学院的理肯-麻省理工学院神经回路遗传学中心主任，皮克尔生物学和神经科学教授Susumu Tonegawa说。和记忆，以及该研究的资深作者。研究人员还表明，即使不能自然地回忆起沉默的印记所保留的记忆，记忆也可以持续至少一周，并且可以在几天后通过用刺激突触形成的蛋白质处理细胞而被“唤醒”。沉默的回忆长期以来，神经科学家认为，事件的记忆是在突触连接增强后存储的，突触连接可以使神经元相互交流。先前的研究发现，如果事件发生后立即阻止小鼠中某些细胞蛋白的合成，则小鼠将对该事件没有长期记忆。但是，Tonegawa和他的同事在2015年的一篇论文中首次证明，即使阻止了细胞蛋白质的合成，也可以存储记忆。他们发现，虽然老鼠无法响应自然提示而回忆起这些记忆，例如将它们放在发生可怕事件的笼子中，但这些记忆仍然存在，并且可以使用称为光遗传学的技术人工检索。研究人员称这些记忆细胞为“沉默的印记”，此后他们发现这些印记也可以在其他情况下形成。在对具有模仿早期阿尔茨海默氏病症状的小鼠的研究中，研究人员发现，尽管这些小鼠难以回忆记忆，但这些记忆仍然存在并且可以通过光遗传学方式恢复。在对过程的最新研究中，研究人员发现了s在海马和前额叶皮层中编码相同的记忆。然而，在最初对记忆进行编码后，额叶前额叶传言沉默了约两周，而海马语传言立即活跃。随着时间的流逝，前额叶皮层的记忆开始活跃，而海马脑膜缓慢地变得沉默。在他们的新PNAS研究中，研究人员进一步研究了这些无声印章的形成方式，持续时间以及如何重新激活它们。与他们最初的2015年研究类似，他们通过轻微的脚部振动训练小鼠，使其害怕被关在笼子里。进行此训练后，将小鼠放回该笼子时会冻结。在对小鼠进行训练时，它们的记忆细胞被光敏蛋白标记，该蛋白可使光重新激活。研究人员还在训练发生后立即抑制了细胞蛋白质的合成。

产品经理每天费劲心理做的产品，以及每天无数次提到的用户分别是什么？他们之间的关联如何？本文将为大家分析什么是用户，用户有什么特点属性，什么是用户价值以及如何研究用户。一、什么是用户？用户不是自然人，而是需求的集合从产品经理的角度来看，用户不是自然人，而是需求的集合。由于不同产品满足不同用户不同场景下的需求，当某个产品完全满足某个用户在某个场景下的某类需求，那么就可以说此用户是该产品的一个用户。举个例子，如何一个人每天用来玩抖音和快手的总时间是2个小时，花费在每个APP上的时间分别为1个小时，则抖音和快手分别获得半个用户。从需求的几个来看，一个自然人可以是成百上千种产品的成百上千个用户。也可以是一个公司多个产品的多个用户。产品经理是研究人的，可以从四个维度去研究：生物的人，社会的人，认知的人和情境的人。二、用户有哪些属性？用户有异质性、情境性、可塑性、自利性和有限理性这五个属性。异质性是说用户的特点千差万别，几乎很难找到两个完全一样的用户。因为用户的偏好、认知、所拥有的资源不一样，所以不能把一个用户统一成一个单一的用户画像；情境性是指在不同的情境下，要不干湖的行为不同。比如用户在早高峰和晚高峰，一个人和两个人打车行为是不一样的。如何覆盖更多的用户场景，也是产品经理需要考虑的地方；可塑性是指用户是可变的，在某种程度上也是可教育的，比如苹果开启了智能手机的浪潮，淘宝改变了我们的购物方式等；自利性是指用户是自私的，追求个人的总效用最大化；有限理性是指用户虽然追求理性，但是他的能力是有限的。比如耳机爱好狂热者对新出的耳机趋之若鹜，女孩们总是热爱口红。三、如何理解用户的行为？产品经理对用户的研究，核心是对用户行为（需求）的研究。在理解用户的定义后如何理解用户的行为呢？首先在行为发生之前，用户会通过有个情境的刺激，这个情境的刺激会调用偏好和认知函数，产生一个助管期望效用，促使用户产生相应的行为，既追逐这个预期的效用。而这个行为会产生某个结果，这个结果又会成为经验，影响偏好和认知函数，从而可能对用户的下一次行为产生影响。关于上图，说明如下：（1）在产品研究的范围内，我们可以认为用户约等于“偏好和认知的函数”。偏好是主观的，是用户对事物（是什么）和事物的效用（对我有没有用，有多少用）的综合认知结果。偏好同时受先天遗传因素和后天社会经验的影响。（2）但是偏好不会让用户行为体现一致性，不同情境可能使得相同偏好表现出不同行为。即同样的用户，面对同样的选项，在不同情境下的选择结果可能是不同的。（3）在不同情境下的用户偏好会塑造用户的期望效用，塑造的过程大概会经过感知、解读、选择集合、模拟推演、价值判断五个阶段。在一次“期望效用”的塑造中，有些过程可能会被跳过（直接由大脑系统1的本能、习惯、直觉做出决策），这个期望效用的塑造过程会受到各种认知偏误的影响。（4）期望效用影响用户的行为和选择，促成了用户的行为。（5）用户的实际使用体验会形成经验，反馈给用户的偏好，对其进行修正或强化，形成新的偏好。快速促成用户行为的方式就是选择合适的用户，如果选择了偏好和认知很合适的人群，那么就不用很特殊的情境设计就能促成这些用户的行为。四、如何理解用户的价值？产品的用户价值带有主观属性，是由买方的主观效用评价来定义的。用户价值具备认知依存，情境依存和经验反馈演化三个特性。认知依存是指用户的认知决定了他的偏好，喜欢茶还是喜欢咖啡，喜欢存钱还是消费。情境依存的意思是，有情境（场景）才有用户，脱离场景就没有用户。用户价值也具有经验反演化的特性，是变化的。具体到产品里面，我们可以用一个公式来衡量用户价值：用户价值 = 新体验-旧体验-替换成本 提升用户价值的三种方式：让新体验最大化，让旧体验最小化和降低替换成本。三者互相影响，要让用户价值最大化，必须互相均衡。举个例子：在B端产品，用户更新新软件的难度比C端要高的多，就是替换成本和旧体验在作祟。五、如何研究用户？做产品经理日复一日需要重复做得事情就是：了解用户，研究用户。产品经理将对用户需求的理解与大脑中的商业创意连接起来，创造出具有用户价值和商业价值的产品，因此了解用户是重中之重。1. 用户研究的方法常规的用户研究方法可以分为定性研究和定量研究两类，具体的用户研究方法可以分为以下几种：深入访谈：找典型目标用户聊天。它是产品经理了解用户的最佳途径，做访谈需要与用户交流，最重要的就是要有共情、共鸣、共话题。提前深入了解你的产品以及你的用户群体是必要的。用用户的语言去交流。焦点小组：由一名主持人和一组用户（通常不超过八人）在一个主题下进行的访谈。这种方法的优势是可以一次性拿到更多类型的用户信息，但是我们需要注意成员之间的相互影响。问卷调查：问卷调查需要注意设置问卷的技巧和经验，结合具体情景，自仔细设置问题。调查的结果是为获得解决方案获得了一种途径，但不是解决方案本身。问卷调查的大纲，题目的设计，题目的顺序和文案都是产品经理需要考虑的。可用性测试：让一群具有代表性的用户对产品进行典型操作，同时观察员和开发人员在一旁观察，聆听，做记录。可以发现产品本身存在的一些问题。留置研究：通过把待测试的产品放在用户家里或其它自然的使用环境里，让用户按自己的习惯方式使用产品，然后进行回访，了解用户对产品的评价。以上这些方法都是为了形成用户画像，让产品经理脑海里对目标用户有非常具象和清晰的认识，进而回答以下问题：谁是目标用户？用户会怎样使用产品？用户能想明白怎样使用产品吗？障碍在哪里？用户为什么选用你的产品？用户喜欢产品的哪些特点？用户希望如何改进产品，增加哪些功能？2. 划分用户群划分用户群直接产生的作用就是能更好地理解产品的目标用户和市场竞争情况，包括有哪几类用户群？这些用户群的特点是什么？用户群数量大致是多少？竞争对手们覆盖了哪些用户群？哪个细分领域是市场空白？而哪个细分领域又是长期目标的必争之地？产品从起步到成熟的竞争策略是什么？先做哪个用户群，再做哪个用户群？传统用户研究方法中的用户画像，最终会产出不同用户群的典型特征。快速划分用户群的流程如下：通过定性访谈，分析出划分用户群的因子，因子可以按照基本人口属性和垂直领域分为两类。利用因子划分用户群通过问卷调查来验证如果问卷得出的结论与用户群划分不相符，那你至少在产品开发之前就发现了这个问题。在明确产品目标用户和定位前，走再多的弯路都是值得的。3. 洞察用户心理，培养同理心用户研究的思路和方法，可以用于产品经理日常工作中大部分的功能设计、系统设计工作。产品经理还需要更进一步具备同理心，洞察心理和人性。洞察用户的心理可以满足用户深层次的需求。还可以满足深层次的需求能够带来更好的用户黏性，因为用户会感觉产品懂他，会有情绪上的波动，用户与产品的关系就会超越一般的App，用户对产品的依赖就会变强。如何具备同理心，洞察心理和人性？培养同理心，我们需要坚持不懈地观察各种用户、与他们聊天，来锻炼自己体察别人感觉的能力。设身处地地想，站在目标用户的角度去理解、感受他们的想法。发展多方面的兴趣，兴趣广泛地了解用户。本文由 @haoxinguo 原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议

雷锋网 AI 科技评论按：本文为 BIGSCity 的知乎专栏内容，作者王小贱。北航智慧城市兴趣组 BIGSCITY是隶属于北京航空航天大学计算机学院的一个学术研究小组，小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术。AI 科技评论获得 BIGSCity 授权转载，敬请期待更多后续内容。非常开心本文成为 BIGSCity 兴趣组的第一篇投稿，《深度学习的可解释性研究》系列预计包含 3-4 篇内容，用尽可能浅显的语言带领大家了解可解释性的概念与方法以及关于深度学习可解释性工作的研究成果，不定期更新内容（欢迎催更）。可解释性是什么？广义上的可解释性指在我们需要了解或解决一件事情的时候，我们可以获得我们所需要的足够的可以理解的信息。比如我们在调试 bug 的时候，需要通过变量审查和日志信息定位到问题出在哪里。比如在科学研究中面临一个新问题的研究时，我们需要查阅一些资料来了解这个新问题的基本概念和研究现状，以获得对研究方向的正确认识。反过来理解，如果在一些情境中我们无法得到相应的足够的信息，那么这些事情对我们来说都是不可解释的。比如刘慈欣的短篇《朝闻道》中霍金提出的「宇宙的目的是什么」这个问题一下子把无所不知的排险者卡住了，因为再高等的文明都没办法理解和掌握造物主创造宇宙时的全部信息，这些终极问题对我们来说永远都是不可解释的。而具体到机器学习领域来说，以最用户友好的决策树模型为例，模型每作出一个决策都会通过一个决策序列来向我们展示模型的决策依据：比如男性&未婚&博士&秃头的条件对应「不感兴趣」这个决策，而且决策树模型自带的基于信息理论的筛选变量标准也有助于帮助我们理解在模型决策产生的过程中哪些变量起到了显著的作用。所以在一定程度上，我们认为决策树模型是一个具有比较好的可解释性的模型，在以后的介绍中我们也会讲到，以决策树为代表的规则模型在可解释性研究方面起到了非常关键的作用。再以用户最不友好的多层神经网络模型为例，模型产生决策的依据是什么呢？大概是以比如 1/(e^-(2*1/(e^(-(2*x+y))+1) + 3*1/(e^(-(8*x+5*y))+1))+1) 是否大于 0.5 为标准（这已经是最简单的模型结构了），这一连串的非线性函数的叠加公式让人难以直接理解神经网络的「脑回路」，所以深度神经网络习惯性被大家认为是黑箱模型。17 年 ICML 的 Tutorial 中给出的一个关于可解释性的定义是：Interpretation is the process of giving explanations to Human.总结一下就是「说人话」，「说人话」，「说人话」，不以人类可以理解的方式给出的解释都叫耍流氓，记住这三个字，你就差不多把握了可解释性的精髓所在。我们为什么需要可解释性？广义上来说我们对可解释性的需求主要来源于对问题和任务了解得还不够充分。具体到深度学习/机器学习领域，就像我们上文提到的多层神经网络存在的问题，尽管高度的非线性赋予了多层神经网络极高的模型表示能力，配合一些堪称现代炼丹术的调参技术可以在很多问题上达到非常喜人的表现，大家如果经常关注 AI 的头条新闻，那些机器学习和神经网络不可思议的最新突破甚至经常会让人产生 AI 马上要取代人类的恐惧和幻觉。但正如近日贝叶斯网络的创始人 Pearl 所指出的，「几乎所有的深度学习突破性的本质上来说都只是些曲线拟合罢了」，他认为今天人工智能领域的技术水平只不过是上一代机器已有功能的增强版。虽然我们造出了准确度极高的机器，但最后只能得到一堆看上去毫无意义的模型参数和拟合度非常高的判定结果，但实际上模型本身也意味着知识，我们希望知道模型究竟从数据中学到了哪些知识（以人类可以理解的方式表达的）从而产生了最终的决策。从中是不是可以帮助我们发现一些潜在的关联，比如我想基于深度学习模型开发一个帮助医生判定病人风险的应用，除了最终的判定结果之外，我可能还需要了解模型产生这样的判定是基于病人哪些因素的考虑。如果一个模型完全不可解释，那么在很多领域的应用就会因为没办法给出更多可靠的信息而受到限制。这也是为什么在深度学习准确率这么高的情况下，仍然有一大部分人倾向于应用可解释性高的传统统计学模型的原因。不可解释同样也意味着危险，事实上很多领域对深度学习模型应用的顾虑除了模型本身无法给出足够的信息之外，也有或多或少关于安全性的考虑。比如，下面一个非常经典的关于对抗样本的例子，对于一个 CNN 模型，在熊猫的图片中添加了一些噪声之后却以 99.3% 的概率被判定为长臂猿。在熊猫图片中加入噪声，模型以 99.3% 的概率将图片识别为长臂猿事实上其他一些可解释性较好的模型面对的对抗样本问题可能甚至比深度学习模型更多，但具备可解释性的模型在面对这些问题的时候是可以对异常产生的原因进行追踪和定位的，比如线性回归模型中我们可以发现某个输入参数过大/过小导致了最后判别失常。但深度学习模型很难说上面这两幅图到底是因为哪些区别导致了判定结果出现了如此大的偏差。尽管关于对抗样本的研究最近也非常火热，但依然缺乏具备可解释性的关于这类问题的解释。当然很多学者对可解释性的必要性也存有疑惑，在 NIPS 2017 会场上，曾进行了一场非常激烈火爆的主题为「可解释性在机器学习中是否必要」的辩论，大家对可解释性的呼声还是非常高的。但人工智能三巨头之一的 Yann LeCun 却认为：人类大脑是非常有限的，我们没有那么多脑容量去研究所有东西的可解释性。有些东西是需要解释的，比如法律，但大多数情况下，它们并没有你想象中那么重要。比如世界上有那么多应用、网站，你每天用 Facebook、Google 的时候，你也没想着要寻求它们背后的可解释性。LeCun 也举了一个例子：他多年前和一群经济学家也做了一个模型来预测房价。第一个用的简单的线性于猜测模型，经济学家也能解释清楚其中的原理；第二个用的是复杂的神经网络，但效果比第一个好上不少。结果，这群经济学家想要开公司做了。你说他们会选哪个？LeCun 表示，任何时候在这两种里面选择都会选效果好的。就像很多年里虽然我们不知道药物里的成分但一直在用一样。但是不可否认的是，可解释性始终是一个非常好的性质，如果我们能兼顾效率、准确度、说人话这三个方面，具备可解释性模型将在很多应用场景中具有不可替代的优势。有哪些可解释性方法？我们之前也提到机器学习的目的是从数据中发现知识或解决问题，那么在这个过程中只要是能够提供给我们关于数据或模型的可以理解的信息，有助于我们更充分地发现知识、理解和解决问题的方法，那么都可以归类为可解释性方法。如果按照可解释性方法进行的过程进行划分的话，大概可以划分为三个大类：1. 在建模之前的可解释性方法2. 建立本身具备可解释性的模型3. 在建模之后使用可解释性方法对模型作出解释在建模之前的可解释性方法这一类方法其实主要涉及一些数据预处理或数据展示的方法。机器学习解决的是从数据中发现知识和规律的问题，如果我们对想要处理的数据特征所知甚少，指望对所要解决的问题本身有很好的理解是不现实的，在建模之前的可解释性方法的关键在于帮助我们迅速而全面地了解数据分布的特征，从而帮助我们考虑在建模过程中可能面临的问题并选择一种最合理的模型来逼近问题所能达到的最优解。数据可视化方法就是一类非常重要的建模前可解释性方法。很多对数据挖掘稍微有些了解的人可能会认为数据可视化是数据挖掘工作的最后一步，大概就是通过设计一些好看又唬人的图表或来展示你的分析挖掘成果。但大多数时候，我们在真正要研究一个数据问题之前，通过建立一系列方方面面的可视化方法来建立我们对数据的直观理解是非常必须的，特别是当数据量非常大或者数据维度非常高的时候，比如一些时空高维数据，如果可以建立一些一些交互式的可视化方法将会极大地帮助我们从各个层次角度理解数据的分布，在这个方面我们实验室也做过一些非常不错的工作。还有一类比较重要的方法是探索性质的数据分析，可以帮助我们更好地理解数据的分布情况。比如一种称为 MMD-critic 方法中，可以帮助我们找到数据中一些具有代表性或者不具代表性的样本。使用 MMD-critic 从 Imagenet 数据集中学到的代表性样本和非代表性样本（以两种狗为例）建立本身具备可解释性的模型建立本身具备可解释性的模型是我个人觉得是最关键的一类可解释性方法，同样也是一类要求和限定很高的方法，具备「说人话」能力的可解释性模型大概可以分为以下几种：1. 基于规则的方法（Rule-based）2. 基于单个特征的方法（Per-feature-based）3. 基于实例的方法（Case-based）4. 稀疏性方法（Sparsity）5. 单调性方法（Monotonicity）基于规则的方法比如我们提到的非常经典的决策树模型。这类模型中任何的一个决策都可以对应到一个逻辑规则表示。但当规则表示过多或者原始的特征本身就不是特别好解释的时候，基于规则的方法有时候也不太适用。基于单个特征的方法主要是一些非常经典的线性模型，比如线性回归、逻辑回归、广义线性回归、广义加性模型等，这类模型可以说是现在可解释性最高的方法，可能学习机器学习或计算机相关专业的朋友会认为线性回归是最基本最低级的模型，但如果大家学过计量经济学，就会发现大半本书都在讨论线性模型，包括经济学及相关领域的论文其实大多数也都是使用线性回归作为方法来进行研究。这种非常经典的模型全世界每秒都会被用到大概 800 多万次。为什么大家这么青睐这个模型呢？除了模型的结构比较简单之外，更重要的是线性回归模型及其一些变种拥有非常 solid 的统计学基础，统计学可以说是最看重可解释性的一门学科了，上百年来无数数学家统计学家探讨了在各种不同情况下的模型的参数估计、参数修正、假设检验、边界条件等等问题，目的就是为了使得在各种不同情况下都能使模型具有有非常好的可解释性，如果大家有时间有兴趣的话，除了学习机器学习深度模型模型之外还可以尽量多了解一些统计学的知识，可能对一些问题会获得完全不一样的思考和理解。基于实例的方法主要是通过一些代表性的样本来解释聚类/分类结果的方法。比如下图所展示的贝叶斯实例模型（Bayesian Case Model，BCM），我们将样本分成三个组团，可以分别找出每个组团中具有的代表性样例和重要的子空间。比如对于下面第一类聚类来说，绿脸是具有代表性的样本，而绿色、方块是具有代表性的特征子空间。使用 BCM 学到的分类及其对应的代表性样本和代表性特征子空间基于实例的方法的一些局限在于可能挑出来的样本不具有代表性或者人们可能会有过度泛化的倾向。基于稀疏性的方法主要是利用信息的稀疏性特质，将模型尽可能地简化表示。比如如下图的一种图稀疏性的 LDA 方法，根据层次性的单词信息形成了层次性的主题表达，这样一些小的主题就可以被更泛化的主题所概括，从而可以使我们更容易理解特定主题所代表的含义。Graph-based LDA 中的主题层次结构基于单调性的方法：在很多机器学习问题中，有一些输入和输出之间存在正相关/负相关关系，如果在模型训练中我们可以找出这种单调性的关系就可以让模型具有更高的可解释性。比如医生对患特定疾病的概率的估计主要由一些跟该疾病相关联的高风险因素决定，找出单调性关系就可以帮助我们识别这些高风险因素。在建模之后使用可解释性性方法作出解释建模后的可解释性方法主要是针对具有黑箱性质的深度学习模型而言的，主要分为以下几类的工作：1. 隐层分析方法2. 模拟/代理模型3. 敏感性分析方法这部分是我们接下来介绍和研究的重点，因此主要放在后续的文章中进行讲解，在本篇中不作过多介绍。除了对深度学习模型本身进行解释的方法之外，也有一部分工作旨在建立本身具有可解释性的深度学习模型，这和我们前面介绍通用的可解释性模型有区别也有联系，也放到以后的文章中进行介绍。如果对本系列感兴趣或有疑问，欢迎私信交流。关于 BIGSCity北航智慧城市兴趣组 BIGSCITY 是隶属于北京航空航天大学计算机学院的一个学术研究小组，小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术。BIGSCITY 的研究兴趣包括：城市计算，时空数据挖掘，机器学习可解释性，以及 AI 在交通、健康、金融等领域的应用等。本专栏将介绍 BIGSCITY 的一些研究成果，不定期更新与课题组研究相关的研究工作介绍，以及介绍与 BIGSCITY 相关的一切有趣的内容。关于 BIGSCITY 的详细情况参见研究组主页：https://www.bigscity.com/参考文献1. Google Brain, Interpretable Machine Learning: The fuss, the concrete and the questions.2. Kim B, Koyejo O, Khanna R, et al. Examples are not enough, learn to criticize! Criticism for Interpretability[C]. neural information processing systems, 2016: 2280-2288.3. Kim B, Rudin C, Shah J. The Bayesian Case Model: A Generative Approach for Case-Based Reasoning and Prototype Classification[J]. Computer Science, 2015, 3:1952-1960.4. Doshi-Velez F, Wallace B C, Adams R. Graph-sparse LDA: a topic model with structured sparsity[J]. Computer Science, 2014.