广义投入产出研究基本文献

首先,了解投入产出:Input-Output Analysis Foundations and Extensions by Ronald E. Miller and Peter D. Blair.

其次,了解PageRank:The PageRank Citation Ranking: Bringing Order to the Web by L. Page, S. Brin, R. Motwani, and T. Winograd;Google matrix analysis of directed networks by Leonardo Ermann, Klaus M. Frahm, and Dima L. Shepelyansky。

接着,了解科学学:Bibliometrics and Citation Analysis: From the Science Citation Index to Cybermetrics by Nicola De Bellis

接着,了解流平衡分析和系统生物学:Systems Biology: Properties of Reconstructed Networks by Bernhard Ø. Palsson,What is flux balance analysis? by Jeffrey D Orth, Ines Thiele and Bernhard Ø Palsson

最后,几个领域连通起来的视角(前面的所有的准备就是为了能够明白这个):PageRank: Standing on the Shoulders of Giants by Massimo Franceschet,Spectral Ranking by Sebastiano Vigna,吴金闪的广义投入产出分析和细节投入产出分析投入产出矩阵分析的主要思想小结,以及吴金闪的报告《广义投入产出分析》

所有的知识的学习的出发点都可以是Wikipedia和google。

在理解和了解这一基本思想和这些学科的基本研究问题之后,可以思考如何用这个思想来解决这些学科的基本问题,以及还可以用来解决其他哪些问题(注意,我们的汉字学习的工作——Efficient Learning Strategy of Chinese Characters Based on Network Approach——实际上也是这个思想的一个应用)。

争取以后每一个领域,我都整理出来基本文献,供后来人使用。

刚才学生问,做什么样的研究。研究工作只有两个目标:顶天(最高深最核心的学问)、立地(最具实际性的学问)。如果还能够从立地的问题中提炼出顶天的来,或者把顶天的用于立地 的,就更加有意思了。其他的,不解决这两个问题以及它们的联系的学问,都不是学问,比如大多数研究者跟在人家屁股后面的工作。可借鉴,不跟从,要么钻研深刻的理论核心问题,要么解决实际问题中能够用非平庸的数学结构解决的问题。

学生还问,为什么我从来不直接给答案。当学生或者其他意图学到东西的人问我一个问题的时候,我通常会问更多的问题,意图是:搞清楚学生的根本问题在哪里,铺设台阶引导其思考,逼迫学生思考背后的原因然后能够做到举一反三。如果学生的答案有错,我也不会告诉他错了,而是沿着他的思路,问更多的推演的问题,然后让学生自己意识到答案的问题。这样做,学生能够得到的收获会更多。但是,大部分人都不是客观的思考者,会觉得我顺着思路把他逼到墙角,是不可接受的事情,于是,所谓的自尊伤害了思考。当然,这也是物理学家的问题,很多时候,他们把所有的问题简单地当做科学问题,分不清楚生活问题和科学问题的界线,搞不清楚学生的自尊和搞清楚问题有什么关系。这个也只能提醒自己一下,一不小心,就又忘了。

“Teach Less, Learn More”课程设计举例:量子力学

Teach Less, Learn More体系的原则:

  1. 教学的一般目的:教会学生学习的方法、提高学生对学科的认识和感情,为学生准备进一步自主学习的基础,进一步为成为知识的创造者和创造性使用者或者至少知识创造和创造性使用的欣赏者做准备。
  2. 课程教学的具体目标决定课程的内容的选择和教学的实施。
  3. 关注学科的基本面貌,也就是学科大图景,包含典型研究对象、典型研究问题、典型思维方式、典型分析方法、学科典型责任。在此基础上,尽可能地帮助学生掌握一般性人类思维、教和习的方法这两个更高层的知识。
  4. 所需要教的东西越少越好,实现目的的前提下。
  5. 概念地图在明确学科大图景、选择教什么、确定怎么教的方面有帮助。
  6. 老师比学生强的地方在于会看路(理解事物之间联系的深度和广度,有学科高度——看到学科大图景而不仅仅是具体学科概念知识)或者看过路,做过学科研究,不在于知识的多少。
  7. 具体教学中,要让学生做到上下左右贯通——也就是学科概念知识内部相互融会贯通,并且从具体学科概念知识以及学科研究案例联系到学科大图景,进一步走到一般性人类思维、教和习的方法(后面三个称为高层知识),以及反过来从高层知识走到学科概念知识以及学科研究案例和实践,每一步都知其然,知其所以然,知其所以所以然(为什么要知道这些所以然)。这些然要尽量核心尽量少,这些然都表现为概念地图上的联系。

做课程设计,我们必须考虑根本目的的问题——目的决定了教学内容和方法。因此,《量子力学》教学的根本目的是什么呢,尤其物理知识之外的目标?

首先,量子的世界太神奇了—— 完全就是另外一个世界啊,不学人生不完整。量子的世界里面你会学会用概率的视角来看问题,而且还要被迫超越概率的视角。在经典的世界里面,概率仅仅是一个工具——在信息不完全的情况下的一种技术描述手段。在量子的世界里面,我们会看到这个技术描述手段所带来的理解上的问题和挑战,以及这个技术手段的必要性。甚至,我们还会看到,用概率也不足以描述量子的世界。量子力学是一扇门,打开你用不同的眼光看世界的一扇门。

其次,从量子力学中数学结构和物理现象的关系上,你能够更加深刻地体会什么是科学。从量子力学能够体会到物理学或者说整个科学就是给现实世界寻找合适的数学结构,不管这样的结构多么不符合来自于经典世界经验的直觉。

再次,从量子力学的建立的历史——科学家的逻辑和理论意义上的历史,不一定是时间顺序上的历史——我们能够体验到科学研究的典范,从不可理解的现象,到凑公式,到理念上的突破,到数学和思想上的真正的突破,到被这个突破的理解问题所困扰。

接着,在哲学上,学习量子力学能够让我们避免“空谈”:观念上的差别必须实验可测,才有意义。

最后,关于量子力学本身,我们要学习到以下三点:一、状态是矢量,可以加起来。与经典的不一样。在经典世界,过程的结果的量和物的量可以相加,但是过程本身物本身不能相加。量子力学物本身可以相加,过程可以相加。二、测量是一个问题。经典随机客体的测量也是一个问题。三、力学的图景——状态的描述、变化、变化的原因。

有了目标,在选择之前,我们还必须搞清楚“量子力学的大图景”——所有的概念构成的知识网络,然后在这个网络上按照前面的目标来决定教什么和怎么教。

量子力学的知识网络
如果不够清楚,可以从点击查看原图

选择好内容之后,还需要考虑每一部分的知识网络——构建这个问题的概念地图,然后以此为基础引领学生思考。具体教学环节,一定要不断提醒自己,老师我的目的是引领、提示和启发学生你思考,不是给你答案,而且这个思考要有深度,有组织性(依靠背后的概念地图)。教学环节还要注意,我们的目的不是要学生记住概念地图,因此大部分时候老师做出来的图是不给学生看的。

需要引领和提示的典型的部分举例:

    1. 双缝实验经典解释的困难

    1. 双光路实验经典解释的困难

    1. 经典和量子测量的区别和联系

    1. 经典和量子克隆的区别和联系

    1. 经典状态的密度矩阵语言

这里把在给学生看的图也亮出来看看。
如果不够清楚,可以从点击查看原图

最后,要布置一定量的作业,一定量的课后阅读,几张核心问题理解的概念地图(重复做很多次),一定量的课程项目,让学生自己学起来。这些内容见下面的教材和讲稿。

按照这个教什么和怎么教,编写量子力学教材、课堂上用的量子力学讲义

从以上例子做一个Teach Less, Learn More 体系的总结

  1. 熟悉这个体系的基本理念和技术(见本文开头部分)
  2. 对具体学科和具体课程,考虑受众情况,提出具体的目标,包含知识、情感、思维几个方面
  3. 对具体学科和具体课程制作概念地图
  4. 从概念地图里面按照理念、目的和原则来选择内容和思考如何教学
  5. 把课程内容分解成多个子问题来实现引领思考的目的
  6. 作业和项目是课程的非常重要的组成部分,也是促进学生自主学习的手段

以上各个子问题是如何反映主要目的和基本原则的:

  1. 双缝干涉实验中经典解释的困难使得我们思考可能的超越经典的理论,我们不能问粒子到底都那一条路的问题了,反映量子力学是“通往另一个世界的门”,也反映什么是科学——现象与数学模型的关系。
  2. 光子过哪一条光路的实验也是同样的目的。
  3. 经典和量子测量的区别和联系着眼于比较几率叠加和状态叠加原理的比较。这个状态叠加原理是量子理论的核心。理解量子测量是不容易的。
  4. 经典和量子克隆的区别也是这两个不同的叠加性的表现。这个也有助于理解量子测量的问题所在。以上两条关于测量的也表现了“观念上的差别必须实验可测,才有意义”。
  5. 经典状态的密度矩阵的语言是为了从经典到量子做一个铺垫,也是为了能够更好地对比经典和量子。

最后这部分说明,其实是需要学生自己体会出来的,是所以所以然的层次。

有人看完这个设计以后说我的设计意图就是要把课程内容变难,变多。这个是完全错误的。可惜我现在手上没有简单的能够让中小学老师能够看懂的例子。如果看这个东西的人,懂得一点点量子力学,就会发现,在具体内容和所要求的数学计算上,我的这个设计比传统的要少和低很多很多。但是,在问题的选取上,选择了量子力学和经典力学的不同这个最核心的问题,然后,就这个点,展开了非常深入需要很大的智力投入的讨论。再一次强调这个设计的原则:教得更少,教得更深刻(有联系,多思考,多为什么),有目的(每一个选来教的内容都有明确的教学的目的),有高度,从而实现学得更多。

完成的量子力学教材在“吴金闪的书们这里。下次找一个更能够让人看明白的例子来表现这个设计原则。

经典和量子的区别

有人让我用一句话总结一下经典和量子的区别。其实,Feynman已经说了,如果你懂得了双缝干涉,就懂得了量子力学的一切。不过,我也试着写下一句话。

经典世界不存在事物的加法,仅有数量的加法,而量子的世界存在事(物)的加法。

更具体一点,经典世界里面一个苹果加一个苹果是两个苹果,不是一个大苹果。加法不在苹果集合上,而在苹果数量集合上;量子的世界里面,一个苹果(自旋z方向向上)加一个苹果(自旋z方向向下)可以成为梨(自旋x方向向上),也可以什么变成更小或者更大的苹果(两个都向上但是系数不一样可以抵消或者相长)。

经典概率,如果有多种可能的发生方式,整体结果只能每一种可能的方式的结果加起来,不会比其中任意一种得到的结果还要小。

思考单电子过双缝的实验结果和过单缝的实验结果的联系,思考光过三块偏振片,光过相机镜头,光过两条光路上的极化偏振片,Schroedinger的猫,就可以体会到以上这些。

当然,你可以问,尽管这样的数学(有事物的加法)可以描述量子的现象,难道就没有别的语言吗?

当然,你也就可以思考发现,经典物体的操作也不存在加法,只有乘法,所以他们构成群,然后量子物体的操作同时有加法和乘法,他们构成李群。

于是,更加抽象地说,量子和经典区别是:经典力学是非李群上的力学,量子力学是李群上的力学。

Journal of Informetrics投稿教训

Journal of Informetrics三审才放过我们的稿子。其间,学到了很多东西。写下来,给自己一个提醒,也希望对后面的人有用。

第一、文章长度不限制。导致这个领域的研究者喜欢把相关东西都堆到一篇文章里面。物理学通常4-6页,卖点通常只有一个。例如方法的文章,举一个例子,展示这个方法有用,有新意即可。科学计量学的文章就需要你讨论一下可能的类似的方法,与其他已经提出的方法的具体的对比。物理的,提一提,就够了。所以,科学计量学的文章要更完整,而不仅仅是“你看我是新的,我还管用”就行。

第二、数学公式一定要用语言描述一遍。而且,最好还能够给一个直觉的可以理解和想象的解释。这个,在物理学家而言,数学公式就是思想。但是,在这个领域,大量的读者不是数学物理出身,不是用数学来描述和理解这个世界的结构,而是,不得不用一下数学。因此,给数学表达式一个好描述和理解,很重要。

第三、细节要注意。这个领域有一部分数学家,所以会在定义和分析的细节扣的比较细。物理学家主要关注大图景。这个要注意。

因此,除了注意这些,写完这个领域的文章,一定要让这个领域的人,读几遍,提提建议。或者直接跟这个领域的专家合作,让他们动起笔来。

再次感谢编辑和审稿人,再次感谢所有的合作者。

经济学家和物理学家的不同思路之一

在随便翻翻Bender的《An introduction to mathematical modeling》(中译本《数学模型引论》,神书)的时候读到其中有一段讲懂得现实和模型的数学家(也就是物理学家)看待产量和利润之间的关系:产量,在其他外部条件不发生太大变化的条件下,影响了价格,于是影响了利润,不一定越大越好,需要求导数。非常简单。然后,讲到,经济学家怎么看呢?经济学家着眼于解释为什么厂家决定这样的产量,于是,利润成了自变量,产量成了最终模型或者分析输出的量,也就是因变量。

具体从利润决定产量的思路还是跟上面的一样,求导数。但是,自变量和因变量的地位换过来了。

不知道这个作者本来就这样认为呢(从后文看起来,不是),还是仅仅是说经济学家会这样看。不过,这里体现了物理学家和经济学家(一部分数学家)的思路上的不同。在物理学的角度看来,因果律是有前后的(前因后果),也就是说,函数和逆函数,是两件含义上完全不同的事情。通过对比不同的产量下的利润来决定最优产量这件事情,不会改变产量决定利润这个因果本身。

看到这里,忽然意识到,经济学家把很多因果关系颠来复去地用不同的角度来说,原因就在这里。仅当两个变量存在一一对应的关系的时候,才能把函数和逆函数完全认同。而且,就算这样,有可能这两个变量和外界的联系导致其中一个从更大的逻辑上更合适看作自变量。于是,自变量和因变量在实际问题中,不能纯粹地像在数学公式里面一样变换。

另外,本书,写得非常之好,非常值得一看,尤其是和《Mathematics: a very short introduction》合起来看看。

顺便,这是我本科组织“读书会”下面的一个科学小组的时候的选的第一本书,也是我和狄老师第一次结缘的书。还记得看到一个对数学模型有这么深刻认识,并且喜欢同一本书的人的时候的心情。

那时候一起玩这个的还有葛虎堂,蔡中华、贺建辉、曾定方。

数学模型绝对不是模型的收集,绝对不是告诉你这样这样的系统可以通过微分方程来建模,那样那样的系统可以通过随机过程来建模,而是告诉你,当数学用于描述和解释这个世界的时候,用于提高你对世界的理解的时候,大概可以怎么想,怎么做。从这个意义上,整个自然科学(一部分的社会科学也是),都是数学模型。