科学网 › 标签 › 漫谈

标签: 漫谈

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

[转载]廖育群：说古及今——漫谈传统医学: fqng1008 2020-8-1 19:51; 资料来源：廖育群. 说古及今 —— 漫谈传统医学 . 科学文化评论， 2018， 15 ： 5-28 注：本文为 2018 年 5 月 25 日中国科学院人文学院举办的“科学与人文”前沿讲座上的报告。自 2013 年退休，我便安心过着老人应有的平淡生活。今天能有与各位新秀交流之机，颇感荣幸与高兴。然本讲座“学术前沿”之定位，实令我诚惶诚恐、愧不敢当。好在传统医学这些年来并无大的变化；且始终是一个人人可谈、各有仁智之见、谁也无法说服谁的恒久话题，因而我还是有足够的自信：可以保证所讲绝非照本宣科或人云亦云的老生常谈。惟望一己之见，有裨各位今后不同价值取向的深入研究。就 “漫谈”的路径而言，大抵从以下三方面展开：（ 1）医疗的行业属性及现实问题；（ 2）传统医学的基本特点 ——包括“传”与“统”，“科学”与“文化”等；（ 3）结合中国传统医学的历史，谈史学研究的重要。如此设计，主要是考虑各位在今后的科学史、科学哲学、 STS 等职业化研究之路上，难免不涉及这个既有悠久历史，又是普遍现实存在，且与传统文化、社会舆情均有密切关系的话题。但医学“知识史”的研究，并不适合没有医学专业背景者作为选题方向。故将报告基点定在“说古及今”——这样，或可启发各位找到适合自己兴趣与知识储备的选题。传统医学，不过是限定一下“漫谈”的对象领域；史学研究，更多体现为一种视角或研究方法，基本不会停滞在某个具体问题的考据分析上。一医疗的行业属性和现实问题 1. 医疗的行业属性某医学生对有人说 “医疗属于服务行业”表示无法理解：医疗，怎么能属于服务行业呢？这或与司空见惯、充斥舆论的最常见说法 “医者仁术”不无关系，甚至是他选择走上践行救死扶伤、人道主义职业之路的根本原因。而网上另一种解释：医疗“属于医疗卫生行业”。这无疑犯了“概念循环”的逻辑错误。但有意思的是竟有 58 人点赞！估计点赞者大多是那些辛辛苦苦、牢骚满腹的临床医生吧。当然也有明白人：即根据世界贸易组织统计和信息系统局（ SISD）对于服务行业的分类，其第 8 类即包括医院在内的“人类健康”服务；同时“卫生”则包含在第 6 类“环境服务”中；甚至包含“园丁、育人、师表”等美誉的“教育”，也是服务行业之一。如此说来，那位医学生的困惑，实际上或与整个社会对服务行业普遍存在贬义认识有关。那么又为何需要认识医疗属于服务行业呢？如果各位有朝一日选择了 “医疗保障制度”“医患关系”（医闹、医德）等话题作为研究对象（不论是史学性、还是现实性的），就非常需要先有一个明确的认识了。即便是全民基本医疗健康保障、无偿的免疫接种等，虽属政府行为、社会福利，然其本质不过是政府用纳税人的钱购买服务——既然羊毛出在羊身上，那么决定的因素无非在于羊身上有多少毛？以及剪毛者获得了多少毛？唯一可以商量的，只是这些“毛”的分配方法。专家们“增大投入”的《提案》屡见不鲜，确实颇得人心。貌似为民代言，关注弱势群体，但算不上切实可行的专家之言——因其本质不过是站在本领域的狭隘视角，要求多给点“毛”而已。其结果自然是“你尽管说”，但怎么分配，还得由当家人“通盘考虑、量入为出”。那么，作为提供服务的企业 ——医院，要求“先交费、后抢救”，不然就得院长签字特批：由当家人承诺由院方承担费用——纳入医院的收支成本核算。这是否就名正言顺？还是应受到道义谴责？抑或没有其它解决办法？当然不是！就我所知，即便在一些算不上非常发达的国家， “国民的基本医疗保障”也是由国家承担。如此才不会出现作为企业之医院“见死不救”的问题；也不会令院长为难于“人道”与“经营成本”之间的权衡抉择。但这个保障只是基本的，无论是检查手段，还是治疗方法，乃至所用药物，都是基本的。至于最先进、最好的、及时的治疗，只能靠个人有足够的财力，或未雨绸缪（保险）。这样的制度，不仅映射出并非纸上谈兵的理性思维，且这样的理性制度亦有利于民众增强自身的责任意识。记得当年读《普及科学 ——美国 2061 计划》①时，印象最深刻的一句话即：（普及科学）教育的目的，是教会民众“过负责任”的生活！这句话值得慢慢体会。至于说一个国家的福利或购买服务定在什么尺度，无疑取决于社会的财富积累（政府财力）。而那些用统计数字（发达国家与我国相关投入占 GDP 百分比的差距）来说事者，能算真正的专家吗？不过，说医疗属于医疗行业也并非那么简单，这是个同义反复的逻辑问题。按照工具书的解释， “行业”一词本身就是一个非常中国特色的词汇，概念并不明确、使用亦不规范。其对应的英语是 industry（产业）。因而，就产业而言，通行的是：第一产业（农林牧渔）、第二产业（工业制造业）、第三产业（服务）。而中国在使用产业一词时，分一、二、三；在使用行业时，却打乱这个一级分类，直接罗列“三百六十行”。故医疗可以独立为“医疗卫生业”、教育就叫“教育业”等等。如此便模糊了医疗服务到底属于什么行业的问题。由于许多服务业具有其专业属性，属于专业技术服务，于是导致该领域的从业者觉得自己不属于服务业！特别是因为中国医疗体系传统是由公立医院主导的，所以就更容易在思想意识中认可医疗（包括药业）都是服务行业的基本属性，再看近来网上流传的这个讥讽段子也就不觉其那么丑恶了。对于服务行业，乃至所有的企业，最佳的价值取向、道德观，其实无非就是同仁堂的经营理念： “义利并进”。同仁堂的堂训“品味虽贵，必不敢减物力；炮制虽繁，必不敢省人工”，在百姓舆情、学者阐述中，通常只是将其视为诚信楷模，却忽视了其同时也是盈利、做大做强的保障。与同仁堂古训相似，杭州胡庆余堂的匾额，上书“戒欺”。 ① 载于国家教育发展研究中心编，《发达国家教育改革的动向和趋势》（第四集），北京：人民教育出版社， 1992 年。后有科学普及出版社以《面向全体美国人的科学》（ 2001 ）为书名的另一版本。有兴趣者，可追寻由此产生的中国《 2049 计划》，后演变为《全民科学素质纲要》，并因其中写入了阴阳五行、古代科学，而引发了一番热闹的争论。否定其服务行业的本质。 2. 现实问题医疗，与每一个人息息相关。因而可资思考或作为研究选题的话题无数多、无限广。但我更希望研究者能透过现象，更多思考一些背后的、深层的问题。因为这些问题无一例外牵涉着医学 “科学·技术·社会”的三重属性。例如： 2.1 “因病不治”还是“寿终正寝”——“老”还是“病”？人们对医学有 “万能”的要求，该领域的科学家也绝不会停止追求解决一切问题的脚步。两方面或多或少、或自觉或不自觉“机体＝机械”的意识，使得医生像汽车修理工换轱辘、水箱、变速箱一样，践行着为病人换肝换肾，甚至换心脏、大脑的科学研究与实践。然而汽车修理工认同“报废”，在制度上可以规定使用年限，但“人”呢？例如一个简单的心脏支架，在制度层面上谁又能规定“最多做几个”？所以仅能从技术层面上回答你：“全覆盖”一共需要几根，故有人就此调侃说：那些被截成一节一节的支架，最后在体内又连成了一整根。众所周知，随着医学的发展、医疗服务水平的提高，人群的平均寿命有了大幅提高。换言之，得享天年、尽其寿限，而不是死于缺医少药者已越来越多。老年病、慢性病虽然越来越多、极为普遍，但从本质上讲这些都是 “退行性病变”，是自然规律，但却只有为数不多的医生敢于直言：是“老”，不是“病”。各位不妨扫描一下自己的记忆：你所见过的讣告，哪个不是“因病医治无效”？“寿终正寝”一词不仅在表述方式上，甚至在头脑中都已经绝迹了。若与那些并没有太高文化水平、科学素养的乡村民众的 “白喜事”，为耄耋老人大操大办的“喜丧”相比，谁的思想意识更有遵循自然规律、实事求是的味道呢？在此提到看似非常无聊的 “喜丧”，意在提示俗话所言“处处留心皆学问”实在应该作为有志从事学术研究者的座右铭。注意观察生活，岂不正是文化人类学的视角、最被强调的田野调查方法？而能否发现背后的东西，则是研究素质的体现、手眼高低的区别。 2.2 “进步”与“不满”同步上升——医疗安全问题近半个多世纪以来，医学取得了极大的进步，但对 “医疗服务”的不满却日益增多，原因何在？北医的张大庆教授曾就此做过专题报告，力图通过阐述医学的进步、能够解决的问题越来越多，起到“正视听”的科普效果。但有些问题并非认识问题，尤其是独生子女的金贵带来的儿科医生流失、妇产科在孕产方面出现的“碰瓷”行为等。用某院长的话说：必须研究与重视“医疗安全”问题！这个安全，不是指患者方面（如注意药物副作用等），而是指医生方面的自身安全。 2.3 过度医疗医院里门诊输液处常常人满为患。严重的过度医疗，原因与责任在谁？有解决的办法吗？韩启德（中国科学院院士，医学专家）曾在科协年会上做过专题报告，在给出种种不必、无益，甚至有害的统计数据后，得出结论：患者有需求、家属有需求、药厂有需求、医院有需求 ……因此这个问题无解！于是，又要回到对那个旧问题的思考了：这是科学问题吗？是科普宣传能解决的问题？是公众科学素养的问题吗？ 2.4 新生活方式和新问题伴随新生活方式而出现的各种新问题，有利于我们思考医学的特殊性、以及什么是科学的问题。（ 1）两种研究——社会心理因素、生理病理首先，当医学科学对于涉及各种精神、心理、行为问题的现象尚无实质性的 “机体特殊性或病理改变”认识时，充斥社会的大多是社会学家“社会心理因素”的病因解释与所谓学术研究。只有当造成某一现象的真正原因或实质性病理改变被揭示时，科学研究者才会发声——有话说了、可以说了！诸如神经衰弱、抑郁症、自闭症、老年痴呆、毒品的心瘾问题、同性恋等，现代医学或已揭示其生理基础、病理改变，或仍在努力探索中。因而对于形形色色“社会心理因素”的研究报告，真的需要基于对科学发展历史的了解，保持适当的鉴别力。科学研究成果，被新知识证明是错误的、被替代，实乃非常自然的事情。将科学用作 “正确”的同义语，不过是民众对科学的认识而已。例如，伴随着基因研究，许多似乎已成定说的病因解释轰然倒塌；曾投入毕生心血的研究结果变得毫无价值，但却不能因此否定其所具有的“科学”性质。又如，有关动物界外激素作用的研究早已不是什么新鲜事，也没有人质疑其科学性、客观性；但当男女之欢、异性关系的和谐与否也被归于潜在的“第六感官——爱的气味”时，你又会做何评论呢？（ 2）医疗行为的两种内涵——医学关怀、人文关怀作为临床医生的医疗活动，并不能完全遵循科学家或科学研究的言行模式 ——当面对患者时，不管整个世界对这个疾病如何无知，你都必须有所作为。而作为治疗行为，可能既包含科学的、医学的；也包含人文关怀。近年来，一位长眠于纽约东北部的撒拉纳克湖畔、名不见经传的医生特鲁多（ E. L. Trudeau）的墓志铭，忽然在中国走红。“To Cure Sometimes ， To Relieve Often ， To Comfort Always.”最常见的中文翻译是：有时治愈，时常帮助，总是安慰。或认为应当译作：有时会治愈，常常能缓解，总是使舒适。据说，近一个世纪以来，来自全球的医师，一波波地来到这里“朝圣”，为的只是重温一下这段教诲，吸取一些精神素养！对此，我认为应当从正反两方面思考：首先，在高频次的引用中，有些是借此批评、甚至否定西医，赞赏传统医学。其二，在这种褒贬中，实际上又包含着服务态度的人情冷暖，和不同医学体系自身性格特点两方面。文化人、民众对此的欣赏、共鸣，通常无非是就表象性的直觉感受而发。而态度表象背后 “基于知识体系特点”的深层原因却往往被忽视。现代医学的客观性，决定其通常会采取实事求是的病情、效果评估（当然，这种实事求是未必一定是正确的）——这就难免令人觉得“生硬”或“高冷”。举个最简单常见的小例子：在以骨科著称的积水潭医院，几乎所有的患者或家属在接受完治疗后都会问医生： “要给他（她）喝些骨头汤吧？”而医生则会面无表情地回答：“该多少天长好，就多少天，喝什么都没用。”但传统医学的医生断然不会如此回答，而其思想基础大概至少也可分为三种情况： a. 仅有传统知识的医生不仅会认同，甚至会主动提示患者家属这样做。因为他们的知识、思维方式与民众是一致的：吃什么，补什么。 b. 虽然学习过现代医学但未必认同。就骨折治疗这一具体问题而言，他们认同 X 光片用于诊断的先进性、认同 X 光直视下的整复过程效果更好、更便利。但同时也相信食物、药物有利于促进骨痂生长。 c. 即便已经不相信任何传统医学方面的说法了，但有什么必要去和民众理论呢？反正喝点骨头汤又不会有什么坏处。如果你再就上述“传统医学思维方式、知识构成，与民众常识的一致性”的观点，深究其理论层面，即《原始思维》①所论“类比思维”；巫术研究经典之作《金枝》②中“相似律”与“接触律”的理论归纳、实用技艺解析等；在研究方法上，再结合非常时髦的人类学“田野调查”；在分析视角中，融入“传播学”强调的“五要素”，那么这“一碗骨头汤”难道不足以作为一篇学位论文的选题吗？难道不足以写出一篇“小中见大、由小及大”的好文章吗？总之，不管是小到一碗骨头汤的精细分析，还是大到宏观普视，传统医学的一个重要特点是总能给患者 “向好的希望”，哪怕实际上并做不到，但医生心中真的是这样认为的。如此当然会给予患者“温暖”感，而这种“温暖”感的实质，并非是简单的服务态度，而是给予患者最宝贵的“希望”！另外，如果我们站得再高一点、思想的禁锢再少一点，重新审视这个话题，又会怎样呢？一位卫生系统的高层领导在处理“骗子医疗机构”的现场，有患者或家属对其做了这样的表述： “他们能给我们‘希望’，你的医院能给我希望吗？”换言之，掩耳盗铃也好、自欺欺人也罢，只要用钱还能换来“希望”就行！ A 希望破灭了，那就再换 B 希望。虽然这种做法很傻，但对于一个绝望等死的人来说又该怎样呢？正如日本关西地区民众眼中的学界偶像梅园猛，在宗教问题的学术演讲中谈到：对于老年的我来说，宁愿相信来生、转世都是真的 ——这样可以对抗死亡的恐惧、带来心灵的快乐。因而对于这个走红的墓志铭，对于 “治疗·帮助·安慰”的问题，我认为还是要学会秉承“医学发展”的基本立场，理性、客观地认识这个问题：一二百年前，医学能够治疗的疾病真的十分有限；安慰难免不是无奈之举；时至今日，医学发展早已不可同日而语。但如何“安慰”，什么才是有效的“安慰”，就留给人们自己去思考。总之，既然科学与人文各有自身的价值取向，那就不要片面地只想一方面。（ 3）雌激素残留——可以高枕无忧吗？有害物残留，通常谈论的不外乎农药、化肥、重金属，其实还有雌激素。避孕药是一大发明。但广泛、大量使用后造成其在自然界中的存量增高，对于由此带来人类的性格、生理改变，可以高枕无忧吗？ 20 世纪 70 年代，我在上学时看到了国外有关这一问题的报道；而现在看到的却是朋友圈中那些男科、妇科医生就日常所见种种现象的讨论与担忧了。而这通常只会表述到“新生活方式带来的问题”而已。 ① ( 法）列维 - 布留尔 . 原始思维 . 丁由译 . 北京：商务印书馆， 1997 。因为没有更好的术语可以表述原始思维所特有的 “表象关联的原则”，故称其为“互渗律”。而“吃什么，补什么”等，恰恰都是基于这样的思维方式。 ② ( 英） J.G. 弗雷泽 . 金枝 ( 上，下） . 北京：中国民间文艺出版社， 1987 。该书被誉为巫术研究的经典之作，自中国民间文艺出版社译本（ 1987 ）至今，已有多种不同译本。弗雷泽认为形形色色的法术构建，不外两条基本原理：相似律 ——同样的行为，必有同样的结果。所以仅通过模仿就可实现任何想达到的目的；接触律——物体一经相互接触，在中断实体接触后还会继续远距离的互相作用。（ 4）技术进步——带来新的“伦理学”问题技术进步，带来一系列过去没有的伦理学问题。而在学术性的伦理学讨论背后，其实还有更深层面的 “是否可以无节制的改造自然”的问题。用中科院自然科学史研究所的刘益东研究员的话说：那么高尚、满戴光环的科技研究，如果生产出了“致毁知识”，而这种知识又存在一旦被生产出来，便不可能被“销毁”。于是，便引出了一些人尽管无时无刻不在使用与享受现代科技带来的种种生活便利，却大呼人类、世界都将毁于科技。我曾问过社科院一位领导：贵院这样看问题的人有多少？他想想后回答：大约 10%。而与之密切相关的一件事，就是对于现代医学（西医）与传统医学（中医）的褒贬——大声疾呼：回归传统医学。 3. 三驾马车——西医、中医、中西医结合 “三驾马车”是几十年来，业界对中国医疗构成的一种表述。即三支队伍共存。这是“中国特色”——不仅在于数字“3”，且没有人敢用驾辕、拉套这样带有主次之分的表述方式，而是极为聪明地称之为三驾马车——并驾齐驱！而在域外，却适合用另一种方式来表示：马驾辕、驴拉套 ——绝非双驾马车。驾辕的，无疑是现代生物医学（西医），传统医学只能“拉套”，故谓之“补充医疗”或“替代医疗”。 3.1 中西医结合在赵洪均所著《中西医结合二十讲》中，将中西结合的发展进程概括为 6个阶段：第一阶段，号召中西医团结。其背景可追溯到民国时期。上海留日医生余岩（云岫）受日本明治维新后全面学习西方、以立法形式废止 “汉方医”的影响，在中国提出废除“旧医”议案，从而引发一场中医界的维权斗争，结果不了了之。1949 年后，余岩旧话重提，上书称：国民党腐败无能，故不能成其事；共产党英明伟大，必能做到。于是风波再起，结果是毛主席发表了“团结中西医”的最高指示，卫生系统两位高官落马，全国开始兴办各种“西学中”班，各地先后建立了中医学院、中医研究院，民间开始“献秘方”运动……大约从 1955 年开始，《人民日报》和《健康报》开始不断发社论，将对待中医的态度上升到路线斗争的高度。第三个阶段，提出中西医结合创立新医学的设想，则赋予 “中西医结合”最伟大的历史使命——创造出一种最优秀的新医学。这可不是仅就中国范围而言，而是根据领袖指示放眼“全世界”！至第六个阶段， “中西医结合队伍相对独立”，主要是指出现了独立的科室，乃至医院；有了自己的刊物、学会组织，研究生培养与学位授予权等等。中西医结合成为与中医、西医并驾齐驱的第三匹马。有关中西医结合历史发展过程的论著当然很多，我之所以单举赵洪均，实在是因为此公是个有故事的风云人物，值得一提。赵洪钧毕业于原第七军医大学， 1978 年考入中国中医研究院医史文献研究所，成为“文化大革命”结束后第一届研究生中的一员。因以“近代中西医论争”作为学位论文选题，在通过答辩后却未被该校授予学位，返回石家庄河北中医学院教书；其间自费印刷数种论著，学跨中西。1996 年（51 岁时）又出惊人之举：辞去公职，回到故乡农村，靠为乡亲治病维持生活，坚持研究写作。此人着实是个有学问、有性格、敢说话的人物。回到 “中西医结合”问题的要点：就“源流”而言，可以追溯到明末清初西方医学传入，被后世称为“会（汇）通学派”。就“表现形式”而论，在理论方面表现为借一方理论解释另一方，既有以中释西，也有以西释中；并有药物混用的医家，例如在治疗感冒发烧时，用中医的白虎汤和阿司匹林。对于会通学派的主流评价是：会（汇）而不通、非驴非马。然而对于“骡子”却可以有两种评价：比马和驴都更强壮——在许多患者的实际治疗中，兼收并蓄的长处与更佳效果，确实比比皆是。但另一种评价是：骡子虽然比马和驴都更加强壮，但却没有后代！这也确实是事实 ——所谓实用技艺的兼收并用，实际上都来源于其父本与母本，恐怕很难见到“结合体”繁衍出自己的后代。解决这个问题的办法其实也很简单：接续培育好的马和驴，再让它们制造出更好的骡子。然而，通常被忽视，但却最值得注意的是：西医传入后的种种潜移默化的影响！例如：对于生理、病理、病因、疾病属性等等的认识；教育、教材编写的方式等等。这里虽然未能逐一举例说明，但不妨听听电视中的那些中医科普、养生节目——哪怕是自诩秉承传统的老中医，其言论中其实都充满了现代医学知识。 3.2 西医——近代（现代）医学、生物医学作为一种知识体系，对于具有现代科技知识的人来说，理解并非难事；我们也不可能在这方面花费太多的时间。仅说两点供大家思考：做 “眼保健操”是我们那个时代的学生都非常熟悉的场景，不知各位是否也有同样的亲身经历？然而半个多世纪后，忽然看到一些有关“眼保健操”是否真的有用的质疑。类似的事例还有一些，或许都与一种新兴的医学理念“循证医学”有关。循证医学（ Evidence-Based Medicine，EBM）作为科学“性格”的体现，其概念和范畴自其最早被提及（1990），就不断在扩大、变迁和泛化。循证医学既不是一门医学，也不是一个学科，而可以说是一种方法学，是现代医学的一个里程碑，标志着临床医学实践从经验走向理性，其核心是要告诉临床研究者和实践者怎么如何做才更科学。举个例子，一个病人被收住院，在没有明确诊断时，总不能像住旅馆一样住在医院吧？于是医生通常会开出一系列检查单，然后下用药医嘱：至少是维生素 C+B1 （一日三次）。至于其它已被明确诊断并采用对症治疗的药物和其他方法时，往往也会加上这一条。在以往的时代，不会有人对此有什么质疑；但循证医学则要问：为什么给他维生素 C ＋ B1 ？病人缺少维生素吗？医生给予这些药物的证据是什么？ Evidence-Based（循证），顾名思义，强调“基于证据”。而最重要的证据，无疑是客观的，因而病人的主诉（感觉），例如“吃了药好多了”“觉得很舒服”“精神心情好多了”“有劲儿了”等等，是不能作为主要证据的。其次，个案——没有一定样本量的效果，也是不能作为证据的。仅此两条，恐怕就会让传统医学的医生很头痛！很多人都知道，前些年一位香港的女主播在海外遇交通事故，颅脑受重伤，被判已是 “脑死亡”不治，最好的结果也就是植物人；后她来到北京，由宣武医院的一个医疗小组负责治疗，在采用包括针灸疗法等中西医结合的方法后，恢复得相当不错。但循证医学则表示质疑：这只是个例。的确，哪个医生也不能保证下一个同类型的患者依然会有这样好的疗效；再说你是否有机会遇到一大把同类型的患者呢？好在面对这样的科学质疑，恐怕大多数人都会唏嘘： “哇塞！这个患者毕竟得救了、没有变成植物人，像个正常人似地回家了啊！”——应该说，两方面都没有错，只是看问题的立场、方法不同而已。如此，在这里我们又会看到 “科学医学与传统医学”另一个重要区别：前者，没有什么《医案学》，也见不到某医生将自己的治疗经验写成书出版；我们能看到的，通常就是一版又一版的教科书——新的研究成果、治疗方法，只有得到公认后，才能作为知识传播；而一旦新版教科书问世，便不会有人再学习、使用旧版了。很多人喜欢库恩《科学革命的结构》，谈资集中于“范式”问题；但也该注意其中有关于“教科书”的专门论述。而就医学而言，则不妨认真读读收入的克洛德·贝尔纳的《实验医学研究导论》（商务印书馆“世界名著译丛”）——通篇所言，几乎都是作为“科学的医学”（实验医学）与“医生们的医学”（临床治疗）有什么不同。回过头来，再看传统医学：个人治疗经验的 “医案”著作，不仅历史悠久，而且在中医院校中，“医案学”已经成为一门课程、一个独立的分支学科。近年来的医案著作有许多，从古代医案，到当代老中医经验的出版物不胜枚举，医案为何能成为出版社的重要选题，当然是销量；而销量背后，则是需求。甚至有中医领导层的人物评价：这些年出版的中医著作，只有《中医医案学》有读的价值。同时指责统编教材“越编越烂（滥）”。随之而来的则是对院校教育体制的不停批判；呼吁恢复“师带徒”的知识传承方式，以及身着汉服的拜师仪式。我无意评说其对错短长，只是以此为例，供大家思考两种知识体系的差别；思考“科学”的性格。有吃瓜群众在旁观中西医自身重要性之争时说了这样一句话： “全国的西医医院关门一天，将会怎样？中医医院关门一天，又会怎样？”只要不是狡辩，恐怕都会哑口无言。全国的西医医院关门一天，真的不能想像；而中医医院别说关门一天，即便关门时间再长，也不会怎样。现代医学的重要性，不言而喻。然而话虽如此，那么对于传统医学又该如何评价呢？ 3.3 传统医学（ 1）仍旧存活的古老知识、技艺、文化在世界范围内，仍旧存活的传统医学并非只有中医——井蛙常常会谬言“惟有中医”！但活得如此兴旺的，大概首指中医。不少中医医院门庭若市，病人扎堆。除了上述的“政策保护”外，还有哪些理由呢？ a. 落后说：早期，很多社会学者通常是从中国地广人多，医学发展落后，不足以满足需求论说。一言以蔽之：落后，所以有生存空间。然而时至今日，至少在北上广这样的大城市，现代医疗早已全覆盖，为何偏偏是在这些地方，人们对传统医学仍旧有那么大的需求？显然“落后存活说”没有言中关键。 b. 文化情节说：台湾的本土“院士”、曾任“台北故宫博物院院长”“台湾教育部部长”、带领着博士研究生班众弟子发起“医疗疾病社会史”研究的“史语所”杜正胜教授以此立论。即中医仍旧存活，无非是基于文化情节。但若真的是情节使然，那么不是同样应该眷恋中国的数理化、天地生等等知识体系吗？看来这种说法也禁不起推敲。 c. 经验、疗效说：持此观点的人实在太多了，即便是那些著名的反对人士，对此也不否认。毋须多说。（ 2）民众态度对于中医，广大民众也有自己的观点和态度。主要有以下方面： a. 相信——骨灰级铁粉、治病需要、养生求寿、缺乏辨别力。中医形成的具有深厚民众基础的社会形象，其原因无疑是多种多样的。全盘否定西医，且能身体力行（宁死不看西医、不吃西药）者，毕竟是少数。但基于治病需求者，却是绝大多数；甚至一生追求现代科学，但到了有病无奈时、只能求助中医的人亦不鲜见。在这个层面上， “疗效”无疑是最强大的支撑。至于说何以会有那么多人迷恋保健品、认真去听种种养生讲座，臻于痴迷？无非是因“兜里有了钱＋求寿怕死”的综合作用。同时，民众缺乏辨别力也是重要原因之一。其中既包括对于 “正规医疗体系”的信任；也包括将一切“非现代医学的治疗方法”、江湖术士，皆视为传统医学、民间医疗方法的认识误区。其中最典型的莫过于宣称冬病夏治的“三伏贴”。事实上“循证医学”已经影响到了中医界，也确实有官方课题对“三伏贴”的疗效进行过实证研究。但我们所能看到的，往往仅是像《循证医学与中医药》一书中所收的“正面报告”——即如何用实验手段证明“确实有效”。 b. 否定——坚决拒绝、存药废医、吃药＋骂、误读文本民国以降，名人中誓死不吃中药者有之；当代科学教育的结果，也造就了一些这样的人。例如科学院机关有一个人，因老婆给孩子吃了点治感冒的中药而打架；又据某所人士说，一位院士居然坐在医务室门口，看谁拿了中成药，就要教训一番，责其扔掉！较多的是主张存药废医。本所（中科院自然科学史研究所）有位洋博士常常提起：中医救过我的命，但我还是要骂中医！这就有点不讲理了。而不讲理的本质，难道不是一种不科学的态度吗？治好你的病、救了你的命，可以说是一种“现象”，难道不应该想想这个现象背后的原因是什么吗？退一万步讲，也该说：学问有专攻，只是我不懂、也不想研究而已吧？所谓 “误读文本”仅限史学家、文化人——将清代民国文献中的《废医论》解读为“废除中医”之论。 c. 科学史家的评论值得一提的是两位物理或化学出身的科学史家的说法。袁江洋教授对中医的评价是：惟一传统可以与现代科学对抗的特例；而董光璧先生的话：是 “在世界科学发展史上，惟一可以写一笔”的。两位所言虽然不是“存活之因”，但同为自然科学出身的科学史大家有如此看法，的确是很有意思的。值得业内人士深入思考——毕竟活有活的理由，死有死的原因。需要附带说明的一点是：董先生的话，早在 1953 年毛主席就说过类似的。不过董先生无疑是基于是否具有“原创性”的视角。二、传统医学的基本特点 1. 科学性话题一旦进入 “传统医学”，最难说清、有分歧的焦点莫过于“科学性”。中医研究院更名“中医科学院”不足以证明“中医就是科学”，甚至是“可笑之举”。承认“疗效”、值得研究研究、保护，不仅不等于承认其科学性，反而恰恰是否定。大谈“前科学”“潜科学”和“未来科学”，于事何补？或一方面批判“科学”不是什么好东西——机械论、片面性、见物不见人、耗子点头（动物实验）；一方面又声称自己的知识体系才是“科学”的——整体观、关注的是“人”而且是“活的人”。在科学与否的问题上陷入自相矛盾、前后矛盾，无一致定义的概念使用。 1.1 科学“概念”（定义）的不确定性众所周知， “科学”并没有一句话即可说清的简单、明确定义。丹皮尔《科学史》开篇说：“Science”一词语源的拉丁语 Scientia（泛指学问或知识）；或与之最为接近的德语对应词 Wissenschaft（包括一切有系统的学问）最接近的内涵。从这样的角度讲，中医，无疑是一门“科学”。但科学史家刘钝教授在“纵谈”中国古代科学发展史时，就涉及中国古代科学的研究传统中“天、算、农、医”四大学科，给出了是 “学”而非仅仅是“技”的 4 条理由（或称评价标准）：（1）各有理论体系；（2）各有流传千古的代表作；（3）各有共同遵守的学术规范和特定的专业术语；（4）各有领先世界的学术代表人物。刘钝教授在深思熟虑中国古代有无“科学”，其发育较早、发达程度较高的几个知识体系是否可称科学的问题时，较为柔和地称其为“学”、为学科，可以说既考虑到以丹皮尔所论为代表的看法；同时也照顾到科学发展到今天所具有的特点。《走进殿堂的中国古代科技史》，讲述了中国古代科学发展的情况，亦有介绍中医学的发展史。然而这似乎还是没有回答是科学吗？我个人的理解、实践与应用而论，其中确有并非仅限 “技术”的成分，仅用“经验”“有效性”就能解释的重要理论内容，至于是否符合“科学”的定义，无需纠缠。而值得了解的、最重要的就是“阴阳学说”的实际运用： 1.2“阴阳学说”的实际运用为了便于大家理解，我用数轴上的 “0”点表示健康状态，用传统的话说，就是所谓“阴阳平衡”的状态；在 0 点两边无疑可有无限多的数字，用以代表各种疾病（用传统的话说，叫做“千般疢难”）。假设以数字“5”代表最常见感冒的话，那么所谓中医、西医并不难对话。而中西医有何区别呢？关键在于这些数字前是否带有正负号！例如：非典，就是非典，没有带“＋”号的非典或带“－”号的非典。但在中医眼中、在中医学里强调的恰恰就是一个疾病或某种病症表现，皆有正负属性之别。这就是所谓“辨证论治”的精髓或含义。正如李约瑟在其所著《中国科技史》中称此为 “古代中国人能够构想的最终原理”。然而尽管可以说这是中国古代先哲思维活动中最富哲学味道的理论构想，但绝非口念“《黄帝内经》曰：阴阳者如何、如何”就能治病。就不同的疾病而言，具体的治疗方法当然情况各异，但这一条无论如何都是最根本、最重要的原则。我经常从这个例子切入、用这种方式为执现代自然科学为业的人士，甚至外国人讲解中医，他们居然都能听懂，甚至会说： “如此说来，两相比较，当然是中医更好一些；这样的理论，确实有其不可替代的价值。”限于时间，仅举个最简单的例子：口疮。 a. 百姓常识：“上火”；对策：多喝水、水果，禁辛辣；西医：维生素 B2 缺乏，药片补充。 b. 当代中医：通常与“百姓常识”一样，只不过在饮食宜忌外，会加上所谓“清火”的中药，例如牛黄解毒之类的药物。但请注意，其一是不管用什么药物，其在理论认识层面上，只达到了“百姓常识”的水平；其二，根据西医知识，推荐患者吃些“富含维生素 B 类”的食物，或给予“富含维生素 B 类”的草药——这里既体现了前述“潜移默化”的影响，也代表着支持“存药废医”——聚焦其中有效成分者的思维方式，甚至可以说是最常见的中医“科学化”的一种表现。 c. 久治不愈：在面对一个吃了大量维生素 B2、牛黄解毒，却仍久治不愈的患者时，怎么办呢？先说西医：由于有日益发达的理化检测手段，因而在此类黏膜溃疡久治不愈患者的常规检验中，有时会发现白细胞分类中：嗜酸性白细胞增多。于是便出现了一个新的病名：嗜酸性白细胞增多症。治疗药物是：常规、维持量的皮质激素。 d. 再说中医：如果是一个真正的中医，那么他会从方方面面的身体状况，例如面色、嘴唇和舌的颜色，以及脉相等（即所谓望闻问切的“四诊”）辨别一下是“虚”证（－号）呢？还是“实证”（＋号），然后给予“能够引导其走向 0 点的药物”。一旦有效，当你问他“为什么”时，作为一个传统中医，通常会很得意地说：病有虚实寒热，要辨证论治啊！——仅此而已。而且会就此贬斥西医： “说一千、道一万，能治好病才是硬道理！”“激素的副作用多可怕呀！”——确实可怕！而作为一个拥有现代医学知识的好医生，能够给出的解释，或许就会比传统中医的 “阴阳之论”深刻一点：当黏膜的血供、营养不良时，往往会溃疡（坏死）。如果能给出这样的解释，是否更有利于解释这个不符合“一般规律”患者“口疮”疾病的原因与本质？是否有利于普通具有科学常识的公众理解“虚无缥缈的阴阳理论”或“中医是怎么治病的”的问题？许多问题或许都可能因此获得解释。因而，由此观之，西医也好、现代生命科学知识也罢，对于一个真正有头脑的中医来说，绝不是坏事；而是可以使其从更深层面理解自己知识体系价值所在的必要条件。然而 “黏膜的血供、营养不良时，往往会溃疡（坏死）”乃是现代西医课程中所教授的知识呀，那么西医怎么反而会忽略，只有 B2 缺乏一种病因解释、治疗方法呢？最根本的原因就在于为疾病、症状带上正负号，不在其思维方式中；甚至可以说，这就是中西医的本质区别所在。当然，西医知识沿着自己的固有轨迹发展，也有类似的进步。例如“胃动力药——吗丁啉”就是一个很好的例子：胃 “动力”不足，已然与传统的病因思考有了本质的不同，甚至可以说与中医所言“气虚”等有异曲同工之处。但一定要注意：由于基本思维方式的差别，这样的思考在西医中不会成为一条“基本原理”，只能一病一说。——这就是科学的性格！此外，值得说明与强调的大概还有：无论古今，中医学中都有大量针对某一具体 “症状”的治疗方法，如头痛吃什么药，某种植物能治某病。这就是“经验医学”的基本属性。例如出自葛洪《肘后方》的青蒿治疟，就是一个典型例子。这些记载，既有经验性的，也有大量是基于类比思维。在长期的历史进程中，有些经过“试错”被淘汰了；但国人又有追求“大成”（大而全）的习惯，凡是前人说过的，全部纳入编纂内容。如此便成了浩如烟海、汗牛充栋的医学著作。但另一方面，运用“阴阳学说”，区分某种“症状”、疾病表现的阴阳虚实属性，又确实是中医的一大特点。同时，对于药物的认识，也出现具体治疗某病（主治）之上的抽象认识（功能），例如补虚、清热等（表 1）。表 1. 中医的病症与治疗症状、病 →（抽象）→证：阴、阳、寒、热、虚、实、气滞、血淤…… 药物主治 →（抽象）→功能：滋阴、补阳、温阳、清热、补虚、理气、化淤…… 于是一条超越某病用某药、某药治某病的 “理论知识”便形成了：只要两方的抽象属性相对，治病的原则“法”就成立了。至于说具体使用那种药物“方”（药方）当然是次要的，具有极大的灵活性（表 2）。表 2. 中医的治病方法（证）抽象的病因、疾病的本质 ← ○ →抽象的药物作用（功能）当西方医学传入后，中医开始思考究竟什么才是自身最重要的特点？与西医的本质区别究竟是什么时， “辨证施治”的概念才逐渐明确被提出。正如文史学家在研究这个问题时指出：“症”与“证”在古代并无如此明确的区别。上述这些 “精华”，似乎足以说明中医的一些本质。但当我与同事郝刘祥教授谈这些“中医特点”时，他总是说：一点不新鲜，在物理学发展史中都能找到相同的事例。谁说理论就得来源于现象的归纳？谁说理论就得被证实？谁看见过电子？……我宁愿同意这些是真理，但就是不要使用“科学”一词！ 2. 文化解读传统医学与传统文化血肉相通，甚至毋宁说就是母体文化之子，这当然一点问题都没有。概言之，所谓 “文化解读”基本可以归为三类： 2.1 中医文化学中国医学史的研究大致经历了三个阶段。初创阶段，以史料收集为主，然后按政治朝代、史料属性分为章节。主要包括：人物、著作、疾病、药物、制度等方面。其后，在 “增强民族自信心”的导向下，出现了一个被称为“成就派”的时代——世界第一、科学成就、发现更早记载等成为学术导向。但近几十年来，在内外两种动力的影响下，注重从与传统文化的关系研究、解读代表人物的思想、经典著作的主旨，乃至学术发展的源流等方方面面的历史，已成主流。于是出现了一些自称“中医文化学”或“中医文化人类学”的著作，并努力获取“独立学科”的地位。尽管在侧重点、细节等方面不能说没有自身特点，但视其仍属“医学史”范畴亦无不可——尽管他们自己决不认可。 2.2 故事、外史此类著作比较杂，值得一提的是肇始于台湾 “中央研究院历史语言研究所”的“医疗疾病社会史”。其发起人谓：研究半生，关注的都是政治、经济、社会，对于“自身”却疏于关注。无暇详述，举一篇在该地备受好评的论文，可窥一斑： “称病的历史”即古代臣子感到皇帝有疏远、厌烦自己之意时，便“称病请退”——求皇上允许告病还乡。若合了圣上心意自然一拍即合；如圣上并无此意，自然挽留。文章内容固然围绕“病”字展开，但实际上并无其实，只是“称病”而已。该文报告于“疾病史国际会议”，当地评者称赞：将疾病史的研究拓展到“诈病”云云。目前，此类研究已渐成蔚然大观；论著极多。如何评价？仁智所见不同。 2.3 文化“强纲领” 借用科学社会学中的 “强纲领”一词，略示两例，以明某些彻底否定传统医学“科”“技”属性的表现。2006 年 7 月 27 日经中华人民共和国民政部批准，登记注册的中医哲学专业委员会成立大会议上的主流声音（共识）是：“中医是个哲学问题；中医的研究，就是哲学研究。”问题是谁又能用“哲学”看病呢？人们一旦有恙，恐怕谁也不会不去医院吧？ 2010 年 12 月 15 日，“中医针灸申世遗成功”后召开庆祝研讨论坛。几位“要员”发言： a. 中医科学院某所长、该次申遗的操刀者：“要尊重非物质文化遗产！今后谁再说要研究经络实质、研究穴位，就是不尊重！” b. 社科院某教授：“人们总要弄个对错，要弄清‘本质’，好比佛教所言，与中国、西方圣人所言皆不同，能说谁对谁错吗？” c. 两位官员共唱：“世界讲科学，原子弹，末日、自毁……必须回归中国文化！” d. 最有意思的是以从事经络实证研究著称，发表论文百余篇的某教授，学术名片上显示如此标准的一位科学家，如此之多的实证研究，但当有人问他“经络如何发现？”时，他回答：“确实不知道。《黄帝内经》是‘天书’，那就是‘天授’的呀！” 该次论坛的主导言论是：古人比现代人聪明多了；科学的罪过罄竹难书；以文化看病足已。我觉得实在没必要再对这些言论详加评述！ 3. 传与统——得“传”、成“统”的体系 Tradition 一词最基本的含义，是指将文化从一代人传至下一代，且尤特指通过“身授”或“口耳相传”的方式实现传承。中国古籍中“传统”一词盖不鲜见，自记述东汉历史的《后汉书》开始，即可见到诸如“国皆称王，世世传统”之类的话。但在编纂水平非常高的工具书《辞源》中，却查不到这个词？原因何在？难道真的是 “智者千虑，难免有失”——漏掉了吗？其实不然，而是因为“传统”二字连用，在古语中实属“动宾结构”，或者说已经构成了一个句子——所谓“统”，乃特指“皇权”而言。因而延续下来，“传统”在汉语中虽然成为了一个固定的名词，但两个字却仍旧寓含者不同的意思。传：是时间坐标，表示世代相承；统：是空间坐标，是相对于冗杂的“边缘”，以及那些可以被扬弃的“存在”而言，承载其精华、关键的“核心”。就“时间坐标”而言，与 Tradition 有相通之义；但却没有特指“口传身授”之方式的意思。因而我们在思考什么是中国传统医学，则需要思考其“传”和“统”两方面的问题。概言之，在中文语境下，所谓“传统”，当指那些“得传”、“成统”的知识；而这样的知识，自身必然构成了一定的体系！另外，西方人论“传统”，一是谈到“传统”有大小之分，二是论“传统”有真伪之别，都很有意思。（ 1）大小传统：社会中存在着两种传统。一种是由少数人创造与传承的大传统；另一种是由多数人创造与传承的小传统。意思很明确，没有必要再解释；但却值得联系实际问题、认真体会：对于任何一个社会、任何一种文明的成长与进步来说，究竟是 “少数人创造的大传统”重要，还是“多数人自发秉承的小传统”重要。（ 2）真假传统：英国学者所编《传统的发明》一书，则是通过一些具体事例来说明：某些貌似历史悠久的传统，其实出现、存在的时间并不很长。例如，英国君主制在公共仪式中的盛观显得是如此古老，并仿佛与无法追忆的往昔紧密相联，在此方面没有任何事物能与之匹敌。然而，现代形式的这种盛典事实上是 19 世纪末和 20 世纪的产物。那些表面看来或者声称是古老的“传统”，其起源的时间往往是相当晚近的，而且有时是被发明出来的。又如当代苏格兰人穿着格子呢的褶裙、吹起风笛的 “民族传统”，实际上也并非伟大的古代遗风，在很大程度上是现代的。这种载体是英格兰与英格兰合并以后（其中某些因素甚至是在很久以后）才发展起来的，在某种意义上它是对英格兰的一种抗议。在合并之前，它确实以一种残留的方式存在；但大多数苏格兰人视这种形式为野蛮的标志。实际上，关于独特的高地文化与传统的整套观念都是一种追溯性的发明。（ 3） “纳入传统”——中医家族新成员：那么，在所谓“中国的传统医学”中，是否也存在着这样的情况呢？回答是肯定的。例如： a. 耳穴、耳诊、耳针：1957 年，法国针灸医师诺格尔（P.Nogier）将他所发现形如倒置胎儿投影的耳穴分布图，公诸于世。中国的反响是：古已有之；并据《黄帝内经》、经脉学说，加以解释。但法国人所论，与中医著作所言，实有本质区别：关键在于中医方面没有 “耳穴”分布形如“倒置人体胎儿”之说，而不过是按照五行方位，将五脏列于耳上。也没有据此形成的诊断和治疗方法。1964 年，这位来自大洋彼岸的“外籍人士”——耳针，才作为“附篇参考资料”，收入中医高校《针灸学》教材，从此获得了“传统医学”的身份证。 b. 足疗：与耳针同类，同样都是基于“局部是全局缩影”理论构想而成的足疗。也是在相当晚近之时才由台湾人创造，并传播到大陆的，现今已风靡之极。如果追索一下中医，包括民间疗法，对于“脚”的利用，原本不过就有热水泡脚、搓足心的“涌泉穴”以养生而已。 c. 刮痧：据相关学者的研究，这种“民间疗法”也是因一位台湾人于20 世纪 90年代开始在大陆传扬才流行开来。迄今在正经的学术刊物上已有上千篇学术论文。 d. 拔罐：其历史更是极为有趣。清代书籍中屡见记载说：近来常见医生用这种方法为人治病如何如何。而在《清宫档案》中又有：1898 年，法国医官应邀为光绪皇帝看病时，向他介绍“西洋有拔罐疗法、治疗腰痛非常有效”的记载。同时还请注意：与“耳针疗法”一样，这种“民间疗法”，也是在 20 世纪中叶、中国开始系统编撰新式“中医学教科书”时，才作为“附”列于“针灸治疗·灸法章”下，并由此获得了跻身“传统”的正式身份。 e. 气功疗法：原本与佛、道两教修炼密切相关，独立存在于医学之外；1933年董志仁著《肺痨病特殊疗养法》，首见“气功疗法”一词；1959 年编入二版《中医学概论》；1964 年成为“路线斗争”的载体；1981 年平反；此后再次以所谓“气功科学”“中医养生方法”的身份进入正规医院、高等院校、中华医学会。总之，无论社会民众，还是在学术界中；无论是在中国，还是世界卫生组织，最为通行的看法是：凡是与主流医学 ——西医不同的一切其它医学理论、治疗方法，都是“传统医学”。然而这种看法其实未必准确。因为我们完全有理由说：在中国，中医和其他各种所谓的“民间疗法”的关系，同样可以表述为“主流”“主体”与“边缘”。另外，对于确实存在于社会之中的 “江湖行为”，更是要有明确的认识——你总不能像 WHO 那样，将这类“江湖术士”及其“治疗行为”也称为“中医”、纳入“中国传统医学”的体系吧？同时，还要看到：所谓 “转型”——变化，其实无时不在。一方面，正像上面提到的，来自异文化的“耳针”，来自所谓民间疗法的“足疗”“拔罐”，与佛、道两种宗教修炼密切关联的“气功”，在一定的环境条件下、经过一段时间，已经在某种程度上“融入”到了主流之中，成为“传统”的组成部分。因而，“传统”并非一成不变。不仅有新的元素融入，而且会不断有所淘汰。更为关键的一点是“扬弃”。中文的“扬弃”一词，来源于日语；日语，来源于德文。早年中国的哲学家解释说：“好比给婴儿洗澡……”后来被解释为：抛弃旧事物中的消极因素，发扬其中的积极因素。但作为黑格尔辩证法中的一个重要哲学概念，其本义是指：某一命题在被反命题否定的过程中，在更高层面上产生出新的综合。如果套用美国科学哲学大家的解释，也可以解释为：创新，并非一定是指发明、发现；对于现有知识的重组，形成新的概念，也是一种“创新”。中医学的基础理论体系也好，治疗技艺也罢，无不是在如此过程中经历了大大小小、无处不在的重新整合、取舍变化，才形成了一个今日所见的“体系”或“传统”。 4. 何谓“传统医学”与“中国传统医学” 在 WHO 文件中，“传统医学”不过是被定义为一个“工作概念”——为表述需要与方便而设立。包括各种成体系的医学知识，和所谓“民间疗法”。至于何谓“中国传统医学”？这个话题看似“初级”，其实并不简单。有次一位身为博士导师、主任医师的同学，参加人大会议，被高层领导问到这个问题，竟一时“语塞”——不知该如何回答。回来后微信询问同僚，但最终并未得到满意的答案。可见许多业内人士也未必能够想得很清楚明白，我自己当然也是如此。但这个问题确实不是可以用一两句话表述清楚的。因为其中不仅牵涉“国家”与“文化”间的歧义，甚至还要涉及“文化圈”。（ 1）首先，“中国传统医学”无疑可以表述为“TCM”（Traditional Chinese Medicine）。（ 2）但是，外国人所言“TCM”，或其汉译，所指却仅仅是“中医”——即：中国汉族的医学，而“中国传统医学”，则必须包括汉族，及其他各少数民族的传统医学。关注两种文字表述间的差异问题，并非咬文嚼字、文字游戏。而是有助于我们把一些司空见惯，以至忽略无视的问题，考虑得更全面、更深刻。这是看似同义之两种文字表述间所存在的第一点差异。即：政治、疆域的 “国家概念”，和以其主体民族作为该国家“主体文化标识”间的不同。这种差异，并非仅仅存在于中国，例如“印度”与“印度文化”间，也存在着这样的问题。（ 3）另一方面，有位韩国学者，认为应该取“Chinese”的另外一个意思——“汉字的”来概括存在于不同国度的这个医学知识体系，才更符合“中医”与“TCM”的本意，同时还可以弥合两种表述方式间的差异。这种着眼于“汉字文化圈”之文化共性的看法，确实有一定道理，也更容易被中国之外的各方人士所接受。但具有政治敏感性的学者，这种观点背后所隐藏的，实际是“去中国化”的意图。例如在日本，已经开始用 “东亚医学”取代自古以来所使用的“汉方”一词。世界各国学者汇聚的“中国科学史国际会议”，至 1987 年在日本京都召开第七届时，被美国和日本的学者更名为“东亚科学、技术与医学国际会议”；迄今，在相关国际组织中，拥有机构组织投票权的，也是这一学会。总之，这些问题虽然超越了 “医学知识”的范围，但却自古以来就与世界各地、各种医学的发生、发展、演变存在着千丝万缕的联系；关系到传统医学的思考与解释。所以，应该知道我们此时此刻所言“中国传统医学”，其实不过仅仅是就“中医”（汉族医学）而论。或者说我们是像外国人一样，是站在“主体文化标识”的立场来谈 TCM 的话题。简单概括一下 “传统医学”的概貌：其一，放眼世界，可以概分为西方、东方、中间地带三大块。然而在很多大学者的论著中，尤其是那些聚焦中国文化优越性，或眼中只有中医、西医两种医学知识体系者，通常只分东西方。但我以为作为欧亚大陆文明带的中间地带，无论是在宏观的文明、文化方面，还是具体到传统医学，都有其自身的特点。其二，西方在近代生物医学兴起前，同样有各种传统医学存在。即便享誉 “医学之父”的希波克拉底，由于其知识体系完全是植根于自然哲学，同样也属于传统医学；甚至可以说近代西医的特征，恰恰在于彻底背离了这个传统知识体系。其三，在各种传统医学知识体系间，存在着极为复杂的相互影响关系。例如印度的 “尤那尼”便是印度化阿拉伯医学的名称，而阿拉伯医学又与希腊医学具有密切关系。就东方而言，历史上基本都承认汉文化的先进性，所以通行汉方、汉医之名，但近年来，为凸显自身民族文化的独立性，其传统医学的名称亦有所改变。其四，关于中国多种少数民族医学，没有时间细说。要点有二：（ 1）注意其地理位置：几个被公认较为发达、内容丰富、自成体系的民族医学，主要集中在西北部，如同一知识体系的藏医、蒙医，维吾尔与回族医学；即便是西南边陲的傣族医学，其在理论上秉承的也是外来的“风、胆、痰”三要素说。（ 2）尽管在国家导向、文化研究无所不及的热潮下，有关各种民族医学的著作层出不穷，但只要细观具体内容，便能发现水平参差不齐；有些甚至表现为：说传统，无非巫医、草药；谈发展，则是共和国时期的现代化进程。故前国家中医药管理局一位专管民族医学的副局长在会议发言、出版的论著中强调：“要实事求是，有则有，无则无。”（，页 3）在如何宏观把握上，我以为非常重要的一点是有关“民族”的定义。我曾看到一种与既有传统说法全然不同的定义，引用如下：归根结底，民族医药的存在与发展决定于内因。但外因过于强大之时，扼杀和消灭都是有过先例的。 ……必须实事求是，有则有之，无则无之，多则多之，少则少之，不忽视，不遗漏，不硬扯，不拼凑，不受不正当的社会风气和学术风气所左右。（，页 4）简单说，即：在同一时点，处于不同发达程度的群体。由于这个说法无疑含有强烈的“高低之分”意识，故我特别请教国家民委科教司司长：是否可用？他考虑良久后回答：可以。提供给各位“仔细体会、谨慎使用”。三、史学研究的重要性 1. 三维视角如果有人问 “史学视角的必要性”，回答：不管你的资料多么丰富；即便你强调自己使用各种西方的新视角、新思想、新方法；即便你臻于“内外史结合”、拥有 STS 的宽泛视角，却仍有可能是将不同时代、不同含义的资料置于一个平面上进行考察，难免不出现“关公战秦琼”那样的笑话。如果增加一个“时间坐标”，情况就完全不同了。相信各位对一张照片都不陌生 ——2016 年巴西奥运会，飞鱼菲尔普斯“代言中国火罐”，据此点赞中医者甚嚣尘上。在此之前，中医数以千计、以万计的有关“拔罐”疗法的学术论文中，但凡追溯源流，都会将拔罐的起源上溯到1973年马王堆出土（墓葬年代为公元前168 年 - 西汉时期）的医书中的 “角法”——利用动物犄角作为拔罐工具，故称“角法”。牡痔居窍（肛门）旁，大者如枣，小者如枣核者：以小角角之，如熟二斗米顷，而张角，絜以小绳，剖以刀。可根据此段文字想想实际操作的场景。首先，就用途、用法而言，都与后来所说的 “拔罐”完全不同——小头向下、吸出痔核。但确实可称“角法”——因为器具是“角”。可就“负压在医疗中的运用”写一篇论文。其次，在操作过程中，医生几乎需要将脸贴在患者的臀部长达“煮熟一锅饭”的时间。怎么可能是民间疗法呢？但对于宫廷医生来说，除去客观需要，岂不恰好也是献殷勤、表忠心的好机会吗？ 2. 横向比较其次，则是要尽量开拓眼界，避免 “井蛙”之误。我们仍以拔罐为例，西方称为“杯吸”之术的相关记载，远比中国丰富，时代同样久远；尤其是理论阐述更是系统、完整。而最古老的工具，也同样是动物之角。虽技术发展，逐渐被玻璃器皿取代。大约在 16 世纪前后荷兰医学率先传入日本时，形成了这样的情况：虽然早有中国文献存在，但实际早已荒废不用；兰医到来，才重新出现广泛使用玻璃器皿拔罐的情况。而这时，在清代文人的著作中也开始出现“近来，见医家使用玻璃罐为人治病”的记载；以及如前提到法国公使馆医生向圣上推荐可以使用“我们西方医生的拔罐方法，治疗腰痛”的记载。至于这中间是否存在“逆输入”的问题，讨论起来就太复杂了。光绪二十四年九月初四，法国驻京使署医官多德福，蒙约诊视大皇帝。蒙允听诊；用化学将小水分解，内中尚无蛋清一质。知由于腰败矣。至于施治之法，（休息、日食人乳或牛乳、外涂洋地黄末），西洋有吸气罐用之，成效亦然。四、结语总之，史学视角，很重要。研究方法，要从精细个案入手，先把一件事做扎实；然后，连点成线、线多成面、面多成体，逐渐构建起自己的 “解释体系” ，这就是 “历史”，是你的“某某史”。在这个过程中，竖起耳朵、瞪大眼睛，努力从他人和其它学科中汲取养分，充实自己，必有所成！参考文献赵洪钧 . 回眸与反思：中西医结合二十讲 . 合肥：安徽科学技术出版社， 2007. 陈可冀主编. 循证医学与中医药 . 北京：中医古籍出版社， 2006. 霍布斯鲍姆，兰格编 . 传统的发明 . 顾杭，庞冠群译 . 南京：译林出版社， 2004. 诸国本. 中国民族医药散论 . 北京：中国医药科技出版社， 2006. 马王堆汉墓帛书整理小组编. 五十二病方 . 北京：文物出版社， 1979. 87. 陈可冀主编. 清宫医案研究(下册） . 北京：中医古籍出版社， 2006. 1509—1510.; 个人分类: 医学史话|0 个评论

英国大妈脱欧海啸冲击波漫谈之二：保守党赢了工党崩了: 热度 4 laserdai 2016-6-27 07:09; 英国大妈脱欧海啸冲击波漫谈之二：保守党赢了工党崩了英国公投脱欧海啸产生的第二轮冲击波，把工党给摧垮了。这次公投是执政党保守党掀起的。公投就跟翻硬币一样，谁知道是哪面朝上？为此，保守党做好了两手准备，不管结果如何，退欧留欧谁赢，天下还要是保守党的天下。于是，经过密谋，保守党派出两支先遣队，一支是首相卡梅伦带领中国女婿——财相奥斯本，绝对拥护留欧；另一只是伦敦前任市长鲍里斯和部长戈夫，绝得要求退欧。这样安排的结果是，其他党派不管支持还是反对，都只能跟着这两支先遣队走，公投结果出来后，必然一只先遣队赢，那么，胜利的果实就依然还在保守党。结果你看，很多年猛吹脱欧的那个独立党和党魁法拉奇就这样被保守党算计了。他被挤压成了小三，本来他是脱欧的老大。上回书说到，开票刚开始的时候，他差点找座三十层高的楼跳下去。脱欧派最后赢了，但是他只分到了一个枣子，西瓜南瓜照样送进了保守党仓库。最终结果出来以后，卡梅伦淡然宣布辞职，过度到 10月份等新首相出台。哪有这么罗嗦的？以前英国选举都是一边在唐宁街10号前面宣布辞职，一边在后门由工作人员搬东西。没有详尽的阴谋预谋，不会这么临危淡定的。这淡定就是隐含了一个巨大的阴谋。随后，大家开始讨论谁会成为下一任首相，进行脱欧谈判，焦点就指向一个人，鲍里斯。等着瞧，不会有悬念。人无远虑则有近忧，人有远虑则无近忧，保守党这次做得好： 1。保住了天下，2。挤兑了独立党党魁法拉奇，这小子可是栽树浇水忙了不少，结果没有得到主要功劳，3。把工党搞垮！工党和保守党是英国两大政党之一，轮流执政，以选票决定谁为主。所以，保守党的真正对手是工党，只要把工党搞垮，他必然很多年喘不过来气，那么天下就是保守党的了。所以，一开始，保守党就设置阴谋诡计，派出两个先遣队。工党看出来了保守党的诡计。干脆拖字诀。就是，工党也说支持留欧，就是不卖力气。任何宣传场合，都是走过场， “ 拉着手闸开车 ” 。结果选票出来，铁杆脱欧的那些地区（超过 60%）都是工党的传统票仓。所谓传统票仓，就是无论怎们选，这些地区总是工党胜出，比如上文提到的桑德兰选区。所以，桑德兰的结果一出来，英国立刻明白，这次脱欧赢了，因为铁杆工党选取必然都是大比例脱欧的。脱欧结果出来以后，不必说汇市股市下跌，英国群情激昂。保守党的诡计继续发挥巨大作用，这脱欧的主要责任就来到了工党头上。面对如此大的压力，工党受不了，一位影子部长公开斥责工党领袖科尔宾，被科尔宾立刻宣布免除职务，结果众多工党高层人士开始反击。工党分裂就在这星期。保守党看着这些结果，想到自己的损人利己的诡计，暗中笑得合不拢嘴！看看一些新闻把：英国工党影子内阁出现辞职潮, 科尔宾（左）和本恩矛盾加剧 Image caption BBC政治事务编辑昆斯伯格之前获悉，多达一半的影子内阁成员即将辞职，希望以此迫使工党领袖科尔宾下台。已有11位英国工党影子内阁成员提出辞职，最新提出辞职的是影子内阁的下议院领袖克里斯·布莱恩特（Chris Bryant）。辞职者包括影子内阁的卫生大臣、苏格兰大臣、交通大臣以及教育大臣等。工党领袖科尔宾已发表声明对影子内阁出现的大规模辞职表示遗憾，并表示将在24小时内重组影子内阁。除了这11名辞职的影子内阁成员外，科尔宾解除了影子外交大臣本恩（Hilary Benn）的职务。克里斯·布莱恩特称，工党需要新人来实现团结。他随后在社交媒体上公开了自己的辞职信。辞职信称，“ 科尔宾对于公投的矛盾态度欺骗了整个工党。（这种行为）让整个年轻一代感到失望。” 陷入党内信任危机的工党领袖科尔宾却拒绝辞职。他的发言人称，“科尔宾是工党自己选出的领袖”。本恩在BBC周日（26日）早间新闻节目中说，公投之后英国处于“关键时刻”，工党需要“强有力、有效”的领导人监督执政党，他已经对科尔宾“失去信心”。 23日英国举行的公投中，工党的立场是支持英国留在欧盟。在英国选民以52%对48%选择脱离欧盟之后，科尔宾被指在之前拉票过程中努力不足，面临党内不信任投票。长期以来，科尔宾一直对欧盟持批评态度，被认作是多年以来最为“疑欧”的工党领导人。在本恩连夜被开除出影子内阁之后，影子卫生大臣亚历山大（Heidi Alexander）周日一早宣布，她已经“心情沉重”地提出辞呈。 BBC政治事务记者梅森说，一些工党影子阁员认为科尔宾在公投前“拉着手闸开车”。梅森说，更为重要的是，许多工党议员认为，既然卡梅伦已经辞职、很快将出现新首相，英国举行大选的日期可能会提前。如果科尔宾继续担任党魁，工党在大选中前景不妙。不过梅森还警告，不管议员怎么想，他们并不一定能赶走科尔宾，因为基层许多党员认为科尔宾相当棒。; 个人分类: 社会文化历史|4802 次阅读|8 个评论

漫谈科学和技术: 热度 8 x2t6j8 2015-1-29 16:09; 科学和技术分属于不同的范畴，可是二者又联系紧密，相辅相成，相互渗透。科学主要是认识社会和自然，采用科学研究方法可以发现及阐明自然和社会规律。无论做什么事，若不按科学规律办，就会受挫折。而技术则是利用自然，改造自然。------ 各位好友：本文仅保留引言，若有好友需用全文，请通过yjtwxz@163.com联系。谢谢！; 个人分类: 科学技术|2996 次阅读|13 个评论

漫谈“过上好日子”: 热度 1 黄安年 2013-4-2 14:55; 漫谈“过上好日子 ” 黄安年文黄安年的博客 / 2013 年 4 月 2 日发布 “过上好日子 ” 是许许多多人的理想和梦想 , 因为所想和现实往往有较大的距离 , 经常遇到的是日子过得不那么好 , 或者很不好。多年来 , “过上好日子 ” 也是各类党和政府对人民的竞选口号和承诺。但是怎样“过上好日子 ” 却是有许许多多的历史经验教训的。例如我们曾经宣扬“苏联的今天，就是我们的明天”，结果，这条苏联道路并没有给我们带来过上好日子。我们曾经宣扬“打土豪 , 分田地”“过上好日子”；三面红旗（人民公社、大跃进、公共食堂）“过上好日子”，结果，这种劫富济贫、平均共产主义式的分配制度，也没有带来“过上好日子”。我们的领导人曾经宣扬阶级斗争为纲，甚至发动“文化大革命”，“打倒走资派”来“过上好日子”，结果呢 , 搞得几乎国破家亡，老百姓过上苦日子。改革开放以来，我们的生活确实有了翻天覆地的变化 , 开始摆脱一穷二白的困境，一部分人富裕了起来，但是还有一部分人很贫困 , 没有富裕起来，经济快速发展有些以牺牲环境和下一代人 “ 过上好日子 ” 为代价，这样的“好日子”是不能持久的，也不是人人共享、世世代代共享的“好日子”。 “过上好日子”，要劳动致富，不能搞歪门邪道，通过非法的掠夺他人和国家财产致富。对于国家和政府而言 , 不能通过掠夺战争手段，损害他国利益才掠夺致富，那样的“好日子”，不是我们应该走的道路。官员践行“过上还日子”，不能自己先富、家族先富 , 穷了、苦了老百姓的“好日子”。 “过上好日子”，不能一步登天 , 要一步一个脚印地走，把我们梦寐以求的目标一步一步地努力来实现。千里之行始于足下。宁可自己过上紧日子，也不能让我们的下一代继续苦下去！好日子，是干出来的。在中国要人人过上好日子，需要齐心协力，坚持不懈的沿着正确的道路和科学发展的思路走下去，让好日子的理想和梦想，变成看得见、摸得着的，有盼头 , 有指望的现实。让老百姓感受到的好日子。; 2001 次阅读|1 个评论

[转载]漫谈 Clustering: 热度 4 JRoy 2012-10-11 00:38; Clustering 中文翻译作“聚类”，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在 Machine Learning 中被称作 unsupervised learning (无监督学习)。漫谈 Clustering (1): k-means 那么让我们再回到 clustering 的问题上，暂且抛开原始数据是什么形式，假设我们已经将其映射到了一个欧几里德空间上，为了方便展示，就使用二维空间吧，如下图所示：从数据点的大致形状可以看出它们大致聚为三个 cluster ，其中两个紧凑一些，剩下那个松散一些。我们的目的是为这些数据分组，以便能区分出属于不同的簇的数据，如果按照分组给它们标上不同的颜色，就是这个样子：那么计算机要如何来完成这个任务呢？当然，计算机还没有高级到能够“通过形状大致看出来”，不过，对于这样的 N 维欧氏空间中的点进行聚类，有一个非常简单的经典算法，也就是本文标题中提到的 k-means 。在介绍 k-means 的具体步骤之前，让我们先来看看它对于需要进行聚类的数据的一个基本假设吧：对于每一个 cluster ，我们可以选出一个中心点 (center) ，使得该 cluster 中的所有的点到该中心点的距离小于到其他 cluster 的中心的距离。虽然实际情况中得到的数据并不能保证总是满足这样的约束，但这通常已经是我们所能达到的最好的结果，而那些误差通常是固有存在的或者问题本身的不可分性造成的。例如下图所示的两个高斯分布，从两个分布中随机地抽取一些数据点出来，混杂到一起，现在要让你将这些混杂在一起的数据点按照它们被生成的那个分布分开来：由于这两个分布本身有很大一部分重叠在一起了，例如，对于数据点 2.5 来说，它由两个分布产生的概率都是相等的，你所做的只能是一个猜测；稍微好一点的情况是 2 ，通常我们会将它归类为左边的那个分布，因为概率大一些，然而此时它由右边的分布生成的概率仍然是比较大的，我们仍然有不小的几率会猜错。而整个阴影部分是我们所能达到的最小的猜错的概率，这来自于问题本身的不可分性，无法避免。因此，我们将 k-means 所依赖的这个假设看作是合理的。基于这样一个假设，我们再来导出 k-means 所要优化的目标函数：设我们一共有 N 个数据点需要分为 K 个 cluster ，k-means 要做的就是最小化这个函数，其中在数据点 n 被归类到 cluster k 的时候为 1 ，否则为 0 。直接寻找和来最小化并不容易，不过我们可以采取迭代的办法：先固定，选择最优的，很容易看出，只要将数据点归类到离他最近的那个中心就能保证最小。下一步则固定，再求最优的。将对求导并令导数等于零，很容易得到最小的时候应该满足：亦即的值应当是所有 cluster k 中的数据点的平均值。由于每一次迭代都是取到的最小值，因此只会不断地减小（或者不变），而不会增加，这保证了 k-means 最终会到达一个极小值。虽然 k-means 并不能保证总是能得到全局最优解，但是对于这样的问题，像 k-means 这种复杂度的算法，这样的结果已经是很不错的了。下面我们来总结一下 k-means 算法的具体步骤：选定 K 个中心的初值。这个过程通常是针对具体的问题有一些启发式的选取方法，或者大多数情况下采用随机选取的办法。因为前面说过 k-means 并不能保证全局最优，而是否能收敛到全局最优解其实和初值的选取有很大的关系，所以有时候我们会多次选取初值跑 k-means ，并取其中最好的一次结果。将每个数据点归类到离它最近的那个中心点所代表的 cluster 中。用公式计算出每个 cluster 的新的中心点。重复第二步，一直到迭代了最大的步数或者前后的的值相差小于一个阈值为止。首先 3 个中心点被随机初始化，所有的数据点都还没有进行聚类，默认全部都标记为红色，如下图所示：然后进入第一次迭代：按照初始的中心点位置为每个数据点着上颜色，这是代码中第 41 到 43 行所做的工作，然后 45 到 47 行重新计算 3 个中心点，结果如下图所示：可以看到，由于初始的中心点是随机选的，这样得出来的结果并不是很好，接下来是下一次迭代的结果：可以看到大致形状已经出来了。再经过两次迭代之后，基本上就收敛了，最终结果如下：不过正如前面所说的那样 k-means 也并不是万能的，虽然许多时候都能收敛到一个比较好的结果，但是也有运气不好的时候会收敛到一个让人不满意的局部最优解，例如选用下面这几个初始中心点：最终会收敛到这样的结果：不得不承认这并不是很好的结果。不过其实大多数情况下 k-means 给出的结果都还是很令人满意的，算是一种简单高效应用广泛的 clustering 方法。漫谈 Clustering (2): k-medoids 其实从名字上就可以看出来，和 k-means 肯定是非常相似的。事实也确实如此，k-medoids 可以算是 k-means 的一个变种。 k-medoids 和 k-means 不一样的地方在于中心点的选取，在 k-means 中，我们将中心点取为当前 cluster 中所有数据点的平均值：并且我们已经证明在固定了各个数据点的 assignment 的情况下，这样选取的中心点能够把目标函数最小化。然而在 k-medoids 中，我们将中心点的选取限制在当前 cluster 所包含的数据点的集合中。换句话说，在 k-medoids 算法中，我们将从当前 cluster 中选取这样一个点——它到其他所有（当前 cluster 中的）点的距离之和最小——作为中心点。k-means 和 k-medoids 之间的差异就类似于一个数据样本的均值 (mean) 和中位数 ( median ) 之间的差异：前者的取值范围可以是连续空间中的任意值，而后者只能在给样本给定的那些点里面选。那么，这样做的好处是什么呢？一个最直接的理由就是 k-means 对数据的要求太高了，它使用欧氏距离描述数据点之间的差异 (dissimilarity) ，从而可以直接通过求均值来计算中心点。这要求数据点处在一个欧氏空间之中。然而并不是所有的数据都能满足这样的要求，对于数值类型的特征，比如身高，可以很自然地用这样的方式来处理，但是类别 (categorical) 类型的特征就不行了。举一个简单的例子，如果我现在要对犬进行聚类，并且希望直接在所有犬组成的空间中进行，k-means 就无能为力了，因为欧氏距离在这里不能用了：一只 Samoyed 减去一只 Rough Collie 然后在平方一下？天知道那是什么！再加上一只 German Shepherd Dog 然后求一下平均值？根本没法算，k-means 在这里寸步难行！在 k-medoids 中，我们把原来的目标函数中的欧氏距离改为一个任意的 dissimilarity measure 函数：最常见的方式是构造一个 dissimilarity matrix 来代表，其中的元素表示第只狗和第只狗之间的差异程度，例如，两只 Samoyed 之间的差异可以设为 0 ，一只 German Shepherd Dog 和一只 Rough Collie 之间的差异是 0.7，和一只 Miniature Schnauzer 之间的差异是 1 ，等等。除此之外，由于中心点是在已有的数据点里面选取的，因此相对于 k-means 来说，不容易受到那些由于误差之类的原因产生的 Outlier 的影响，更加 robust 一些。扯了这么多，还是直接来看看 k-medoids 的效果好了，由于 k-medoids 对数据的要求比 k-means 要低，所以 k-means 能处理的情况自然 k-medoids 也能处理，为了能先睹为快，我们偷一下懒，直接在上一篇文章中的 k-means 代码的基础上稍作一点修改，还用同样的例子。可以看到 k-medoids 在这个例子上也能得到很好的结果：而且，同 k-means 一样，运气不好的时候也会陷入局部最优解中：如果仔细看上面那段代码的话，就会发现，从 k-means 变到 k-medoids ，时间复杂度陡然增加了许多：在 k-means 中只要求一个平均值即可，而在 k-medoids 中则需要枚举每个点，并求出它到所有其他点的距离之和，复杂度为。看完了直观的例子，让我们再来看一个稍微实际一点的例子好了：Document Clustering ——那个永恒不变的主题，不过我们这里要做的聚类并不是针对文档的主题，而是针对文档的语言。实验数据是从 Europarl 下载的包含 Danish、German、Greek、English、Spanish、Finnish、French、Italian、Dutch、Portuguese 和 Swedish 这些语言的文本数据集。在 N-gram-based text categorization 这篇 paper 中描述了一种计算由不同语言写成的文档的相似度的方法。一个（以字符为单位的） N-gram 就相当于长度为 N 的一系列连续子串。例如，由 hello 产生的 3-gram 为：hel、ell 和 llo ，有时候还会在划分 N-gram 之前在开头和末尾加上空格（这里用下划线表示）：_he、hel、ell、llo、lo_ 和 o__ 。按照 Zipf’s law ： The n th most common word in a human language text occurs with a frequency inversely proportional to n . 这里我们用 N-gram 来代替 word 。这样，我们从一个文档中可以得到一个 N-gram 的频率分布，按照频率排序一下，只保留频率最高的前 k 个（比如，300）N-gram，我们把叫做一个“Profile”。正常情况下，某一种语言（至少是西方国家的那些类英语的语言）写成的文档，不论主题或长短，通常得出来的 Profile 都差不多，亦即按照出现的频率排序所得到的各个 N-gram 的序号不会变化太大。这是非常好的一个性质：通常我们只要各个语言选取一篇（比较正常的，也不需要很长）文档构建出一个 Profile ，在拿到一篇未知文档的时候，只要和各个 Profile 比较一下，差异最小的那个 Profile 所对应的语言就可以认定是这篇未知文档的语言了——准确率很高，更可贵的是，所需要的训练数据非常少而且容易获得，训练出来的模型也是非常小的。不过，我们这里且撇开分类（Classification）的问题，回到聚类（Clustering）上，按照前面的说法，在 k-medoids 聚类中，只需要定义好两个东西之间的距离（或者 dissimilarity ）就可以了，对于两个 Profile ，它们之间的 dissimilarity 可以很自然地定义为对应的 N-gram 的序号之差的绝对值。 europarl 数据集共有 11 种语言的文档，每种语言包括大约 600 多个文档。我为这七千多个文档建立了 Profile 并构造出一个 7038×7038 的 dissimilarity matrix ，最后在这上面用 k-medoids 进行聚类。构造 dissimilarity matrix 的过程很慢，在我这里花了将近 10 个小时。相比之下，k-medoids 的过程在内存允许的情况下，采用向量化的方法来做实际上还是很快的，并且通常只要数次迭代就能收敛了。实际的 k-medoids 实现可以在 mltk 中找到，今后如果有时间的话，我会陆续地把一些相关的比较通用的代码放到那里面。最后，然我们来看看聚类的结果，由于聚类和分类不同，只是得到一些 cluster ，而并不知道这些 cluster 应该被打上什么标签，或者说，在这个问题里，包含了哪种语言的文档。由于我们的目的是衡量聚类算法的 performance ，因此直接假定这一步能实现最优的对应关系，将每个 cluster 对应到一种语言上去。一种办法是枚举所有可能的情况并选出最优解，另外，对于这样的问题，我们还可以用 Hungarian algorithm 来求解。我们这里有 11 种语言，全排列有 11! = 39916800 种情况，对于每一种排列，我们需要遍历一次 label list ，并数出真正的 label （语言）与聚类得出的结果相同的文档的个数，再除以总的文档个数，得到 accuracy 。假设每次遍历并求出 accuracy 只需要 1 毫秒的时间的话，总共也需要 11 个小时才能得到结果。看上去好像也不是特别恐怖，不过相比起来，用 Hungarian algorithm 的话，我们可以几乎瞬间得到结果。由于文章的篇幅已经很长了，就不在这里介绍具体的算法了，感兴趣的同学可以参考 Wikipedia ，这里我直接使用了一个现有的 Python 实现。虽然这个实验非常折腾，不过最后的结果其实就是一个数字：accuracy ——在我这里达到了 88.97% ，证明 k-medoids 聚类和 N-gram Profile 识别语言这两种方法都是挺不错的。最后，如果有感兴趣的同学，代码可以从这里下载。需要最新版的 scipy ， munkres.py 和 mltk 以及 Python 2.6 。漫谈 Clustering (番外篇): Vector Quantization 在接下去说其他的聚类算法之前，让我们先插进来说一说一个有点跑题的东西： Vector Quantization 。这项技术广泛地用在信号处理以及数据压缩等领域。事实上，在 JPEG 和 MPEG-4 等多媒体压缩格式里都有 VQ 这一步。 Vector Quantization 这个名字听起来有些玄乎，其实它本身并没有这么高深。大家都知道，模拟信号是连续的值，而计算机只能处理离散的数字信号，在将模拟信号转换为数字信号的时候，我们可以用区间内的某一个值去代替着一个区间，比如，上的一个实数。现在要把它编码为 256 阶的灰阶图片，一个最简单的做法就是将每一个像素值x映射为一个整数floor(x*255)。当然，原始的数据空间也并不以一定要是连续的。比如，你现在想要把压缩这个图片，每个像素只使用 4 bit （而不是原来的 8 bit）来存储，因此，要将原来的区间上的整数值用上的整数值来进行编码，一个简单的映射方案是x*15/255。不过这样的映射方案颇有些 Naive ，虽然能减少颜色数量起到压缩的效果，但是如果原来的颜色并不是均匀分布的，那么的出来的图片质量可能并不是很好。例如，如果一个 256 阶灰阶图片完全由 0 和 13 两种颜色组成，那么通过上面的映射就会得到一个全黑的图片，因为两个颜色全都被映射到 0 了。一个更好的做法是结合聚类来选取代表性的点。实际做法就是：将每个像素点当作一个数据，跑一下 K-means ，得到 k 个 centroids ，然后用这些 centroids 的像素值来代替对应的 cluster 里的所有点的像素值。对于彩色图片来说，也可以用同样的方法来做，例如 RGB 三色的图片，每一个像素被当作是一个 3 维向量空间中的点。用本文开头那张 Rechard Stallman 大神的照片来做一下实验好了，VQ 2、VQ 10 和 VQ 100 三张图片分别显示聚类数目为 2 、10 和 100 时得到的结果，可以看到 VQ 100 已经和原图非常接近了。把原来的许多颜色值用 centroids 代替之后，总的颜色数量减少了，重复的颜色增加了，这种冗余正是压缩算法最喜欢的。考虑一种最简单的压缩办法：单独存储（比如 100 个）centroids 的颜色信息，然后每个像素点存储 centroid 的索引而不是颜色信息值，如果一个 RGB 颜色值需要 24 bits 来存放的话，每个（128 以内的）索引值只需要 7 bits 来存放，这样就起到了压缩的效果。 VQ 2 VQ 100 VQ 10 漫谈Clustering(3)Gaussian Mixture Model 我们谈到了用 k-means 进行聚类的方法，这次我们来说一下另一个很流行的算法：Gaussian Mixture Model (GMM)。事实上，GMM 和 k-means 很像，不过 GMM 是学习出一些概率密度函数来（所以 GMM 除了用在 clustering 上之外，还经常被用于 density estimation ），简单地说，k-means 的结果是每个数据点被 assign 到其中某一个 cluster 了，而 GMM 则给出这些数据点被 assign 到每个 cluster 的概率，又称作 soft assignment 。得出一个概率有很多好处，因为它的信息量比简单的一个结果要多，比如，我可以把这个概率转换为一个 score ，表示算法对自己得出的这个结果的把握。也许我可以对同一个任务，用多个方法得到结果，最后选取“把握”最大的那个结果；另一个很常见的方法是在诸如疾病诊断之类的场所，机器对于那些很容易分辨的情况（患病或者不患病的概率很高）可以自动区分，而对于那种很难分辨的情况，比如，49% 的概率患病，51% 的概率正常，如果仅仅简单地使用 50% 的阈值将患者诊断为“正常”的话，风险是非常大的，因此，在机器对自己的结果把握很小的情况下，会“拒绝发表评论”，而把这个任务留给有经验的医生去解决。废话说了一堆，不过，在回到 GMM 之前，我们再稍微扯几句。我们知道，不管是机器还是人，学习的过程都可以看作是一种“归纳”的过程，在归纳的时候你需要有一些假设的前提条件，例如，当你被告知水里游的那个家伙是鱼之后，你使用“在同样的地方生活的是同一种东西”这类似的假设，归纳出“在水里游的都是鱼”这样一个结论。当然这个过程是完全“本能”的，如果不仔细去想，你也不会了解自己是怎样“认识鱼”的。另一个值得注意的地方是这样的假设并不总是完全正确的，甚至可以说总是会有这样那样的缺陷的，因此你有可能会把虾、龟、甚至是潜水员当做鱼。也许你觉得可以通过修改前提假设来解决这个问题，例如，基于“生活在同样的地方并且穿着同样衣服的是同一种东西”这个假设，你得出结论：在水里有并且身上长有鳞片的是鱼。可是这样还是有问题，因为有些没有长鳞片的鱼现在又被你排除在外了。在这个问题上，机器学习面临着和人一样的问题，在机器学习中，一个学习算法也会有一个前提假设，这里被称作“ 归纳偏执 (bias) ”（bias 这个英文词在机器学习和统计里还有其他许多的意思）。例如线性回归，目的是要找一个函数尽可能好地拟合给定的数据点，它的归纳偏执就是“满足要求的函数必须是线性函数”。一个没有归纳偏执的学习算法从某种意义上来说毫无用处，就像一个完全没有归纳能力的人一样，在第一次看到鱼的时候有人告诉他那是鱼，下次看到另一条鱼了，他并不知道那也是鱼，因为两条鱼总有一些地方不一样的，或者就算是同一条鱼，在河里不同的地方看到，或者只是看到的时间不一样，也会被他认为是不同的，因为他无法归纳，无法提取主要矛盾、乎略次要因素，只好要求所有的条件都完全一样──然而哲学家已经告诉过我们了：世界上不会有任何样东西是完全一样的，所以这个人即使是有无比强悍的记忆力，也绝学不到任何一点知识。这个问题在机器学习中称作“ 过拟合 (Overfitting) ”，例如前面的回归的问题，如果去掉“线性函数”这个归纳偏执，因为对于 N 个点，我们总是可以构造一个 N-1 次多项式函数，让它完美地穿过所有的这 N 个点，或者如果我用任何大于 N-1 次的多项式函数的话，我甚至可以构造出无穷多个满足条件的函数出来。如果假定特定领域里的问题所给定的数据个数总是有个上限的话，我可以取一个足够大的 N ，从而得到一个（或者无穷多个）“超级函数”，能够 fit 这个领域内所有的问题。然而这个（或者这无穷多个）“超级函数”有用吗？只要我们注意到学习的目的（通常）不是解释现有的事物，而是从中归纳出知识，并能应用到新的事物上，结果就显而易见了。没有归纳偏执或者归纳偏执太宽泛会导致 Overfitting ，然而另一个极端──限制过大的归纳偏执也是有问题的：如果数据本身并不是线性的，强行用线性函数去做回归通常并不能得到好结果。难点正在于在这之间寻找一个平衡点。不过人在这里相对于（现在的）机器来说有一个很大的优势：人通常不会孤立地用某一个独立的系统和模型去处理问题，一个人每天都会从各个来源获取大量的信息，并且通过各种手段进行整合处理，归纳所得的所有知识最终得以统一地存储起来，并能有机地组合起来去解决特定的问题。这里的“有机”这个词很有意思，搞理论的人总能提出各种各样的模型，并且这些模型都有严格的理论基础保证能达到期望的目的，然而绝大多数模型都会有那么一些“参数”（例如 K-means 中的 k ），通常没有理论来说明参数取哪个值更好，而模型实际的效果却通常和参数是否取到最优值有很大的关系，我觉得，在这里“有机”不妨看作是所有模型的参数已经自动地取到了最优值。另外，虽然进展不大，但是人们也一直都期望在计算机领域也建立起一个统一的知识系统（例如语意网就是这样一个尝试）。废话终于说完了，回到 GMM 。按照我们前面的讨论，作为一个流行的算法，GMM 肯定有它自己的一个相当体面的归纳偏执了。其实它的假设非常简单，顾名思义，Gaussian Mixture Model ，就是假设数据服从 Mixture Gaussian Distribution ，换句话说，数据可以看作是从数个 Gaussian Distribution 中生成出来的。实际上，我们在 K-means 和 K-medoids 两篇文章中用到的那个例子就是由三个 Gaussian 分布从随机选取出来的。实际上，从中心极限定理可以看出，Gaussian 分布（也叫做正态 (Normal) 分布）这个假设其实是比较合理的，除此之外，Gaussian 分布在计算上也有一些很好的性质，所以，虽然我们可以用不同的分布来随意地构造 XX Mixture Model ，但是还是 GMM 最为流行。另外，Mixture Model 本身其实也是可以变得任意复杂的，通过增加 Model 的个数，我们可以任意地逼近任何连续的概率密分布。每个 GMM 由个 Gaussian 分布组成，每个 Gaussian 称为一个“Component”，这些 Component 线性加成在一起就组成了 GMM 的概率密度函数：根据上面的式子，如果我们要从 GMM 的分布中随机地取一个点的话，实际上可以分为两步：首先随机地在这个 Component 之中选一个，每个 Component 被选中的概率实际上就是它的系数，选中了 Component 之后，再单独地考虑从这个 Component 的分布中选取一个点就可以了──这里已经回到了普通的 Gaussian 分布，转化为了已知的问题。那么如何用 GMM 来做 clustering 呢？其实很简单，现在我们有了数据，假定它们是由 GMM 生成出来的，那么我们只要根据数据推出 GMM 的概率分布来就可以了，然后 GMM 的个 Component 实际上就对应了个 cluster 了。根据数据来推算概率密度通常被称作 density estimation ，特别地，当我们在已知（或假定）了概率密度函数的形式，而要估计其中的参数的过程被称作“参数估计”。现在假设我们有个数据点，并假设它们服从某个分布（记作），现在要确定里面的一些参数的值，例如，在 GMM 中，我们就需要确定、和这些参数。我们的想法是，找到这样一组参数，它所确定的概率分布生成这些给定的数据点的概率最大，而这个概率实际上就等于，我们把这个乘积称作似然函数 (Likelihood Function) 。通常单个点的概率都很小，许多很小的数字相乘起来在计算机里很容易造成浮点数下溢，因此我们通常会对其取对数，把乘积变成加和，得到 log-likelihood function 。接下来我们只要将这个函数最大化（通常的做法是求导并令导数等于零，然后解方程），亦即找到这样一组参数值，它让似然函数取得最大值，我们就认为这是最合适的参数，这样就完成了参数估计的过程。下面让我们来看一看 GMM 的 log-likelihood function ：由于在对数函数里面又有加和，我们没法直接用求导解方程的办法直接求得最大值。为了解决这个问题，我们采取之前从 GMM 中随机选点的办法：分成两步，实际上也就类似于 K-means 的两步。估计数据由每个 Component 生成的概率（并不是每个 Component 被选中的概率）：对于每个数据来说，它由第个 Component 生成的概率为由于式子里的和也是需要我们估计的值，我们采用迭代法，在计算的时候我们假定和均已知，我们将取上一次迭代所得的值（或者初始值）。估计每个 Component 的参数：现在我们假设上一步中得到的就是正确的“数据由 Component 生成的概率”，亦可以当做该 Component 在生成这个数据上所做的贡献，或者说，我们可以看作这个值其中有这部分是由 Component 所生成的。集中考虑所有的数据点，现在实际上可以看作 Component 生成了这些点。由于每个 Component 都是一个标准的 Gaussian 分布，可以很容易分布求出最大似然所对应的参数值：其中，并且也顺理成章地可以估计为。重复迭代前面两步，直到似然函数的值收敛为止。当然，上面给出的只是比较“直观”的解释，想看严格的推到过程的话，可以参考 Pattern Recognition and Machine Learning 这本书的第九章。有了实际的步骤，再实现起来就很简单了。 covariance 矩阵 singular 的情况，可以参见这篇文章。函数返回的Px是一个的矩阵，对于每一个，我们只要取该矩阵第行中最大的那个概率值所对应的那个 Component 为所属的 cluster 就可以实现一个完整的聚类方法了。对于最开始的那个例子，GMM 给出的结果如下：相对于之前 K-means 给出的结果，这里的结果更好一些，左下角的比较稀疏的那个 cluster 有一些点跑得比较远了。当然，因为这个问题原本就是完全有 Mixture Gaussian Distribution 生成的数据，GMM （如果能求得全局最优解的话）显然是可以对这个问题做到的最好的建模。另外，从上面的分析中我们可以看到 GMM 和 K-means 的迭代求解法其实非常相似（都可以追溯到 EM 算法，下一次会详细介绍），因此也有和 K-means 同样的问题──并不能保证总是能取到全局最优，如果运气比较差，取到不好的初始值，就有可能得到很差的结果。对于 K-means 的情况，我们通常是重复一定次数然后取最好的结果，不过 GMM 每一次迭代的计算量比 K-means 要大许多，一个更流行的做法是先用 K-means （已经重复并取最优值了）得到一个粗略的结果，然后将其作为初值（只要将 K-means 所得的 centroids 传入gmm函数即可），再用 GMM 进行细致迭代。如我们最开始所讨论的，GMM 所得的结果（Px）不仅仅是数据点的 label ，而包含了数据点标记为每个 label 的概率，很多时候这实际上是非常有用的信息。最后，需要指出的是，GMM 本身只是一个模型，我们这里给出的迭代的办法并不是唯一的求解方法。感兴趣的同学可以自行查找相关资料。漫谈 Clustering (番外篇): Expectation Maximization Expectation Maximization (EM) 是一种以迭代的方式来解决一类特殊最大似然 (Maximum Likelihood) 问题的方法，这类问题通常是无法直接求得最优解，但是如果引入隐含变量，在已知隐含变量的值的情况下，就可以转化为简单的情况，直接求得最大似然解。我们会看到，上一次说到的 Gaussian Mixture Model 的迭代求解方法可以算是 EM 算法最典型的应用，而最开始说的 K-means 其实也可以看作是 Gaussian Mixture Model 的一个变种（固定所有的，并令即可）。然而 EM 实际上是一种通用的算法（或者说是框架），可以用来解决很多类似的问题，我们最后将以一个中文分词的例子来说明这一点。为了避免问题变得太抽象，我们还是先从上一次的 Gaussian Mixture Model 说起吧。回顾一下我们之前要解决的问题：求以下 Log-likelihood function 的最大值：但是由于在函数里面又有加和，没法直接求。考虑一下 GMM 生成 sample 的过程：先选一个 Component ，然后再从这个 Component 所对应的那个普通的 Gaussian Distribution 里进行 sample 。我们可以很自然地引入一个隐含变量，这是一个维向量，如果第个 Component 被选中了，那么我们讲其第个元素置为 1 ，其余的全为 0 。那么，再来看看，如果除了之前的 sample 的值之外，我们同时还知道了每个所对应的隐含变量的值，情况又会变成怎么样呢？因为我们同时观察到了和，所以我们现在要最大化的似然函数也变为。注意到可以表示为：而的概率，当的第个元素为 1 的时候，亦即第个 Component 被选中的时候，这个概率为，统一地写出来就是：带入上面个式子，我们得到的概率是一个大的乘积式（对比之前是一个和式）。再替换到最开始的那个 Log-likelihood function 中，得到新的同时关于 sample 和隐含变量的 Log-likelihood: 情况瞬间逆转，现在和求和符号换了个位置，直接作用在普通的高斯分布上了，一下子就变成了可以直接求解的问题。不过，事情之所以能发展得如此顺利，完全依赖于一个我们伪造的假设：隐含变量的值已知。然而实际上我们并不知道这个值。问题的结症在这里了，如果我们有了这个值，所有的问题都迎刃而解了。回想一下，在类似的地方，我们是如何处理这样的情况的呢？一个很类似的地方就是（比如，在数据挖掘中）处理缺失数据的情况，一般有几种办法：用取值范围类的随机值代替。用平均值代替。填 0 或者其他特殊值。这里我们采取一种类似于平均值的办法：取期望。因为这里我们至少有 sample 的值，因此我们可以把这个信息利用起来，针对后验概率来取期望。前面说过，的每一个元素只有 0 和 1 两种取值，因此按照期望的公式写出来就是：中间用贝叶斯定理变了一下形，最后得到的式子正是我们在漫谈 GMM 中定义的。因此，对于上面那个可以直接求解的 Log-likelihood function 中的，我们只要用其期望亦即代替即可。到这里为止，看起来是一个非常完美的方法，不过仔细一看，发现还有一个漏洞：之前的 Log-likelihood function 可以直接求最大值是建立在是已知情况下，现在虽然我们用来代替了，但是实际上是一个反过来以非常复杂的关系依赖所要求参数的一个式子，而不是一个“已知的数值”。解决这个问题的办法就是迭代。到此为止，我们就勾勒出了整个 EM 算法的结构，同时也把上一次所讲的求解 GMM 的方法又推导了一遍。EM 名字也来源于此： Expectation 一步对应于求关于后验概率的期望亦即； Maximization 一步则对应于接下来的正常的最大似然的方法估计相关的参数亦即、和。如果你还没有厌烦这些公式的话，让我们不妨再稍微花一点时间，从偏理论一点的角度来简略地证明一下 EM 这个迭代的过程每一步都会对结果有所改进，除非已经达到了一个（至少是局部的）最优解。现在我们的讨论将不局限于 GMM ，并使用一些稍微紧凑一点的符号。用表示所有的 sample ，同时用表示所有对应的隐含变量。我们的问题是要通过最大似然的方法估计出中的参数。在这里我们假设这个问题很困难，但是要优化却很容易。这就是 EM 算法能够解决的那一类问题。现在我们引入一个关于隐含变量的分布。注意到对于任意的，我们都可以对 Log-likelihood Function 作如下分解：其中是分布和之间的 Kullback-Leibler divergence 。由于 Kullback-Leibler divergence 是非负的，并且只有当两个分布完全相同的时候才会取到 0 。因此我们可以得到关系，亦即是的一个下界。现在考虑 EM 的迭代过程，记上一次迭代得出的参数为，现在我们要选取以令最大，由于并不依赖于，因此的上限（在固定的时候）是一个定值，它取到这个最大值的条件就是 Kullback-Leibler divergence 为零，亦即等于后验概率。把它带入到的表达式中可以得到其中const是常量，而则正是我们之前所得到的“同时包含了 sample 和隐含变量的 Log-likelihood function 关于后验概率的期望”，因此这个对应到 EM 中的“E”一步。在接下来的“M”一步中，我们讲固定住分布，再选取合适的以将最大化，这次其上界也依赖于变量，并会随着的增大而增大（因为我们有前面的不等式成立）。一般情况下增大的量会比要多一些，这时候 Kullback-Leibler divergence 在新的参数下又不为零了，因此我们可以进入下一轮迭代，重新回到“E”一步去求新的；另一方面，如果这里 Kullback-Leibler divergence 在新的参数下还是等于 0 ，那么说明我们已经达到了一个（至少是局部的）最优解，迭代过程可以结束了。上面的推导中我们可以看到每一次迭代 E 和 M 两个步骤都是在对解进行改进，因此迭代的过程中得到的 likelihood 会逐渐逼近（至少是局部的）最优值。另外，在 M 一步中除了用最大似然之外，也可以引入先验使用 Maximum a Posteriori (MAP) 的方法来做。还有一些很困难的问题，甚至在迭代的过程中 M 一步也不能直接求出最大值，这里我们通过把要求放宽──并不一定要求出最大值，只要能够得到比旧的值更好的结果即可，这样的做法通常称作 Generalized EM (GEM)。当然，一开始我们就说了，EM 是一个通用的算法，并不只是用来求解 GMM 。下面我们就来举一个用 EM 来做中文分词的例子。这个例子来源于论文 Self-supervised Chinese Word Segmentation 。我在上次 MSTC 搜索引擎系列小课堂讲文本处理的时候提到过。这里为了把注意力集中到 EM 上，我略去一些细节的东西，简单地描述一下基本的模型。现在我们有一个字符序列，并希望得到一个模型（依赖于参数）能用来将其词的序列。按照生成模型的方式来考虑，将看成是由生成的序列的话，我们自然希望找到那个生成的可能性最大的，亦即通过最大似然的方式来估计参数。然而我们不知道似然函数应该如何去优化，因此我们引入 latent variable ，如果我们知道的话，似然值很容易求得：其中的值是从模型中已知的。但是现在我们不知道的值，因此我们转而取其关于后验概率的期望：然后将这个期望针对最大化即完成了 EM 的一次迭代。具体的做法通常是先把一个初始文本（比如所有的的集合）按照 N-gram 分割（N-gram 在讲 K-medoids 的那篇文章中介绍过）为，形成一个最初的辞典，而模型的参数实际上就描述了各个 N-gram 的概率，初始值可以直接取为频率值。有了辞典之后对于任意的，我们可以根据辞典枚举出所有可能的分割，而每个分割的后验概率就是其中的单词的概率乘积。其他的就是标准的 EM 算法的迭代步骤了。实际上在实际产品中我们会使用一些带了更多启发式规则的分词方法（比如 MMSEG ），而这个方法更大的用处在于从一堆文本中“学习”出一个词典来（也就是），并且这个过程是全自动的，主要有两个优点：不需要人参与手工分词、标记等。能自动从文本中学习，换句话说，你给它一些某个领域的专业文章，它能从中学习到这个领域的专业词汇来。不管怎样，以上两点看起来都非常诱人。不过理论离实际往往还是有不少差距的。我不知道实际分词系统中有没有在用这样的方法来做训练的。之前我曾经用 Wikipedia （繁体中文）上抓下来的一些数据跑过一下小规模的试验，结果还可以，但是也并不如想像中的完美。因为当时也并没有弄明白 EM 是怎么一回事，加上这个过程本身计算负荷还是非常大的，也就没有深入下去。也许以后有时间可以再尝试一下。漫谈 Clustering (4): Spectral Clustering 如果说 K-means 和 GMM 这些聚类的方法是古代流行的算法的话，那么这次要讲的 Spectral Clustering 就可以算是现代流行的算法了，中文通常称为“谱聚类”。由于使用的矩阵的细微差别，谱聚类实际上可以说是一“类”算法。 Spectral Clustering 和传统的聚类方法（例如 K-means）比起来有不少优点：和 K-medoids 类似，Spectral Clustering 只需要数据之间的相似度矩阵就可以了，而不必像 K-means 那样要求数据必须是 N 维欧氏空间中的向量。由于抓住了主要矛盾，忽略了次要的东西，因此比传统的聚类算法更加健壮一些，对于不规则的误差数据不是那么敏感，而且 performance 也要好一些。许多实验都证明了这一点。事实上，在各种现代聚类算法的比较中，K-means 通常都是作为 baseline 而存在的。计算复杂度比 K-means 要小，特别是在像文本数据或者平凡的图像数据这样维度非常高的数据上运行的时候。突然冒出这么一个要求比 K-means 要少，结果比 K-means 要好，算得还比 K-means 快的东西，实在是让人不得不怀疑是不是江湖骗子啊。所以，是骡子是马，先拉出来溜溜再说。不过，在 K-medoids 那篇文章中曾经实际跑过 K-medoids 算法，最后的结果也就是一个 accuracy ，一个数字又不能画成图表之类的，看起来实在是没意思，而且 K-means 跑起来实在是太慢了，所以这里我还是稍微偷懒一下，直接引用一下一篇论文里的结果吧。结果来自论文 Document clustering using locality preserving indexing 这篇论文，这篇论文实际上是提的另一种聚类方法（下次如果有机会也会讲到），不过在它的实验中也有 K-means 和 Spectral Clustering 这两组数据，抽取出来如下所示： k TDT2 Reuters-21578 K-means SC K-means SC 2 0.989 0.998 0.871 0.923 3 0.974 0.996 0.775 0.816 4 0.959 0.996 0.732 0.793 … 9 0.852 0.984 0.553 0.625 10 0.835 0.979 0.545 0.615 其中 TDT2 和 Reuters-21578 分别是两个被广泛使用的标准文本数据集，虽然在不同的数据集上得出来的结果并不能直接拿来比较，但是在同一数据集上 K-means 和 SC (Spectral Clustering) 的结果对比就一目了然了。实验中分别抽取了这两个数据集中若干个类别（从 2 类到 10 类）的数据进行聚类，得出的 accuracy 分别在上表中列出（我偷懒没有全部列出来）。可以看到，Spectral Clustering 这里完胜 K-means 。这么强大的算法，再戴上“谱聚类”这么一个高深莫测的名号，若不是模型无比复杂、包罗宇宙，就肯定是某镇山之宝、不传秘籍吧？其实不是这样，Spectral Clustering 不管从模型上还是从实现上都并不复杂，只需要能求矩阵的特征值和特征向量即可──而这是一个非常基本的运算，任何一个号称提供线性代数运算支持的库都理应有这样的功能。而关于 Spectral Clustering 的秘籍更是满街都是，随便从地摊上找来一本，翻开便可以看到 Spectral Clustering 算法的全貌：根据数据构造一个 Graph ，Graph 的每一个节点对应一个数据点，将相似的点连接起来，并且边的权重用于表示数据之间的相似度。把这个 Graph 用邻接矩阵的形式表示出来，记为。一个最偷懒的办法就是：直接用我们前面在 K-medoids 中用的相似度矩阵作为。把的每一列元素加起来得到个数，把它们放在对角线上（其他地方都是零），组成一个的矩阵，记为。并令。求出的前个特征值（在本文中，除非特殊说明，否则“前个”指按照特征值的大小从小到大的顺序）以及对应的特征向量。把这个特征（列）向量排列在一起组成一个的矩阵，将其中每一行看作维空间中的一个向量，并使用 K-means 算法进行聚类。聚类的结果中每一行所属的类别就是原来 Graph 中的节点亦即最初的个数据点分别所属的类别。就是这么几步，把数据做了一些诡异的变换，然后还在背后偷偷地调用了 K-means 。到此为止，你已经可以拿着它上街去招摇撞骗了。不过，如果你还是觉得不太靠谱的话，不妨再接着往下看，我们再来聊一聊 Spectral Clustering 那几个“诡异变换”背后的道理何在。其实，如果你熟悉 Dimensional Reduction （降维）的话，大概已经看出来了，Spectral Clustering 其实就是通过 Laplacian Eigenmap 的降维方式降维之后再做 K-means 的一个过程──听起来土多了。不过，为什么要刚好降到维呢？其实整个模型还可以从另一个角度导出来，所以，让我们不妨先跑一下题。在 Image Processing （我好像之前有听说我对这个领域深恶痛绝？）里有一个问题就是对图像进行 Segmentation （区域分割），也就是让相似的像素组成一个区域，比如，我们一般希望一张照片里面的人（前景）和背景被分割到不同的区域中。在 Image Processing 领域里已经有许多自动或半自动的算法来解决这个问题，并且有不少方法和 Clustering 有密切联系。比如我们在谈 Vector Quantization 的时候就曾经用 K-means 来把颜色相似的像素聚类到一起，不过那还不是真正的 Segmentation ，因为如果仅仅是考虑颜色相似的话，图片上位置离得很远的像素也有可能被聚到同一类中，我们通常并不会把这样一些“游离”的像素构成的东西称为一个“区域”，但这个问题其实也很好解决：只要在聚类用的 feature 中加入位置信息（例如，原来是使用 R、G、B 三个值来表示一个像素，现在加入 x、y 两个新的值）即可。另一方面，还有一个经常被研究的问题就是 Graph Cut ，简单地说就是把一个 Graph 的一些边切断，让他被打散成一些独立联通的 sub-Graph ，而这些被切断的边的权值的总和就被称为 Cut 值。如果用一张图片中的所有像素来组成一个 Graph ，并把（比如，颜色和位置上）相似的节点连接起来，边上的权值表示相似程度，那么把图片分割为几个区域的问题实际上等价于把 Graph 分割为几个 sub-Graph 的问题，并且我们可以要求分割所得的 Cut 值最小，亦即：那些被切断的边的权值之和最小，直观上我们可以知道，权重比较大的边没有被切断，表示比较相似的点被保留在了同一个 sub-Graph 中，而彼此之间联系不大的点则被分割开来。我们可以认为这样一种分割方式是比较好的。实际上，抛开图像分割的问题不谈，在 Graph Cut 相关的一系列问题中，Minimum cut （最小割）本身就是一个被广泛研究的问题，并且有成熟的算法来求解。只是单纯的最小割在这里通常并不是特别适用，很多时候只是简单地把和其他像素联系最弱的那一个像素给分割出去了，相反，我们通常更希望分割出来的区域（的大小）要相对均匀一些，而不是一些很大的区块和一些几乎是孤立的点。为此，又有许多替代的算法提出来，如 Ratio Cut 、Normalized Cut 等。不过，在继续讨论之前，我们还是先来定义一下符号，因为仅凭文字还是很难表述清楚。将 Graph 表示为邻接矩阵的形式，记为，其中是节点到节点的权值，如果两个节点不是相连的，权值为零。设和为 Graph 的两个子集（没有交集），那么两者之间的 cut 可以正式定义为：先考虑最简单的情况，如果把一个 Graph 分割为两个部分的话，那么 Minimum cut 就是要最小化（其中表示的补集）。但是由于这样经常会出现孤立节点被分割出来的情况，因此又出现了 RatioCut ：以及 NormalizedCut ：其中表示中的节点数目，而。两者都可以算作的“大小”的一种度量，通过在分母上放置这样的项，就可以有效地防止孤立点的情况出现，达到相对平均一些的分割。事实上， Jianbo Shi 的这篇 PAMI paper： Normalized Cuts and Image Segmentation 正是把 NormalizedCut 用在图像分割上了。搬出 RatioCut 和 NormalizedCut 是因为它们和这里的 Spectral Clustering 实际上有非常紧密的联系。看看 RatioCut ，式子虽然简单，但是要最小化它却是一个 NP 难问题，不方便求解，为了找到解决办法，让我们先来做做变形。令表示 Graph 的所有节点的集合，首先定义一个维向量：再回忆一下我们最开始定义的矩阵，其实它有一个名字，叫做 Graph Laplacian ，不过，我们后面可以看到，其实有好几个类似的矩阵都叫做这个名字： Usually, every author just calls “his” matrix the graph Laplacian. 其实也可以理解，就好象现在所有的厂家都说自己的技术是“云计算”一样。这个有一个性质就是：这个是对任意向量都成立的，很好证明，只要按照定义展开就可以得到了。把我们刚才定义的那个带进去，就可以得到另外，如果令为各个元素全为 1 的向量的话，直接展开可以很容易得到和。由于是一个常量，因此最小化 RatioCut 就等价于最小化，当然，要记得加上附加条件以及。问题转化到这个样子就好求了，因为有一个叫做 Rayleigh quotient 的东西：他的最大值和最小值分别等于矩阵的最大的那个特征值和最小的那个特征值，并且极值在等于对应的特征向量时取到。由于是常数，因此最小化实际上也就等价于最小化，不过由于的最小的特征值为零，并且对应的特征向量正好为（我们这里仅考虑 Graph 是联通的情况），不满足的条件，因此我们取第二个小的特征值，以及对应的特征向量。到这一步，我们看起来好像是很容易地解决了前面那个 NP 难问题，实际上是我们耍了一个把戏：之前的问题之所以 NP 难是因为向量的元素只能取两个值和中的一个，是一个离散的问题，而我们求的的特征向量其中的元素可以是任意实数，就是说我们将原来的问题限制放宽了。那如何得到原来的解呢？一个最简单的办法就是看的每个元素是大于零还是小于零，将他们分别对应到离散情况的和，不过我们也可以采取稍微复杂一点的办法，用的 K-means 来将的元素聚为两类。到此为止，已经有 Spectral Clustering 的影子了：求特征值，再对特征向量进行 K-means 聚类。实际上，从两类的问题推广到 k 类的问题（数学推导我就不再详细写了），我们就得到了和之前的 Spectral Clustering 一模一样的步骤：求特征值并取前 k 个最小的，将对应的特征向量排列起来，再按行进行 K-means 聚类。分毫不差！用类似的办法，NormalizedCut 也可以等价到 Spectral Clustering 不过这次我就不再讲那么多了，感兴趣的话（还包括其他一些形式的 Graph Laplacian 以及 Spectral Clustering 和 Random walk 的关系），可以去看这篇 Tutorial ： A Tutorial on Spectral Clustering 。为了缓和一下气氛，我决定贴一下 Spectral Clustering 的一个简单的 Matlab 实现： function idx = spectral_clustering ( W, k ) D = diag ( sum ( W ) ) ; L = D-W; opt = struct ( 'issym' , true, 'isreal' , true ) ; = eigs ( L, D, k, 'SM' , opt ) ; idx = kmeans ( V, k ) ; end 最后，我们再来看一下本文一开始说的 Spectral Clustering 的几个优点：只需要数据的相似度矩阵就可以了。这个是显然的，因为 Spectral Clustering 所需要的所有信息都包含在中。不过一般并不总是等于最初的相似度矩阵——回忆一下，是我们构造出来的 Graph 的邻接矩阵表示，通常我们在构造 Graph 的时候为了方便进行聚类，更加强到“局部”的连通性，亦即主要考虑把相似的点连接在一起，比如，我们设置一个阈值，如果两个点的相似度小于这个阈值，就把他们看作是不连接的。另一种构造 Graph 的方法是将 n 个与节点最相似的点与其连接起来。抓住了主要矛盾，忽略了次要的东西，Performance 比传统的 K-means 要好。实际上 Spectral Clustering 是在用特征向量的元素来表示原来的数据，并在这种“更好的表示形式”上进行 K-means 。实际上这种“更好的表示形式”是用 Laplacian Eigenmap 进行降维的后的结果，如果有机会，下次谈 Dimensionality Reduction 的时候会详细讲到。而降维的目的正是“抓住主要矛盾，忽略次要的东西”。计算复杂度比 K-means 要小。这个在高维数据上表现尤为明显。例如文本数据，通常排列起来是维度非常高（比如，几千或者几万）的稀疏矩阵，对稀疏矩阵求特征值和特征向量有很高效的办法，得到的结果是一些 k 维的向量（通常 k 不会很大），在这些低维的数据上做 K-means 运算量非常小。但是对于原始数据直接做 K-means 的话，虽然最初的数据是稀疏矩阵，但是 K-means 中有一个求 Centroid 的运算，就是求一个平均值：许多稀疏的向量的平均值求出来并不一定还是稀疏向量，事实上，在文本数据里，很多情况下求出来的 Centroid 向量是非常稠密，这时再计算向量之间的距离的时候，运算量就变得非常大，直接导致普通的 K-means 巨慢无比，而 Spectral Clustering 等工序更多的算法则迅速得多的结果。说了这么多，好像有些乱，不过也只能到此打住了。最后再多嘴一句，Spectral Clustering 名字来源于 Spectral theory ，也就是用特征分解来分析问题的理论了。 UPDATE 2011.11.23: 有不少同学问我关于代码的问题，这里更新两点主要的问题：关于 LE 降维的维度和 Kmeans 聚类的类别数的关系：我上面的代码里，取成了一样的，但是这两者并不是要求一定要一样的。最初 Spectral Cluster 是分析聚两类的情况，就降到 1 维，然后用 thresholding 的方法来分成两类。对于K 类的情况，自然的类比就是降到 K-1 维，这也是和 LDA 保持一致。因为 Laplacian 矩阵的特征向量有一个全一的向量（对应于特征值 0 ），所以可以求 K 个特征向量然后把特征值 0 对应的那个特征向量去掉。但是在实际中并不一定要保持这两者一致的，也就是说，这个降维的维度可以作为一个参数进行调节的，选择效果好的参数。关于示例代码：注意除非我在这里注明了是发布某个 software 或者 package 什么的，否则这里贴的代码主要都是为了示例作用，为了只显示出算法的主要部分，因此通常会省略掉一些实现细节，可以看成是“可执行的伪代码”，不推荐直接用这里的代码去跑实验之类的（包括其他 post 里的相关代码）。除非你想自己试验一下具体实现和改进，否则可以直接找网上现成的专用的 package ，比如 Spectral Clustering 可以考虑这个包。漫谈 Clustering (番外篇): Dimensionality Reduction 由于总是有各种各样的杂事，这个系列的文章竟然一下子拖了好几个月，（实际上其他的日志我也写得比较少），现在决定还是先把这篇降维的日志写完。我甚至都以及忘记了在这个系列中之前有没有讲过“特征”（feature）的概念了，这里不妨再稍微提一下。机器学习应用到各个领域里，会遇到许多不同类型的数据要处理：图像、文本、音频视频以及物理、生物、化学等实验还有其他工业、商业以及军事上得到的各种数据，如果要为每一种类型的数据都设计独立的算法，那显然是非常不现实的事，因此，机器学习算法通常会采用一些标准的数据格式，最常见的一种格式就是每一个数据对应欧几里德空间里的一个向量。如果原始的数据格式不兼容，那么就需要首先进行转换，这个过程通常叫做“特征提取”（Feature Extraction），而得到的标准数据格式通常叫做 Feature 。例如，一个最简单的将一个文本 Document 转化为向量的方法如下：选定特征空间，这里采用三维欧氏空间，三个维度（依次）分别由 to 、be 和 the 表示。假设待提取的文档是“To be, or not to be: that is the question:”，首先对其进行一些预处理，例如去掉单词的时态后缀、滤掉标点符号等，得到“to be or not to be that be the question”。统计三个维度所对应的单词出现的频率：to 2 次，be 3 次，the 1 次。该文档对应的向量即。当然，在实际中我们几乎不会这样人工设定空间的各个维度所对应的单词，而通常是从一个数据集中统计出所有出现的词，再将其中的一些挑选出来作为维度。怎样挑选呢？最简单的办法是根本不做任何挑选，或者简单地只是把出现频率太低的单词（维度）去掉。不过，事实上我们通常会做更复杂一些的处理，例如，如果你是在做 sentiment analysis ，那么你通常会更加关注语气很重的词，比如 “bad”、“terrible”、“awesome” 等的重要性就比普通的词要大，此时你可以为每一个维度设一个权重，例如，给 “bad” 设置权重 2 ，那么出现 3 次的话，向量在该维度对应的值就为2*3 = 6。当然这样手工指定权重只在小范围内可行，如果要为数百万个维度指定权重，那显然是不可能的，另一个稍微自动一点的办法是 tf-idf 。 tf 就是 Term Frequency ，就和刚才说的单词出现的次数差不多，而 idf 则是 Inverse Document Frequency ，通常使用如下公式进行计算：这相当于自动计算出来的每个单词的权重，其想法很简单：如果在许多文档中都出现的词（例如虚词、语气词等），它所包含的信息量通常会比较小，所以用以上的公式计算出来的权重也会相对较小；另一方面，如果单词并不是在很多文档中都出现的话，很有可能就是出现的那些文档的重要特征，因此权重会相对大一些。前面说了一堆，其实主要是想要对 feature 做一些“预”处理，让它更“好”一些，手工设置维度的权重固然是很人力，其实 tf-idf 也是在假定了原始 feature 是 document 、term 这样的形式（或者类似的模型）的情况下才适用的（例如，在门禁之类的系统里，feature 可能有声音、人脸图像以及指纹等数据，就不能这样来处理），因此也并不能说是一种通用的方法。然而，既然机器学习的算法可以在不考虑原始数据的来源和意义的情况下工作，那么 feature 的处理应该也可以。事实也是如此，包括 feature selection 和 dimensionality reduction 两个 topic 都有许多很经典的算法。前者通常是选出重要的 feature 的维度（并抛弃不重要的维度），而后者则是更广泛意义上的把一个高维的向量映射为一个低维向量，亦即“降维”，得到的结果 feature 的值已经不一定是原始的值，也可以把 feature selection 看作是 dimensionality reduction 的一种特殊情况。举一个例子，tf-idf 实际上不算 feature selection ，因为它（通常）并没有丢弃低权值的维度，并且处理过后的特征的每个维度都被乘上了一个权值，不再是原来的值了；但是它却可以被看作一种降维，虽然严格意义上来说维度并没有“降低”。简单来说降维可以看作一个函数，其输入是一个 D 维的向量，输出是一个 M 维的向量。按照机器学习的方法的一贯作风，我们需要定义目标函数并进行最优化。不同的目标也就导致了不同的降维算法，这也正是今天要讲的话题。然而，我们的目的究竟是什么呢？一个比较直接的问题是原始的数据量维度太高，我们无法处理，因此需要降维，此时我们通常希望在最大限度地降低数据的维度的前提下能够同时保证保留目标的重要的信息，就好比在做有损的数据压缩时希望压缩比尽量大但是质量损失不要太多。于是问题又转化为如何衡量对信息的保留程度了。一个最直接的办法就是衡量 reconstruction error ，即其中是所对应的低维表示再重新构造出来的高维形式，就相当于是压缩之后解压出来的结果，不过虽然有许多压缩方法都是无损的，就是说这个差值会等于零，但是大部分降维的结果都是有损的。不过我们仍然希望把上面的 reconstruction error 最小化。另外一种方式是简单地使用 variance 来衡量所包含信息量，例如，我们要把一些 D 维的向量降为 1 维，那么我们希望这一维的 variance 达到最大化，亦即：其中是降维函数。推而广之，如果是降为 2 维，那么我希望第 2 维去关注第 1 维之外的 variance ，所以要求它在与第一维垂直的情况下也达到 variance 最大化。以此类推。然而，当我们把降维函数限定维线性的时候，两种途径会得到同样的结果，就是被广泛使用的 Principal Components Analysis (PCA) 。PCA 的降维函数是线性的，可以用一个维的矩阵来表示，因此，一个 D 维的向量经过线性变换之后得到一个 M 维向量，就是降维的结果。把原始数据按行排列为一个维的矩阵，则就是降维后的维的数据矩阵，目标是使其 covariance 矩阵最大。在数据被规则化（即减去其平均值）过的情况下，协方差矩阵（covariance），当然矩阵不是一个数，不能直接最大化，如果我们采用矩阵的 Trace （亦即其对角线上元素的和）来衡量其大小的话，要对求最大化，只需要求出的特征值和特征向量，将 M 个最大的特征值所对应的特征向量按列排列起来组成线性变换矩阵即可。这也就是 PCA 的求解过程，得到的降维矩阵可以直接用到新的数据上。如果熟悉 Latent Semantic Analysis (LSA) 的话，大概已经看出 PCA 和 Singular Value Decomposition (SVD) 以及 LSA 之间的关系了。以下这张图（引自《The Elements of Statistical Learning》）可以直观地看出来 PCA 做了什么，对于一些原始为二维的数据，PCA 首先找到了 variance 最大的那一个方向： PCA 作为一种经典的降维方法，被广泛地应用于机器学习、计算机视觉以及信息检索等各个领域，其地位类似于聚类中的 K-means ，在现在关于降维等算法的研究中也经常被作为 baseline 出现。然而，PCA 也有一些比较明显的缺点：一个就是 PCA 降维是线性变换，虽然线性变换计算方便，并且可以很容易地推广到新的数据上，然而有些时候线性变换也许并不合适，为此有许多扩展被提出来，其中一个就是 Kernel PCA ，用 Kernel Trick 来将 PCA 推广到非线性的情况。另外，PCA 实际上可以看作是一个具有 Gaussian 先验和条件概率分布的 latent variable 模型，它假定数据的 mean 和 variance 是重要的特征，并依靠 covariance 最大化来作为优化目标，而事实上这有时候对于解决问题帮助并不大。一个典型的问题就是做聚类或分类，回想我们之前谈过的 Spectral Clustering ，就是使用 Laplacian eigenmap 降维之后再做 K-means 聚类，如果问题定下来了要对数据进行区分的话，“目的”就变得明朗了一些，也就是为了能够区分不同类别的数据，再考虑直观的情况，我们希望如果通过降维把高维数据变换到一个二维平面上的话，可以很容易“看”出来不同类别的数据被映射到了不同的地方。虽然 PCA 极力降低 reconstruction error ，试图得到可以代表原始数据的 components ，但是却无法保证这些 components 是有助于区分不同类别的。如果我们有训练数据的类别标签，则可以用 Fisher Linear Discriminant Analysis 来处理这个问题。同 PCA 一样，Fisher Linear Discriminant Analysis 也是一个线性映射模型，只不过它的目标函数并不是 Variance 最大化，而是有针对性地使投影之后属于同一个类别的数据之间的 variance 最小化，并且同时属于不同类别的数据之间的 variance 最大化。具体的形式和推导可以参见《Pattern Classification》这本书的第三章 Component Analysis and Discriminants 。当然，很多时候（比如做聚类）我们并不知道原始数据是属于哪个类别的，此时 Linear Discriminant Analysis 就没有办法了。不过，如果我们假设原始的数据形式就是可区分的的话，则可以通过保持这种可区分度的方式来做降维， MDS 是 PCA 之外的另一种经典的降维方法，它降维的限制就是要保持数据之间的相对距离。实际上 MDS 甚至不要求原始数据是处在一个何种空间中的，只要给出他们之间的相对“距离”，它就可以将其映射到一个低维欧氏空间中，通常是三维或者二维，用于做 visualization 。不过我在这里并不打算细讲 MDS ，而是想说一下在 Spectral Clustering 中用到的降维方法 Laplacian Eigenmap 。同 MDS 类似，LE 也只需要有原始数据的相似度矩阵，不过这里通常要求这个相似度矩阵具有局部性质，亦即只考虑局部领域内的相似性，如果点和距离太远的话，应该为零。有两种很直接的办法可以让普通的相似度矩阵具有这种局部性质：通过设置一个阈值，相似度在阈值以下的都直接置为零，这相当于在一个 -领域内考虑局部性。对每个点选取 k 个最接近的点作为邻居，与其他的点的相似性则置为零。这里需要注意的是 LE 要求相似度矩阵具有对称性，因此，我们通常会在属于的 k 个最接近的邻居且/或反之的时候，就保留的值，否则置为零。构造好之后再来考虑降维，从最简单的情况开始，即降到一维，通过最小化如下目标函数来实现：从直观上来说，这样的目标函数的意义在于：如果原来和比较接近，那么会相对比较大，这样如果映射过后和相差比较大的话，就会被权重放大，因此最小化目标函数就保证了原来相近的点在映射过后也不会彼此相差太远。令为将的每一行加起来所得到的对角阵，而，被称作是拉普拉斯矩阵，通过求解如下的特征值问题易知最小的那个特征值肯定是 0 ，除此之外的最小的特征值所对应的特征向量就是映射后的结果。特征向量是一个 N 维列向量，将其旋转一下，正好是 N 个原始数据降到一维之后的结果。类似地推广到 M 维的情况，只需要取除去 0 之外的最小的 M 个特征值所对应的特征向量，转置之后按行排列起来，就是降维后的结果。用 Matlab 代码写出来如下所示（使用了 knn 来构造相似度矩阵，并且没有用 heat kernel ）： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 事实上，Laplacian Eigenmap 假设数据分布在一个嵌套在高维空间中的低维流形上， Laplacian Matrix 则是流形的 Laplace Beltrami operator 的一个离散近似。关于流形以及 Laplacian Eigenmap 这个模型的理论知识就不在这里做更多地展开了，下面看一个比较直观的例子 Swiss Roll 。 Swiss Roll 是一个像面包圈一样的结构，可以看作一个嵌套在三维空间中的二维流形，如下图所示，左边是 Swiss Roll ，右边是从 Swiss Roll 中随机选出来的一些点，为了标明点在流形上的位置，给它们都标上了颜色。而下图是 Laplacian Eigenmap 和 PCA 分别对 Swiss Roll 降维的结果，可以看到 LE 成功地把这个流形展开把在流形上属于不同位置的点映射到了不同的地方，而 PCA 的结果则很糟糕，几种颜色都混杂在了一起。另外，还有一种叫做 Locally Linear Embedding 的降维方法，它同 LE 一样采用了流形假设，并假定平滑流形在局部具有线性性质，一个点可以通过其局部邻域内的点重构出来。首先它会将下式最小化以求解出最优的局部线性重构矩阵，对于距离较远的点和，应当等于零。这之后再把当作已知量对下式进行最小化：这里成了变量，亦即降维后的向量，对这个式子求最小化的意义很明显了，就是要求如果原来的数据可以以矩阵里对应的系数根据其邻域内的点重构出来的话，那么降维过后的数据也应该保持这个性质。经过一些变换之后得到的求解方法和 LE 类似，也是要求解一个特征值问题，实际上，从理论上也可以得出二者之间的联系（LE 对应于而 LLE 对应于），如果感兴趣的话，可以参考 Laplacian Eigenmaps for Dimensionality Reduction and Data Representation 这篇论文里的对比。下面是两种方法在 Swiss Roll 数据上的结果，也是非常相似的：有一点需要注意的是，LE 和 LLE 都是非线性的方法，PCA 得到的结果是一个投影矩阵，这个结果可以保存下来，在之后对任意向量进行投影，而 LE 和 LLE都是直接得出了数据降维之后的结果，但是对于新的数据，却没有得到一个“降维函数”，没有一个合适的方法得到新的数据的降维结果。所以，在人们努力寻求非线性形式扩展 PCA 的时候，另一些人则提出了 LE 和 LLE 的线性形式，分别叫做 Locality Preserving Projection 和 Neighborhood Preserving Embedding 。在 LPP 中，降维函数跟 PCA 中一样被定为是一个线性变换，用一个降维矩阵来表示，于是 LE 的目标函数变为经过类似的推导，最终要求解的特征值问题如下：得到的按照特征值从小到大排序的特征向量就组成映射矩阵，和 LE 不同的是这里不需要去掉第一个特征向量。另一点是在 LE 中的特征值是一个稀疏的特征值问题，在只需要求解最小的几个特征值的时候可以比较高效地求解，而这里的矩阵在乘以之后通常就不再稀疏了，计算量会变得比较大，这个问题可以使用 Spectral Regression 的方法来解决，参见 Spectral Regression: A Unified Approach for Sparse Subspace Learning 这篇 paper 。如果采用 Kernel Trick 再把 LPP 非线性化的话，又会回到 LE 。而 LLE 的线性版本 NPE 也是采用了类似的办法来得到的，就不在这里多讲了。另外，虽然 LE 是 unsupervised 的，但是如果训练数据确实有标签可用，也是可以加以利用的——在构造相似度矩阵的时候，属于同一类别的相似度要大一些，而不同类别的相似度则会小一些。当然，除去聚类或分类之外，降维本身也是一种比较通用的数据分析的方法，不过有许多人批评降维，说得到的结果没有意义，不用说非线性，就是最简单的线性降维，除去一些非藏极端的特殊情况的话，通常将原来的分量线性组合一下都不会得到什么有现成的物理意义的量了。然而话也说回来，现在的机器学习几乎都是更 prefer “黑盒子”式的方法吧，比如决策树，各个分支对应与变量的话，它的决策过程其实人是可以“看到”或者说“理解”的，但是 SVM 就不那么“直观“了，如果再加上降维处理，就更加“不透明”了。不过我觉得这没什么不好的，如果只是靠可以清晰描诉出来的 rule 的话，似乎感觉神秘感不够，没法发展出“智能”来啊 ^_^bb 最后，所谓有没有物理意义，其实物理量不过也都是人为了描述问题方便而定义出来的吧。漫谈 Clustering (5): Hierarchical Clustering 系列不小心又拖了好久，其实正儿八经的 blog 也好久没有写了，因为比较忙嘛，不过觉得 Hierarchical Clustering 这个话题我能说的东西应该不多，所以还是先写了吧（我准备这次一个公式都不贴）。Hierarchical Clustering 正如它字面上的意思那样，是层次化的聚类，得出来的结构是一棵树，如右图所示。在前面我们介绍过不少聚类方法，但是都是“平坦”型的聚类，然而他们还有一个更大的共同点，或者说是弱点，就是难以确定类别数。实际上，（在某次不太正式的电话面试里）我曾被问及过这个问题，就是聚类的时候如何确定类别数。我能想到的方法都是比较 naive 或者比较不靠谱的，比如：根据数据的来源使用领域相关的以及一些先验的知识来进行估计——说了等于没有说啊…… 降维到二维平面上，然后如果数据形状比较好的话，也许可以直观地看出类别的大致数目。通过谱分析，找相邻特征值 gap 较大的地方——这个方法我只了解个大概，而且我觉得“较大”这样的词也让它变得不能自动化了。当时对方问“你还有没有什么问题”的时候我竟然忘记了问他这个问题到底有没有什么更好的解决办法，事后真是相当后悔啊。不过后来在实验室里询问了一下，得到一些线索，总的来说复杂度是比较高的，待我下次有机会再细说（先自己研究研究）。不过言归正传，这里要说的 Hierarchical Clustering 从某种意义上来说也算是解决了这个问题，因为在做 Clustering 的时候并不需要知道类别数，而得到的结果是一棵树，事后可以在任意的地方横切一刀，得到指定数目的 cluster ，按需取即可。听上去很诱人，不过其实 Hierarchical Clustering 的想法很简单，主要分为两大类：agglomerative（自底向上）和 divisive（自顶向下）。首先说前者，自底向上，一开始，每个数据点各自为一个类别，然后每一次迭代选取距离最近的两个类别，把他们合并，直到最后只剩下一个类别为止，至此一棵树构造完成。看起来很简单吧？其实确实也是比较简单的，不过还是有两个问题需要先说清除才行：如何计算两个点的距离？这个通常是 problem dependent 的，一般情况下可以直接用一些比较通用的距离就可以了，比如欧氏距离等。如何计算两个类别之间的距离？一开始所有的类别都是一个点，计算距离只是计算两个点之间的距离，但是经过后续合并之后，一个类别里就不止一个点了，那距离又要怎样算呢？到这里又有三个变种： Single Linkage：又叫做 nearest-neighbor ，就是取两个集合中距离最近的两个点的距离作为这两个集合的距离，容易造成一种叫做 Chaining 的效果，两个 cluster 明明从“大局”上离得比较远，但是由于其中个别的点距离比较近就被合并了，并且这样合并之后 Chaining 效应会进一步扩大，最后会得到比较松散的 cluster 。 Complete Linkage：这个则完全是 Single Linkage 的反面极端，取两个集合中距离最远的两个点的距离作为两个集合的距离。其效果也是刚好相反的，限制非常大，两个 cluster 即使已经很接近了，但是只要有不配合的点存在，就顽固到底，老死不相合并，也是不太好的办法。 Group Average：这种方法看起来相对有道理一些，也就是把两个集合中的点两两的距离全部放在一起求一个平均值，相对也能得到合适一点的结果。总的来说，一般都不太用 Single Linkage 或者 Complete Linkage 这两种过于极端的方法。整个 agglomerative hierarchical clustering 的算法就是这个样子，描述起来还是相当简单的，不过计算起来复杂度还是比较高的，要找出距离最近的两个点，需要一个双重循环，而且 Group Average 计算距离的时候也是一个双重循环。另外，需要提一下的是本文一开始的那个树状结构图，它有一个专门的称呼，叫做 Dendrogram ，其实就是一种二叉树，画的时候让子树的高度和它两个后代合并时相互之间的距离大小成比例，就可以得到一个相对直观的结构概览。不妨再用最开始生成的那个三个 Gaussian Distribution 的数据集来举一个例子，我采用 Group Average 的方式来计算距离，agglomerative clustering 的代码很简单，没有做什么优化，就是直接的双重循环：数据点又一千多个，画出来的 dendrogram 非常大，为了让结果看起来更直观一点，我把每个叶节点用它本身的 label 来染色，并且向上合并的时候按照权重混合一下颜色，最后把图缩放一下得到这样的一个结果（点击查看原图）：或者可以把所有叶子节点全部拉伸一下看，在右边对齐，似乎起来更加直观一点：从这个图上可以很直观地看出来聚类的结果，形成一个层次，而且也在总体上把上个大类分开来了。由于这里我把图横过来画了，所以在需要具体的 flat cluster 划分的时候，直观地从图上可以看成竖着划一条线，打断之后得到一片“森林”，再把每个子树里的所有元素变成一个“扁平”的集合即可。完整的 Python 代码如下： agglomerative clustering 差不多就这样了，再来看 divisive clustering ，也就是自顶向下的层次聚类，这种方法并没有 agglomerative clustering 这样受关注，大概因为把一个节点分割为两个并不如把两个节点结合为一个那么简单吧，通常在需要做 hierarchical clustering 但总体的 cluster 数目又不太多的时候可以考虑这种方法，这时可以分割到符合条件为止，而不必一直分割到每个数据点一个 cluster 。总的来说，divisive clustering 的每一次分割需要关注两个方面：一是选哪一个 cluster 来分割；二是如何分割。关于 cluster 的选取，通常采用一些衡量松散程度的度量值来比较，例如 cluster 中距离最远的两个数据点之间的距离，或者 cluster 中所有节点相互距离的平均值等，直接选取最“松散”的一个 cluster 来进行分割。而分割的方法也有多种，比如，直接采用普通的 flat clustering 算法（例如 k-means）来进行二类聚类，不过这样的方法计算量变得很大，而且像 k-means 这样的和初值选取关系很大的算法，会导致结果不稳定。另一种比较常用的分割方法如下：待分割的 cluster 记为 G ，在 G 中取出一个到其他点的平均距离最远的点 x ，构成新 cluster H；在 G 中选取这样的点 x’ ，x’ 到 G 中其他点的平均距离减去 x’ 到 H 中所有点的平均距离这个差值最大，将其归入 H 中；重复上一个步骤，直到差值为负。到此为止，我的 hierarchical clustering 介绍就结束了。总的来说，在我个人看来，hierarchical clustering 算法似乎都是描述起来很简单，计算起来很困难（计算量很大）。并且，不管是 agglomerative 还是 divisive 实际上都是贪心算法了，也并不能保证能得到全局最优的。而得到的结果，虽然说可以从直观上来得到一个比较形象的大局观，但是似乎实际用处并不如众多 flat clustering 算法那么广泛。; 个人分类: 科研笔记|6946 次阅读|6 个评论

[转载]癌症心理漫谈: 热度 28 何裕民 2012-9-13 14:30; 癌症心理漫谈何裕民在中华医学会心身医学分会全国 2012 医生继续教育班上的讲课（根据录音与笔记整理）（南京，议政园 2012,8 . 对象：江苏省 2~3 级医院心身医学科、精神科及肿瘤科医生）我今天的题目是“癌症心理漫谈”。为什么用“漫谈”两个字呢？一是这个话题涉及太多太多，从历史可以看到今天。第一，从有人类就有癌症。人们从五千年前的尸骨里面发现骨癌；人们在埃及《纸草书》里面发现三千多年前的癌症纪录；人们在《黄帝内经》里也明确看到了很多关于癌症的讨论；古罗马的盖伦是被称西方三大名医之一，他就讲了“抑郁的妇女容易生乳腺癌”。我是浙江义乌人，义乌历史上有个名医，叫朱丹溪，他是南宋的人，他说过一个案例很有意思，说一个女人结婚后，不得于公婆，不得于姑嫂，就是与公婆、姑嫂的关系紧张；然后，长期心中抑郁；乃生“奶核”，就是乳腺里有结节了；十年以后溃变，最终变成“奶岩”。古代说的“奶岩”，就是今天说的乳腺癌。可见，古人认为：长期的人际关系失调，最终可以导致乳腺癌。这种例子太多了。从 19 世纪开始起，癌症和心理关系的研究开始进入科学研究的范畴，但是还是没有拿到很确凿的证据。我看到一份材料，国外有个学者有米勒，他总结了两百多篇文献，就很明确的说癌症和心理有关。当然这个说服力不够强。我国在 50 年代末 60 年代初，做过一个比较有趣的研究，在 18 个省市跨省市研究食道癌。请大家注意癌症分为两大类，一大类是因贫穷生活方式不良所导致的，像宫颈癌、食道癌，这个我们叫贫癌；还有一大类是生活方式过于精致，饮食过剩导致的我们叫做富癌，富营养化。食道癌是典型的贫癌，在几十年前这个是很主要的，然后 18 个跨省市研究结果表明，食道癌病人发病前半年有巨大的精神打击，当然他统计出来是 60-70% ，生癌前两年到半年。这个说服力不够强，因为这毕竟只是流行病学。我想近几年来这个问题近一步引起了人们的重视，可以说是个定论，“心理因素影响癌症发病”。当然我在这里强调一下，心理因素并不是癌症的直接病因，它可能是诱发或者加速。也要告诉大家，我们以前认为什么东西一旦发生以后只能匀速运动，其实不是这样，癌症是走走停停的。所以在某个阶段，由于某种因素它加速了。我刚才讲我们 50 年代末 60 年代初的那个研究就表明了一点，其实食道癌的发生绝对不是两年到半年的事情，它是原来食道就有癌变了，细胞退化了，黏膜损伤了，本身处在相持状态，再有巨大精神打击，这样半年以后它快速增长了……所以发病绝对不是半年、两年的事情，最近这个问题越来越明确了。当然还是有争论的，大概 60% 以上从事这方面的医生认为“心理因素在癌症的发生过程当中起着明确的作用”；还有一些认为究竟是因还是果说不清楚。最近有些研究非常明确：在健康的人群当中施加压力，然后随着压力的增加，伴之而来的是更高的癌症发病率，这是呈正相关。这是心理学研究结果。也有人进一步研究贫穷和相对生活温饱的人群，发现贫穷往往伴有更高的死亡率。贫穷的人一般是被认为为生活压力更大。更有美国和丹麦的研究表明，移民的人比本土化的人更容易生癌，而且成活率很差。我在 06 、 07 年在媒体上发布过，但是没有做过正规的医学研究，我就发现深圳这个移民城市的乳腺癌发病有一个非常明显的低龄年龄段；一般乳腺癌国际发病年龄是 58 岁，中国一般是 48 岁，因为中国的飞速发展已经比世界上提前了十岁；然后深圳地区有一个 30 岁前后的乳腺癌高发年龄段，而且发病的都不是当地人，都是内地到当地去闯荡的，都是混出点“人脸”来的。为什么生病？因为大学毕业 22 、 23 岁，到那边拼搏了六、七年，压力太重。移民城市，能去的都是优秀的，都想混出点“人脸”来，而他们的压力又没法抒解。像上海这个现象也开始出现了，但是上海有它深厚的本土文化支持，而深圳则没有。因此国外的这个研究结果，我们发现在国内也很明显，这也表明生活压力和癌症的发病率密切相关，且影响到他的生存率。研究还表明，肿瘤的易患性与遭遇重大挫折、重大生活事情有关，当然这个说法比较入耳，因为这个只能说相关。我们再进一步来看，和负性生活事件或压力增加发生有关的肿瘤主要是肺癌、肝癌、乳腺癌、食道癌、胃癌、结肠癌、前列腺癌、宫颈癌和恶性黑色素瘤，还有一些关系不密切，这些是非常明确的。大家知道癌症是一大类疾病的总称，细分的话可以分出 280 多种，其中这些和心理发病因素关系更为密切，尤其是在女性，研究表明女性癌症患者前期由于情绪压抑，更为明显。我最近要出本书，名字就叫《千万别做好女人》，我所说的“好女人”就是指城市里的做财务、中小学老师和办公室中低管理人员，她们特优秀，很认真，很较真，什么事都想做好，这样就长期处于慢性压力状态。讲到这我想特别强调一下，你们临床可以注意，两种类型的人特别容易生乳腺癌和卵巢癌，一种是女强人，我刚说的三十岁深圳乳腺癌现象就很典型。上海复旦去年有个双学位博士，叫于娟， 29 岁生的乳腺癌，她拼命地短时间内拿到副教授，用自己的话来说“拼命折腾”，然后临死前写了本书《此生未完成》。所以处于重压下的，一方面女强人容易生癌。还有一方面就是林黛玉类型的。我讲林黛玉就是指情绪非常不稳定的，但是林黛玉类型的生癌一般都是年龄比较大， 50 岁左右的，长期的情绪不稳定。为什么会这样？我们后面还可以了解一下外国的有关研究。研究表明，情绪因素，包括社会压力，包括慢性应激……这里我要特别强调慢性应激，现在发现癌症的发生过程当中和慢性应激的有关系非常密切。我有个想法还没有很成熟。其实关于癌症，我刚才说的是多重因素加在一起的，急性应激有抗癌作用，比如高烧、重大情绪打击可能有好处……但是慢性持续的应激，那就要出问题，包括慢性炎症，以及儿童时期的创伤，和端粒酶的活性、长度有关……那么长期精神、情绪、社会的压力会导致端粒变短，细胞活性也会变短。欧洲有一个前瞻性研究更有意思，他研究了 4000 多例妇女， 40 岁到 80 多岁，年龄跨度很大，然后进行分析，发现她们孩童时期有过创伤、有过不良经验、有过严重挫折感的，她的端粒酶的长度都比较短。换句话说，就算不生病，她们的平均寿命也比别人短。回到这，其实情绪因素和寿命的关系，和健康的关系还可以从端粒酶上找到某种佐证。特别要强调的是慢性应激，现在我们中国处在高速发展的过程当中，我们在快速现代化，但是我们长期处于慢性应激状态，所以我们癌症发病率直线飙升。请大家注意我刚才讲了，一有人类就有癌症。我看过一份材料，一个意大利人在 200 年前对意大利一个小镇进行研究，他研究这个小镇若干时间内死的 15 万人，他对这 15 万人的死因进行了归纳，发现 15 万人中有仅有 1100 例是死于癌症。那是 18 世纪末 19 世纪初，也就是 18 几几年。可以换算一下， 15 万人中只有 1100 例死于癌症也就是 0.75% ，现在呢？现在我们国内城市里的、 65 岁以下的 27% ，农村是 25% ，也就是四分之一了， 200 年癌症的死亡率增加了 30 倍。我觉得有一个很重要的因素，当然环境污染等等都有影响，但是还有一个现代人大多都处于一种慢性长期应激当中，慢性应激是癌症发生过程当中的催化剂或者润滑剂，这个研究已经比较明确了。尽管它起的作用不是非常明显，但很值得重视。那么慢性应激有很多因素可以导致，生物刺激、慢性炎症也可以导致，但更多的是生活压力、心理压力。慢性应激常常表现为持久的压力，身体不断处在过渡状态，对周围神经系统和中枢精神系统及其器官造成持续的战斗逃跑反应。大家知道战斗逃跑反应是心身医学反应模式的一种解释，它包括肾上腺素的持续增加和多巴胺的持续减少，然后久而久之加速了癌症的发生。而且，长期处于慢性应激状态的人生了癌更容易复发、转移，特别是像乳腺癌和卵巢癌。临床上，可以用影响这些介质的药物辅助治疗癌症。那么慢性的应激会破坏神经内分泌的生理结构，这是肿瘤生长和转移所喜好的方式。国外有个研究表明，三班倒的女性更容易生癌。我刚才讲的于娟，她认为她就是把白天当黑夜，要么不看书，要看就是通宵，这就是生活没有规律。昼夜颠倒的工作也破坏内分泌结构，这是乳腺癌和直肠癌的一个风险性因素。我为什么重点提到女性呢？因为男性往往还会酗酒，喜欢吃肉，女性没有这种习惯但是女性发病同样很高。还有研究表明，交感神经系统的相关激素包括相关介质，会激发人体肿瘤血管的生成。大家注意，肿瘤长到什么地方血管就长到什么地方，血管长得快的话肿瘤就长得更快，就像后勤做好了前面就跑得更快，所以交感神经可以促进它的影响，这是很重要的环节，所以现在靶向治疗有一个方法就是阻断血管的生长。上述内容一定程度可以解释，城市里的女性患者往往集中在三类人，财务、中小学老师，办公室中低管理人员。因为她们门槛比较低，随时有可能被替代。她们工作成就感比较低，必须很认真，不认真可能会被淘汰。这些女性又往往比较追求完美，所以说她们持久地处于应激状态，这个主要是慢性心理应激。那么慢性心理应激还可以明确地说，可以促使癌症的转移和复发。特别是乳腺癌和卵巢癌。最近有一个研究非常有意思，慢性应激对癌症有触发作用，但是急性应激则相反，倒有一定抗癌作用。大家一定听说过，有人生了癌以后一场重病发了高烧……肿瘤好了，那就是急性应激。急性应激机理还没说清楚，临床是有这个现象的，但是慢性应激是很可怕的。它会抑制免疫功能，促使转移复发，特别是卵巢癌和乳腺癌。我综述一下，动物实验表明，慢性应激能加快加重肿瘤的发展。当然，今天我们现代人所面临更多的慢性应激是生活压力，抑郁，情绪调控和社会适应；抑郁、焦虑患者更容易转移复发。更有意思的是：多巴胺有阻击癌症的作用，所以可以一定程度的解释精神病患者，特别偏执狂他们往往癌症发病率比较低，发病也容易好，死亡率也比较低。所以我临床看到三分之一病人情绪很差的，我会给他们用黛立新，当然时间不会很长，因为社会上对精神类药物还是有点恐惧，我会跟他说清楚。讲到这，我把国外最近的有关研究结果向大家做个介绍，有一点是肯定的，在发病因素当中心理因素起多大作用人们还有争议，但是倾向于相信，聚集于慢性心理应激是一个触发器或者一个加速因素。但是生了癌以后心理因素对他的康复、对他接受治疗、对他下一步生活有明确的主导作用，这是毫无争论的。生了癌以后我们癌症的治疗效果不好，这是很大程度就是我们的文化因素，我们认为“十个癌症九个埋”，就是被吓死的。我想讲个故事，我临床看的肿瘤病人比较多，胰腺癌是我比较专长的，我想讲两个胰腺癌患者。刚刚一个胰腺癌患者发了条短消息给我，他是家央企的老总，胰腺癌后腹膜转移，开始时没有转移但是没法手术，这个人很倔，他是个哲学家。五年过去了，治疗以中医为主，局部做过伽马刀，手术放化疗都没做过现在还活得很好，现在天天打高尔夫球。他的指标 CA199 最高的时候达到 400 多，现在接近 27 。他现在认为自己一方面是中药，一方面他就靠高尔夫球场。他也介绍他的搭档来给我来看，也是一个非常著名央企的老总，是神经内分泌癌、也是胰腺，他是 08 年确诊的，查出来已经肝转移了。这个人非常聪明，他的夫人也非常能干，把所有他治疗的事情都张罗过去，他反而什么也不管，然后四年半活下来了。他们两个都活得很好。我还有一个病人让我感触太深了，上海市一个统战干部，也可以看做是一个中低层管理人员吧，她是一个老同志， 62 岁时胸口痛一查胰头肿块， 8.8 乘以 8 公分。强行进行破腹，破腹一看不能开了，又关了起来。她的妹妹是华师大的一个教授，是肠癌，把她带到我这来看。当时是 97 年，现在已经十多年了。当时哄着她，告诉她肿瘤开过了是良性的，就给她中药调整。一直到 2001 年，肿块从 8 公分小到 2.1 公分。然后妹妹到美国去探亲，就让她的老公陪着她去检查，她老公老实巴交的，陪她到上海肿瘤医院，医院里一位年轻医师给她做 B 超，做了半天说“某某，我要祝贺你，你的肿块小了”。这个老太当时就傻了，你们不是说我开掉了吗？我怎么还有？其实这是一句好话，但是她回去心窝下就疼，开始吃不下饭了。当时正好是过年，她的老公吓坏了，就把她妹妹从美国叫了回来做她工作，告诉她“其实你没有开掉，一点点治疗现在肿块变成 2 公分，你应该高兴”。但这个老太怎么也说不听了，从那天起开始沉闷，从 2 月份听了这么一句话，到 5 月份人走了。你说她是死于肿瘤吗？她死于恐惧。因此我们不讲机理，我们就讲临床，临床我可以说心理呵护是治疗肿瘤的第一环节。心理呵护重要的不是说有什么技术，重要的是有种态度，重要的是一种心，重要的首先是用语言，这个人就因为这么一句话，结果三四个月后她死了。有些观念我不用多说了，心理可诱发癌变，是癌症发生过程当中重要的诱发因素或者触发因素。然后，心理因素促使癌症急性发作，我刚才说了，食道癌可能是食道粘膜本来有损伤了。有个老农很有意思，他一直喝白酒，别人一直劝他“高度白酒你肯定不行”，老农说“我没关系，我不喝白酒活不了”，然后他家里牛被偷了。对农民来说牛是很重要的，对不对？牛偷了郁闷得很，和别人吵了一架，吵了一架后，半年多，吃东西堵住了。其实，他绝对不是半年里面生的癌，这个半年里面，财产损失了，然后，再加上特郁闷，一连串的打击，加速了癌变这个过程。所以，心理因素可以促使或者加速癌症病变过程，从而迅速出现临床症状。我还要告诉大家，美国人做了个研究，非常有意思。他们研究前列腺癌，在去年报导，引起了一场很大的争论。他们研究七百多例前列腺癌患者，从 57 岁 ~74 岁，也是前瞻性研究，都明明确诊为有局灶性的前列腺病变（有病理支持的），就是前列腺癌，原位癌；然后，都没给开刀也没给放疗，只是保守治疗，当然内分泌治疗是上去了……。最终，这些人中，持续观察了 20 年，只有 7% 是最后死于前列腺癌的。你想想： 700 多个患者， 20 年后，只有 7% 死于前列腺癌症，其他人都活着，或者因为其他疾病死了……。所以，回过头来看，如果换一种方式，如果当时第一时间告诉他：你生了癌症，然后紧接着做各种创伤性治疗，也许绝对不是 7% ，肯定会更多的人死于癌症。我们很明确地说，癌症是走走停停的！有可能会自我停留在某一阶段，甚至倒回去。过去，我们总认为病变是持续发展的，就像高速铁路，一直开，从南京开到北京！其实不是这么回事情！癌细胞它是走走停停的，甚至于会往回退！某种情绪因素、饮食调整等，的确可以让某种癌症治愈。上海有本杂志，叫《新民周刊》，很权威，去年的第 10 期，报导了两个案例，当然，它是作为社会刊物，报导两个案例，题目用的很不好，叫：“癌症是思想病”。癌症肯定不是思想病，对不对？但是他报导的第一个案例就是个老板，这个人姓布，胡吃海喝，喝了多少吨啤酒，然后喝出了膀胱癌，吓坏了！然后，躲到一个深山老林里去，开始种地，开始植树，返璞归真，和过去挥霍的生活，拜拜了！一段时间后，再一查，这个人也没手术，居然治愈了……！这种治愈的可能性是有的。因为癌细胞本身是正常细胞的退化，它本生是“钟摆”效应的结果，它可以往后退，也可以往前行……。前行，就可以理解为进化到（或回归为）基本正常状态！因此，作为一个临床医生，如果你接触到肿瘤患者，也许你不一定能帮他抗癌成功，但是你可以帮他一把，帮他走出难关。我很相信这么一句话：“医学偶尔去治愈，常常去帮助，总是去安慰”，当然，这安慰要巧妙，对不对？因此呢，如果我们有点心身医学知识，那么决定着你能不能帮它度过难关。癌症患者有一个急性心理危机，大概持续 3~6 个月。男性一般为 3 个月，有的比较纠结的人可能时间更长一点，渡不过这个难关，就走了，很明确！所以，心理危机干预的成败，常常决定着整个治疗的成败！在今天，老实说，癌症治疗的成功主要不是靠药物，药物只起到其中一部分作用！癌肿的手术的确很关键。国外的相关卫生组织有过一个研究，非常有意思， 2002 年，综合了至今为止，历史上的 3 大疗法，“手术、化、放疗”，中医还没归纳进去，因为对他们来说，中医不是主流。手术成功能让人活下去的有效率，可以达到 22% ；放疗对鼻咽癌等有效，有效率可以达到 18% ；化疗只有 5% ……。所以，回过头来看，决定治疗成败，很大程度还是第一时间能不能帮他一把！“帮他”，包括语言，包括心理，包括药物！当然，首先是语言，它决定着患者能否顺利康复。这里，我们注意到一个非常有趣的现象：现在，男人的癌症发病率、死亡率大大超过女性；我刚才讲的意大利的那个研究，那个时候 1100 例死于癌症的患者中， 700 多例是女性；男性才 300 多例。可见，那时候生癌的，男性少数，女性多数！而现在，女性则集中于两三个癌，乳腺癌、宫颈癌和卵巢癌。现在是男性大大多于女性了。而且，肺癌是第一位的。但是，女性即使度过难关了，有的很纠结的女性，往往还是容易转移复发。所以，我觉得，精神压力，精神抑郁对女性肿瘤康复来说，更为重要。当然，上述这些，还影响着医患关系，这不用多说了！我们心身医学学好了，首先你可以建立良好的医患关系。我再讲几点经验：因为我长期从事肿瘤研究、临床研究，我认为心理问题出在病人身上，但是根子在医生身上；或者说主动权、主导权在医生身上，包括有影响力的家属身上。聪明的医生要做好家属的工作，这点很重要！医生可以做很多事情，不一定肿瘤科医师，有很多人生了癌症，他不来看肿瘤科！但是，要做好工作，心理支持，需要技巧和知识。首先，需要帮助患者认识到：其实，癌症就是一种慢性病。我写了本新书，得了好多奖，也被中华医学会评为优秀著作奖。现在，上海市也要把它推出来得奖……！其实，我写了很多著作，很少得奖！我的几十本著作加在一起，销量还不如一本科普书（《癌症只是慢性病》）发行量大。就是因为它传递了一个新的认知、新的共识：“癌症只是慢性病”！当然，我们向患者传播，还得有一定的技巧。这个技巧就是肿瘤治疗过程中，心理呵护要贯穿于全过程，这个贯穿于全过程非常得重要。我一直在呼吁，社会要传递一个正确的观点，或者说共识：“肿瘤（癌症）其实并不可怕！”美国的癌症患者， 5 年生存率达到了 70% 左右；美国人生了癌，平均可以活 11 年多一点点；美国 3 亿人口，每年实体瘤患者大概 150 多万！现在，仍活着的有 1650 万……。上海是全国医疗水平最高的，上海是 1300 万户籍人口，每年新增癌症人数 4 万多一点点，不到 5 万；但是上海户籍人口中现在活着的癌症患者只有 15 万，算一算，一个人生了癌，就只能是活 3 到 4 年啊！上海五年生存率就是 30% 多一点点！而且，治癌水平，上海在全国是最高的。那么，差异绝对不在于医疗水平，你开刀不如外国人开得好？不见得；放疗，中国人放疗绝对过剩；化疗我们更过剩，国外用的新药我们都用，国外用的靶向药我们也都用，但是，为什么会有巨大差异呢？其中原因之一是因为我们缺乏宗教支持，当然，这不是最主要的。第二、我们集体笼罩在“生了癌一定死”的心理恐惧过程中。第三、我们医生也有责任，把癌症问题说的很严重。说的很严重，往往是为了保护我们自己！但是，你没有想到，这个过程中会严重伤害了他。所以，回过头来看，心理呵护应该贯穿在肿瘤患者治疗的全过程：社会有责任来传递正确的知识；医生要从接诊患者开始做起，要给他正确说法：“癌症只是慢性病，悠着点更好”。包括胰腺癌，我最长的胰腺癌患者活了 22 年，去年去世的， 82 岁走的。包括肺癌，太多了！越是纠结，越是手术动的多，越是放疗化疗方法用的多的，死的越快。所以，当今肿瘤治疗过程中存在着严重的治疗过度，悠着点更好。我最近还想写一本新书：就是“生癌悠着点更好！” 还有许多方面要注意，心理呵护要渗透到各个环节 —— 包括门诊、护理，门诊内外，包括家庭；要整合各种技巧。我们心身医学有个认知疗法，改变他的认知，这是贝克提出来的。其实改变患者的认知非常重要。我临床看病是个圆桌，老病人占 70% ，新病人占 20% 多一点点。新病人刚刚坐下去，老病人就关心地问他：你生什么病啊？你生肺癌，我也生肺癌，我 5 年了！……老实说，他说一句话，比你说 100 句话还管用！新病人就在想：“你可以活 5 年啊！那我为什么不能呢！我也想活 5 年！……所以，这种方式方法，我们都应该渗透进去。我刚才和我们袁主任（本学会秘书长）说：我们现在医生太累，我们现在的医生变成操作工，天天忙于这，忙于那！但是没有把医疗放到真正该放的地位！医疗只是变成了程序化的东西……很遗憾！医生还要学会说话。同样一句话，你怎么去告诉他，你怎么去让他知晓，这非常重要。我觉得《灵枢 · 师传》有一段话讲得非常好，他说：对于那种难以约束的人，怎么去治疗？“告知以其败，语之以其善，导之以其所便，开之以其所苦，虽有无道之人，恶有不听者乎？”虽然，这个人不太好调教，你真做到了这些，再让他这么做，他不会听吗？告诉他：你为什么会生这个病！对于肿瘤患者来说“告知以其败”，你为什么会生这个病？如果你继续下去：后果还会怎么样！“语之以其善”，就是告诉他：你怎么走，才能走出困境！我们《黄帝内经》里面讲“导之以其所便，开之以其所苦！”让他的生活舒服一点，解决他的痛苦，他会不听你的吗？这就是心理治疗的整个原则。因此，我觉得要心身综合，我们心身医学学科有一个优势：大家都是其他各科专家，然后再兼顾心身相关知识。所以，你光用原先各科的一方面知识、技巧，不行！我们和临床心理还不一样，临床心理只能开导方式方法，我们还可以解决你的躯体痛苦！所以，要心身综合。最后，我还特别强调：对肿瘤患者进行心身治疗，以不经意的方式最好，以漫谈的方式，不要直截了当讨论这个问题，最好！新病人呢，我的病卡放在前面，我一看这个人是肺癌，一看卡上有个暗示，骨转移了！……。如果前面一个患者也是肺癌的话，我就会和他多展开讨论，实际是说给那个新患者听的。以不经意的方式告诉他你最想告诉他的，最好！因为患者和医生沟通中，患者他启动了心理防范机制！他对你的话，听！但是，他过滤了听，认为：“你在说给我听”，在安慰我，做我的思想工作……，他会防范，警惕，打折扣！效果大有影响……。所以，我们要有点技巧。还有一点非常重要的：就是加强社会支持，帮助组建非正规的患者团体。比如，康复乐园之类的。做家属工作，帮助牵线，我们甚至帮助新老病人搭成对子。我最乐于介绍的是我们有一个“帮派”，原来叫“四人帮”，病都比较重。三个男的一个女的，三个男的都是肺癌，其中一个还是凶险的小细胞肺癌。三个男人名字中都有一个“宝”字。然后，那个女的是卵巢癌肠转移！他们家庭条件都比较好，他们四个人呢，同病相怜，惺惺相惜！空余时，合在一起，无聊，就到处去旅游了，我叫他们四人帮。那时候是 07~08 年，然后，越滚越大，越滚越大，现在变成 20 几个人了！结果，他们的团队里复发率、死亡率下降的多了，好像进去后就没有死掉的了！因为天天很开心，去玩嘛！如果你呆在家里的话，患者们有个习惯，同时住院的，会打电话相互告诉：谁死了，谁谁又复发了！……。听电话的那个人，当天晚上就睡不着了，过两天，他也会死……，因为，他老是听到负面的消息。所以，医生有的时候只是指导作用！都让医生来做，可能做不过来。但是，你可以让他们凑在一起，互相帮助啊！而且，这对医生也有好处！他们会帮你宣传。所以，我们要加强社会支持。其实，肿瘤患者作为一种重病，作为一种慢性病，治疗中，躯体要控制住，心理也要稳定住，还要回归社会。不回归社会，他始终不是健康的！必要时，还可以帮助改变周遭环境。我觉得我们医学不只是简单地“给药”。我刚才说了，对于肿瘤患者，第一时间，除了给他中药治疗、西医建议外，有焦虑的、抑郁的，还给他推荐抗抑郁方法……！还要适当地帮助他改变环境。其实，人是一种社会动物，环境对他改变很大。这个改变环境有两个含义：一个含义，比如说北方的肺癌患者，一到秋冬天，他肯定很难受，我们学会的老会长，中华医学会心身分会的老会长刘教授，在座的吴院长（苏州医学院院长）也对他很熟悉，他也是胰腺癌， 06 年得的病，当时胆管堵塞了装了个支架，年龄大了，没有手术、放疗、化疗！六年多过去了，他活到现在！现在活得很好。冬天我就建议他到南方去，他在海南文昌买房了！因为那种条件下，在北方又干又冷，很可能伴发感染。必须改变他周遭环境。这是讲的地理环境，自然环境。还有改变人文环境。其实，人文环境对肿瘤发生也很重要。我讲个简单的事例：我原来是上海华东师范大学一附中的。 98 年我被华东师范大学他们聘为教授癌症俱乐部的顾问。我就好奇地问他们的会长，我说：教授癌症俱乐部是不是一定要教授才能参加？他说“对啊，不是教授不能参加”！我说你们会员一共有多少？他说有 286 个会员。我印象很深，我惊呆了，那时 90 年代末，我说你华东师范大学一共有多少在职的教授、副教授啊？包括退休的，他说不到 1000 个……！我就给他一算，我说照你这样个算法，你不到 1000 个教授，就有 286 个人生癌了？我当时很纳闷。同济、交大、复旦都没有这么高啊！后来，我深入再一了解，就给出了个解释：我对他们学校也比较熟，那个时候，我们社会对文科不重视！那个时候，中国文人又一直“相轻”，因为外面机会太少，只有一点点机会，所以，你挤压我，我排斥你！那个时候，搞文科的，除了论文，就是写书，就是上课……，那个时候写书没这么好写，很难出版……！上个课，才多少钱？所以，他们大学的教授工资，比我们低多了！人际关系也比我们复杂多了！这样下来，文科单位癌症高发，就不难理解了。这就是人文环境问题。其实，这非常典型！我们可以看到：某个单位癌症高发，除了生活方式不当之外，一定就是人文环境有问题了！所以，怎么改变周遭小环境，包括人文环境，非常重要。其实，我是个中医学院的教授。中华医学会心身医学分会是多学科整合在一起的。医学就是种手段。我们是通过各个学科相互协助，才能帮助病人解决问题的。没有必要互相排斥！我们今天这一点做得很不好。两年前，我们共同努力，撮合全国医学力量，开过一个“整合医学大会”！把中国的六大医学团体都整合在一起。但是大会开完后，没有了成果，我们仍然各自为政！每个人单独去对付病人。为什么不把各种手段整合起来？我现在临床就很注意：病人该手术就手术，该伽玛刀就伽玛刀！……因为邓小平说过“黑猫白猫，逮着老鼠就是好猫”。今天，就是和大家漫谈一下，做个总结：癌症发生过程中的确和心理因素有关。这个心理作用在癌症发生过程中主要起着诱导、催化、加速的作用，倒不是主要病因。往往表现为慢性应激，女性更容易受到伤害。癌症患者确诊以后，心理因素往往决定着他们能不能活下去，能不能渡过那三到六个月心理危机期。即使心理危机期过去后，如果还是长期处于慢性应激状态，就要想尽办法帮助他纠正。在这个纠正过程中可以采取综合措施，应该全程关注。在这个过程中抗抑郁、抗焦虑药是为首选。我的漫谈就到此为止。可能让大家有所失望了！谢谢。; 个人分类: 学术与演讲|2412 次阅读|29 个评论

温补之法，莫过于灸法——艾灸漫谈: sheep021 2012-8-22 15:07; “ 正气内存，邪不可干 ; 邪之所凑，其气必虚。 ” 正气是生命活动和抵抗病邪的源泉。正气充足，就能保持阴阳平衡，从而提高人体的免疫、卫外、调节、代谢四大功能。扶养正气，贵在于脾肾，古人云： “ 脾为五脏之母，肾为一身之根。 ” 脾肾一虚，正气则虚，邪气则盛。故扶养正气贵在 “ 温补 ” 脾肾。温补之法，莫过于灸法，灸者，乃艾之火攻，能壮人阳气，益人真阴。张景岳： “ 凡通体之温者，阳气也。一生之活者，阳气也。五官五脏之神明不测者，阳气也。 ” 阳气者为人身之根本，阳气旺，犹若日照当空，万物有生发之机。倘若阳气衰败，犹若阴霾满布，万物枯亡。然，艾灸之法，何以能壮阳气呢？艾火连续燃烧，能使温热之气由孔穴传达经络，又因经络和脏腑相互联系，致使直达五脏六腑，十二经脉循环全身，能壮元阳固虚脱、有培补元气，固阳益阴，调和营卫，延年益寿，抗衰防病之功，乃为历代养生大家所尊崇。宋代窦材《扁鹊心书》云： “ 人之真元乃一身之主宰，真气壮则人强，真气虚则人病，真气绝则人亡，保命之法，艾灼第一。 ” 其在书中亦云： “ 人之晚年阳气衰，故不能温，下元虚备，动作艰难，盖人有一息气在，则不死，气者阳所主也，故阳气尽则心死。人于无病时，常灸关元、命门、气海、中脘 …… 虽未得长生亦可保百年命矣。 ” 故艾灸之法可治未病、治未乱。四穴者，乃温补脾肾，扶养正气，保命之要穴也。 “ 关元 ” 者，又名丹田，任脉之穴，在脐下三寸处，其居于下焦，真阴真阳关锁于此，为一身元气所在，乃生化之源，男子藏精，女子藏血之处。　　 “ 命门 ” 者，又名精宫，督脉之穴，在第二腰椎之下与脐相对，男子藏精，女子以系胞 ; 其气与肾通，是生命之根本，是维护生命的门户，故称为命门。《景岳全书》云： “ 命门为元气之根，为水火之宅。五脏之阴气，非此不能滋。五脏之阳，非此不能发。 ” 所以本穴是生命之门，是人生命力的中心。此二穴者，用纯阳艾火常灸之，可振奋肾气，使肾阳充足，便能推动整个机体的气血循环运行。 “ 中脘 ” 者，又名太仓，任脉之穴，在脐上四寸处。《难经》云： “ 中焦者，在胃中脘，不上不下主腐熟水谷。 ” 六腑与五脏互为表里，胃为五脏六腑之海，故古人云： “ 得胃气者生，失胃气者死。 ” 道家亦讲： “ 百谷之实土地精。 ” 这是说明人赖百谷以养其身 , 凡养生调病者 , 当首应调和胃气 , 胃气调则生 , 是人体养生之要穴之一。气海，身体前正中线上，肚脐正中下 1.5 寸。可以先四指并拢取脐下三寸（关元穴），中点即是气海穴。所谓 “ 气沉丹田 ” ，这里的 “ 丹田 ” 就是指气海穴。丹田穴与人的元气相通，是元阳之本、真气生发之处，更是人体生命动力之源泉。此穴能鼓舞脏腑经络气血的新陈代谢，使之流转循环自动不息，生命因此得以维持，故又有 “ 性命之祖 ” 之称，也称之 “ 十二经之根 ” 、 “ 五脏六腑之本 ” 。又因为丹田是 “ 呼吸之门 ” ，又是任、督、冲三脉所起之处，全身气血汇集之所，故此也称为 “ 气海 ” 。古书记载此处为男性 “ 生气之海 ” ，也就是说它是精力的源泉。因此 “ 气海 ” 如果充实，则百病可治，永葆强壮。本穴对妇科虚性疾病，如月经不调、崩漏、带下，或者男科的阳痿、遗精，以及中风脱症、脱肛都有很好的防治作用，特别对中老年人有奇效。曾见一个老人每天早上坚持用手掌揉气海，其实手掌那么大，岂止是气海啊，连关元、肚脐还有下面的几个挨着的穴位都一块儿揉了。老人说“效果太好了”。另外，足三里也是一个常用保健穴。 “ 三里 ” 者，足三里也，一名下凌，在膝眼下三寸外一横指处，为足阳明胃经之合穴，是五输穴之一，胃腑的下合穴。经属五行之土，穴属土，根据 “ 合治内腑 ” 的原则，凡胃腑的疾患皆可使用。所谓土生万物，胃与脾相表里，故统治一切脾胃之疾，祖国医学认为： “ 脾胃为后天之本 ” 。调补足三里，实培补后天，是养生保健的第一要穴。灸足三里养生保健，我国古代有很多记载。《医说》讲： “ 若要安，三里莫要干。 ” 意思是说若要保持身体的健康平安，应常灸足三里穴。古人还有 “ 每月必有十日灸足三里穴，寿至二百余岁 ” 之说。明确提出无病之人，长灸足三里可以延年益寿，故称为长寿之灸。本穴具有补益脾胃、扶正培元，调和气血，祛邪防病的功效。总之，灸法既可补阳又可调阴，有畅通经络、温散寒湿等作用。特别对中老年人正气不足、免疫功能低下者，有温补正气、提高机体免疫功能的作用。很多老年人应用了保健灸法后感到精力充沛、思维敏捷，减少了疾病的发生，收到了祛病延年的功效。据临床报道，现代已将灸法广泛用于支气管哮喘、过敏性鼻炎、功能性消化不良、肠易激综合征、 ED( 勃起功能障碍 ) 、阳虚便秘、痛经、盆腔炎、面瘫、颈椎病、偏头痛、慢性风湿性关节炎、中风 ( 主要是对缺血性中风 ) 等神经系统、运动系统、消化系统、呼吸系统、生殖系统等数十种常见疾病的治疗。需要说明的是， “凡有一利，必有一弊”，灸法也是，能治病，也能致病，需要在医生指导下进行，不可乱灸！过犹不及，曾有一 70 岁老人，听了江湖术士的话，夏天温灸气海两个小时，以求壮阳之效，结果可想而知——见效之后，大病一场，只好去看医生，医生说，“不要命了？！” 夏天无病多灸气海会短命的哦。; 个人分类: 生活点滴|2013 次阅读|0 个评论

鸳鸯绣了从教看，且把金针度与人——针灸漫谈: 热度 1 sheep021 2012-8-22 14:48; 针灸是两种不同的中医治疗方法——针刺和艾灸的合称。针刺是把毫针按一定穴位刺入患者体内，运用捻转与提插等针刺手法来治疗疾病。艾灸是把燃烧着的艾绒或艾条按一定穴位熏灼皮肤，利用热的刺激来治疗疾病。古代有“一针二灸三用药”的说法，说明了针和灸的重要性。当然，针和灸临床上也常常结合应用，故称为针灸。如古代医术《针方六集》中说：“不针不神，不灸不良。”意思是说单用针法虽可取得神效，但针、灸并用效果更佳。但是目前很多人说的针灸其实是单指针刺疗法。虽然两者都是基于中医的精气神、经络腧穴理论，通过刺激经络腧穴，达到调和阴阳的目的，但治疗的范围并不一样，所谓“针所不为，灸之所宜”。一般来说，针刺以开导、疏通、凉泻为特长，主要治疗实热证；而艾灸以收摄、封固、温补为特长，主要治疗虚寒证。一、鸳鸯绣了从教看，且把金针度与人针刺疗法相传是伏羲发明，《史记三皇本纪》：“太暤庖牺氏，风姓，代燧人氏继天而王。”他继承了经络腧穴、艾灸的理论和方法，并有发展，这就是所谓的伏羲制九针。九针是古代九种针形的统称。语出《黄帝内经》。《灵枢·九针十二原》载：“九针之名，各不同形。一曰镵针，长一寸六分。二曰员针，长一寸六分。三曰缇针，长三寸半。四曰锋针，长一寸六分。五曰铍针，长四寸，广二寸半。六曰员利针，长一寸六分。七曰毫针，长三寸六分。八曰长针，长七寸。九曰大针，长四寸。”但《黄帝内经》未绘九针图形，至宋代《济生拔萃》方初绘九针图。《灵枢 · 官针》：“九针之宜，各有所为；长短大小，各有所施也，不得其用，病弗能移。”研究表明，古人所说的九针，既不仅限于针灸针，也不限于九种，而是对古代多种医疗器械的总称。从工具看，古人用针除了导气、引气以外，还能放血、破痈、排脓。按材质分，针具也经历了骨针、石针、金属针等不同的阶段。就金属针而言，金、银、铜、铁都能做针，但金针最佳。如，近代名医王乐亭医生所用的金针，是用九成黄金一成黄铜的合金所特制的针具，与银针、铁针、不锈钢针均不同。黄石屏认为金针之善有三：性纯而入肉无毒，一善也；质软而中窍无苦，二善也；体韧而经年无折，三善也。”黄公言金针三善，确是名言。然其运针之术却难以传承，不下苦功，难用其针。旧时行针，隔衣而入，非内功深厚者，无人可用。所以石屏公在南通医学院之前身，授针灸课，学子皆畏马步站桩，黄公亦无可奈何。现在一般市售之钢针，便于操作，易於灭菌，适宜针灸之普及推广。这正是：鸳鸯绣了从教看，且把金针度与人。针灸几乎对所有病症都有一定效果，因为针灸是直接作用于人的经络的，而经络是沟通内外、连接五脏六腑和身体各组织的。因此几乎所有疾病，都源于相应经络的阻塞、气血亏虚或过旺等，针灸正是通过疏通经络、调理阴阳、虚补实泻的方法，使人体恢复健康，所以，几乎没有不能用针灸治疗的病，当然，这与施术者的水平高低有很大关系。清末“金针大师”黄石屏治病，不用药石，只以针灸治疗内外科，疑难病症，而且能够针到病除。举凡风劳、臌膈、耳聋、霍乱、痹症、癫症、调经、定胎、无嗣或绝育等等，无不应手奏效。黄石屏自幼跟随祖父习武，先是练习投掷鸡毛，到十岁时竟能投至一丈开外。接着祖父又教他练习指功，时间一长，以手击墙，墙砖成洞。祖父方才教他黄家祖传绝技：针灸。黄石屏天生秉性独厚，在三十岁时，医技炉火纯青，青出于蓝而胜于蓝了。他所用的金针长一尺有余，平日，那根金针总是圈套在左手的中指上，给病人治病时，才取下拉直。据黄岁松《黄氏家传针灸》一书介绍，石屏针法特点有：其一，必须精少林拳术和内外气功，才能将全身精、气、神三宝运于二指之上，施于患者患处，而有不可思议之妙。其二，纯用金针，因金光滑而不生锈；其性软，不伤筋骨；其味甜，能祛风败毒，补羸填虚，调和气血，疏通经络，较之铁石，截然不同。黄氏用针，软细而长，最长的达一尺三寸，最短的也有四寸，非用阴劲不能入穴。其三，取穴配穴，略有不同。深浅、补泻、随迎、缓急、主客、上下、左右、腹背、脏腑、经络、辨脉等等，凡下针前必慎重。可针不可针，可灸不可灸，反复审察。黄岁松回忆石屏治病时的情景说：“必先临证切脉，沉吟良久，立眉目，生杀气，将左右两手握拳运力，只闻手指骨喇喇作响。然后操针在手，擦磨数次，将针缠于手指上，复将伸直者数次，衔于口内，手如握虎，势如擒龙，聚精会神，先以左手大指在患者身上按穴，右手持针在按定穴位处于点数处，将针慢慢以阴劲送入肌肉内，病者有觉痛苦，直达病所，而疾霍然。” 可见石屏先生医疗态度是何等严肃认真。二、艾灸：简单易行，爱满天下相比较而言，艾灸的发现和应用的历史要比针刺长，可以追溯到燧人氏钻木取火的时代，那时人们使用艾绒做为媒介引火，因为艾绒本身具有易燃、持久的特点，灰中有火，死灰复燃就是形容艾绒的这一特点。加之艾草本身就是很好的中药，端午节屋外悬挂鲜艾草利用其芳香温热的性味来辟邪解毒。生艾叶煎煮内服，可以温暖下焦，治疗妇人经痛带下、宫寒不孕。焦艾叶或者艾叶炭可以止血。艾灸就是使用燃烧的艾绒，炙烤相应的穴位。百草之中选择艾草的原因在于艾绒燃烧时温和持久，更重要的原因是艾绒燃烧辐射出的热能，其频率、波幅与冬日的阳光最接近，易于引起人体的共振，因而渗透性、穿透力特别强。艾灸有如阳光普照，驱除阴霾。人体体表或体内生长出的肿瘤、赘疣都是阴寒凝结而成，艾灸一到，立即枯朽瓦解。李时珍在《本草纲目》中说：“艾叶取太阳真火，可以回垂绝元阳。服之则走三阴，而逐一切寒湿，转肃杀之气为融和。灸之则透诸经，而治百种病邪，起沉疴之人为康泰，其功亦大矣。老人丹田气弱，脐腹畏冷者，以熟艾入布袋兜其脐腹，妙不可言。寒湿脚气人亦宜以此夹入袜内。”意思是说：“点燃艾绒的火如同阳光一样，可以振奋唤醒人的元气，挽回人的生命。服用艾叶的话，药效主要作用在足三阴经－肝脾肾，帮助人体排出寒湿气，把象秋天一样肃杀的寒气变成春天一样温暖的祥和之气。如果用艾叶做灸疗，热力可以穿透经络，治疗多种疾病，让久病的人恢复健康。老年人小肚子元气不足，怕冷疼痛的，也可以用熟艾放在肚兜里面，效果很好。脚冷而且老出汗的人，也可以把艾叶放在袜子里面。温补之法，莫过于灸法。灸者，乃艾之火攻，能壮人阳气，益人真阴。张景岳说：“凡通体之温者，阳气也。一生之活者，阳气也。五官五脏之神明不测者，阳气也。”阳气者为人身之根本，阳气旺，犹若日照当空，万物有生发之机。倘若阳气衰败，犹若阴霾满布，万物枯亡。然，艾灸之法，何以能壮阳气呢？艾火连续燃烧，能使温热之气由孔穴传达经络，又因经络和脏腑相互联系，致使直达五脏六腑，十二经脉循环全身，能壮元阳固虚脱、有培补元气，固阳益阴，调和营卫，延年益寿，抗衰防病之功，乃为历代养生大家所尊崇。宋代窦材《扁鹊心书》云：“人之真元乃一身之主宰，真气壮则人强，真气虚则人病，真气绝则人亡，保命之法，艾灼第一。”其在书中亦云：“人之晚年阳气衰，故不能温，下元虚备，动作艰难，盖人有一息气在，则不死，气者阳所主也，故阳气尽则心死。人于无病时，长灸关元、命门、气海、中脘……虽未得长生亦可保百年命矣。”故艾灸之法可治未病、治未乱。四穴者，乃温补脾肾，扶养正气，保命之要穴也。这里介绍一个养生灸法：立秋之日灸关元，立春之日灸气海，均需隔一分厚的姜片。一般女 14 岁－ 28 岁之间，男 16 － 32 岁之间， 63 壮，如女 28 岁、男 32 岁以上，则每七岁加 18 壮；如果女 14 岁、男 16 岁以下，则每七岁减 12 壮。无论男女， 3 岁以下，禁用此灸法。这叫做升阳养生灸，一年只灸这两次，但是每次壮数要灸够，效果非凡。三、针艾常灸，健康长寿针灸是中国先祖源于自然的发明，传统针道的本质就是简约和朴实，摒弃了经验、功利和主观人为而返璞归真、重归自然，自然而不加修饰，简约而不简单，朴实而不朴素。与“回归自然”的世界潮流相适应，针灸的“副作用小或无”比其“疗效”更能引起西方人的关注，许多西方人比国人更相信针灸的神奇。作为一些疾病的“替换疗法”或“补充疗法”，西方已有越来越多的人寻求针灸治疗，从戒烟、减肥、镇痛、康复、到治疗各种疑难杂症，使得到验证的针灸适应症越来越广。纵观中国医学史，针灸为中华民族的健康与繁衍作出了巨大贡献，横览当今世界，针灸以她特有的魅力在全球性“回归自然”的大潮中独领风骚。中国的文字也很有意思：针与真谐音，艾与爱谐音，针、艾与真爱谐音，灸与久谐音，针灸二字之中，蕴含着针艾常灸，真爱常久，健康长寿之意。特别是艾灸，在古代就用于延寿健身，被称为“长寿灸”、“长生灸” ，《灵枢经》记载： “ 灸则强食生肉。 ” 指有增进食欲，促进人体正常发育之功。唐代著名医学家孙思邈，幼时多病，及至中年开始用灸法健身，常令 “ 艾火遍身烧 ” ， 93 岁时仍 “ 视听不衰，神采甚茂 ” ，甚至年过百岁还能精力充沛地著书立说。总之，针灸之法，历史悠久，效果卓著，操作简便，切实可行、绿色环保，在普通百姓面临看病难、看病贵的今天，用于祛病养生、益寿延年将有重要意义。（注：此文发表在《生命世界》，原题目为《针艾常灸，健康长寿》）; 个人分类: 生活点滴|3225 次阅读|1 个评论

学习漫谈（58）：思路需要经常梳理——从猫梳毛谈起: 热度 20 sqdai 2011-8-9 08:58; 我家养猫已有 17 年历史。空闲的时候，我喜欢静静观察猫在各个年龄段的行为，如幼年期的顽皮淘气，青春期的激情横溢，老年期的老气横秋，都有各自不同的表现方式，但是，猫们有一个一成不变的习惯：不管是老猫还是小猫，无论是家猫还是野猫，都喜欢梳毛，很少见到毛发盘根错节、邋里邋遢的猫。它们经常安分地斜躺着，用舌头细细地梳理够得着之处的毛，直到猫毛平整柔顺为止。尤其是那只曾陪伴我们十四载的波斯猫汤米，尽管是只公猫，每天用于梳毛（白色的长毛）的时间决不少于妙龄少女梳洗打扮的时间。我和李老师见了，常对它说：“汤米，你又在‘臭美’了！”它却不理不睬，梳毛依旧。想着，想着，我就联想到：我们应该像猫梳毛那样，经常梳理我们的思绪，特别是在学习和科研过程中。我喜欢观察猫，但更喜欢观察人：从细微之处，观察我所见的人们的行为举止、做人处事乃至人品学问。例如，我很注意人们的说话方式，从闲谈到做报告或授课，都很留意。经常发现：有的人思路清晰，表述清楚，听其娓娓道来，实在是一种享受；有的人则思路混乱，表述杂乱无章，听来很不舒服，尤其是听这样的长篇大论时，有“心灵受刑”的感觉。后又发现，大致说来，前者比较勤快，勤于整理自己的思路，有时听到他们讲述同一件事情，一次比一次讲得有条理，这表明：他们又梳理过材料和思路了；而后者一般思想上较懒惰，不爱梳理自己的思绪，听他们讲话或看他们的文字，就像偶然见到的毛发蓬松缠结的猫。说到这里，我又要讲林家翘先生当年在清华读书时的故事了（听过的别嫌我罗嗦）。 1933 年，林家翘以第一名考入清华大学，进了物理系； 1937 年，以第一名从该系毕业，靠的是勤奋和有效的学习。他每天上完课之后，先闭目思考，“过电影”，回想当天听过的课，然后整理自己的思绪，写下笔记；然后比照上课时的笔记，加以修改；到课程结束时，又拿起笔记，再度梳理思路，整理成新的笔记。因此，大学毕业时，除了已装进脑子里的知识以外，还有那一二十本经过条分缕析的笔记。这些笔记在 1939 年昆明的庚款留学的选拔考试中，帮了他和钱伟长、郭永怀的大忙。我认为，林家翘先生的成功有诸多因素，而经常整理思路肯定起了一定的作用。智者大多如此。你瞧瞧，《论语》的每个章节，条理何等清楚！在学习漫谈（ 20 ）（见链接）中，我从学习目的、方法和技巧的角度，提及“治疗”学习中的“健忘症”的“药方”，也谈到了学习中的归纳整理问题，但没有细说，这里补充一些梳理知识的要略： —— 梳理思路要及时。最好像林家翘先生那样天天梳理、周周梳理，这样效果最好。 —— 梳理思路要得法。要下足“去伪存真，去芜存菁”的功夫，学会抓大放小，抓住基本概念、主要方法和主要思路，抛弃一些细枝末节。例如，我在给本科生讲授理想流体力学课程时，就经常强调，这门课程共有 30 个基本概念， 5 种主要方法， 10 个重要结论， 60 道基本习题，抓住了这些“纲”，就可以纲举目张，触类旁通了。 —— 梳理思路要“排外”。我在 2010 年 9 月 23 日的博文（见链接）中，提出了经常对自己脑袋中的存储进行局部“格式化”的主张。也就是说，为了避免在头脑中出现记忆“拥塞”，要随时去除脑袋里一些无用材料；对具体知识而言，如果随着学习的加深，对一些问题有了新认识之后，就要对记忆库里的存储进行更新。 —— 梳理思路为应用。我们梳理知识的目的是为了记住更多的知识，而根本目的是应用。你把自己的“知识武器库”清理得井井有条，并随时添入“新兵器”，目的不是为了自我欣赏，而是遇到问题时随时把它们调出来用，找出最合适的“武器”去“破关斩将”，一旦“战役”结束，应把它们好好擦拭一番，以更好的方式保存起来。这样，你的本事就会越来越大。总而言之，希望青年朋友们经常让自己的脑袋处于有效运转状态，时不时地梳理自己的思绪，这不仅有利于做学问，对做人处事也有好处。【链接】相关博文 1. 学习漫谈（ 20 ）：怎样才不会把学过的知识全还给老师？ http://blog.sciencenet.cn/home.php?mod=spaceuid=330732do=blogid=434431 2. 在大脑里“开中药铺”——告诉青年学子一个小贴士 http://blog.sciencenet.cn/home.php?mod=spaceuid=330732do=blogid=366589 写于 2011 年 8 月 9 日晨; 个人分类: 寄语学子|8564 次阅读|22 个评论

漫谈健全社会救助制度: 黄安年 2011-5-24 16:42; 漫谈健全社会救助制度黄安年文黄安年的博客 /2011 年 5 月 24 日发布 5 月 20 下午 4:40 分左右 , 我在博客上看到深圳特区报理论部编辑王付永先生给我的留言 , 内容是 : 黄老您好：我是深圳特区报理论部编辑王付永，最近在广东东莞发生一件令人唏嘘的事情。我想邀请您从社会保障的角度谈谈这件事情的反思，联系国外发达国家的做法，谈谈对我们的启示，谢谢您黄老。您能否留下电话？深圳特区报王付永 16:46 分我随即回复 : 王付永编辑 : 这是一个个案 , 说明社会救助的重要 , 社会救助和社会保障并不是一回事 , 前者面对个别群体 , 后者面对全体或者绝大部分群体 , 这一个案又涉及刑事问题更为复杂 , 不是社会保障范围能够解决的。 17时,王付永编辑电话打来进行采访。当时我主要谈到的内容是:社会救济和社会保障制度之间的联系和区别。社会救济古已有之,限于邻里亲友和个别救助团体。只有到了20世纪30年代以来现代社会,30年代经济危机使人们认识到需要建立现代的社会保障和救济机制来解决保障和救济问题，这时社会救助才扩大为政府主导的广泛的社会救助体系，政府、各类基金会、各种社团组织、宗教组织均在其中负有各自的一定责任。救死扶伤，助人为乐，扶贫济困是社会美德。对急需救助的病困等弱势人群政府要管、社会要管、医院要管、救助团体要管。对于医院来说救人是第一位的，先解决救人问题,再来解决医疗费用的支付和分摊问题,不能见死不救。对政府来说需要制订并陆续完善相关社会保障制度中关于弱势人群的法令和政策规定,如单亲和寡妇家庭的儿童救助、残疾儿童照顾、特殊疾病的医疗保障等，只有采取综合措施才能避免类似悲剧的重演。今天上午11 时左右 , 王付永编辑打来电话说,上次采访编成采访对话已经发表在今天（24日）的深圳特区报理论周刊D1版，随后又发来了电子版。我要感谢编辑的热心和快速,不过我事前没有看过采访文稿，这是需要说明的。附相关报道和电子文本图片6 幅。 ****************************** 悲情母亲溺杀双胞胎脑瘫儿的“社会之痛” 2011-05-24 10:24 来源：中国网一个母亲之所以失去理智，以这样的方式夺走自己孩子的生命，足以见证其绝望之深。　　漫画：颜庆雄　　引子　　东莞寮步镇西溪村村民韩群凤有两名１３岁的脑瘫儿子，但在去年１１月２０日的深夜，孤独无助的韩群凤给两个孩子吃下安眠药，然后一个接一个地把他们放入浴缸……孩子死后，她自己服下农药自杀，但被救活。５月１５日此案开庭，将择日宣判。　　令人唏嘘的故事背后，我们不禁反问，我们的社会为什么１３年来让一个孤单的母亲如此无助？我们的社会救济制度发挥作用了吗？社会救济该往何处去？本期思与辨邀请专家对以上话题进行辨析。　　主持人：王付永深圳特区报记者　　嘉宾：黄安年北京师范大学教授社会救济研究专家　　连弟北京大学经济学院副教授　　唐开红南开大学社会学博士　　制度性的力量亟待解决　　主持人：１３年来，为了给两个儿子治病，这位母亲耗费了近百万元，奔走于各地求医，甚至失去了自己的工作。一个母亲之所以失去理智，以这样的方式夺走自己孩子的生命，足以见证其绝望之深。什么泯灭了一个母亲活下去的勇气？　　连弟：这个案例是个个案，至于最终会怎样定罪量刑，这不是我们关注的方面，我想，早已失去活下去信心的韩群凤更不关心判决的结果，我们只想通过这个个案来寻找一个社会层面的原因，在韩群凤１３年含辛茹苦的过程中，我们的社会给予了她制度性的帮助了吗？或者说通过我们的帮助让被帮助者看到了希望、感觉到温暖、振奋起了精神吗？人最大的悲哀莫过于醒来之后发现无路可走，偶然的帮助只能让她闪耀短暂生活的勇气，而制度性的力量则是让一个处在绝境的人能够继续生活下去的唯一支撑。前段时间看到一个报道，一个６０岁的老汉也是亲手结束了痴呆儿的生命，原因很简单，老汉患上了重病，他担心万一自己去世之后，儿子怎么办呢？不是嘘寒问暖，也不是一些临时的抚恤救助，这类群体最需要的是可以预期的未来。　　唐开红：他们最后的决绝源于对生活的无奈、对困难的无助。为什么会这样？其实这源于我们的社会缺少制度性关怀的力量，社会救助方面的法律建设以及相关法律的宣传还是非常薄弱的一环。在社会保障正式制度供给不充分的社会生态系统中，社会关怀的焦点本应集中于家族及宗族等上面，但是在社会急剧转型变化的时刻，市场化的保障供给不充分，家族关怀制度因为社会的流动功能弱化时候，出现一些极端的事件也就在所难免。　　应发展一批提供社会救助的组织实体　　主持人：在社会救济方面，西方社会走过了一条什么样的道路？对我们有什么启示？　　黄安年：社会救助体系是最低层次的社会保障，保障最低生活，是社会保障体系的最低目标、最低纲领。社会救济制度的前身是源于１７世纪初西方国家济贫制度，即由国家通过立法，直接出面接管或兴办慈善事业，救济需要帮助的。１６０１年，英国制定颁布了历史上著名的《伊丽莎白济贫法》，该法的出台标志着政府介入济贫事业的开始，１９世纪末，德国创办了社会保险制度。从西方的发展历程看，政府是社会救济制度的当然主体。当然这个主体的作用更在于它的示范、引导以及鼓励方面的作用。中国已经成为世界第二大经济体，发展完善社会救助体系是建设和谐社会必不可少的一环。　　连弟：推进社会救助，政府首先应当发展、创新一批提供社会救助的组织实体，让这些实体承担社会救助的一些具体工作，例如贫困程度检测、救助对象的发现和资格审核、定期家庭财产需求调查，救助效果评估等。当然创造各种有利条件方便基金会的快速健康发展，是政府推动救助事业最重要的工作。　　社会救助是传递多种资源的复杂过程　　主持人：基金会目前在我国的发展处在一种什么样的情况？应该如何才能更好地实现发展？　　黄安年：基金会这个新生事物在中国发展还只有相当短的时间，公众对于基金会和公益事业的目的、运作方式还缺乏了解。中国实行计划经济几十年，政府几乎包揽了所有事务，社会成员遇到了困难首先想到的是求助于政府，而对于通过基金会等非营利性组织这种方式还缺乏广泛的认同。　　唐开红：美国是现代基金会的发源国，经过１００多年的发展，现在已有超过７万家的各类基金会，这些基金会拥有超过５９９９亿美元的资产，每年用于公益方面的捐赠达到超过４００多亿美元。数量众多的基金会是政府贫困救济的必不可少的补充。　　连弟：在德国，任何一项社会保障基金都有可能对某一部分特定的残疾人康复、社会参与支持等负责，如医疗保险基金为被保障者提供医疗支持，包括地方健康保险基金、企业的健康保险基金、行业健康保险基金、海员保险基金、薪职人员的选择性法定基金、矿工联邦保险基金、农业工人健康保险基金等，都对他们各自被保障对象的医疗康复负责；工伤保险基金，包括雇主责任保险基金、海员的雇主责任保险基金、农业工人雇主责任保险基金和联邦、州政府和地方政府的工伤保险基金，负责为工伤雇员或职业病患者提供医疗、康复和社会融合、情感沟通支持。而对于没有可对应的保险基金为其负责的残疾人，则由残疾人综合办公室为他们提供额外的就业帮助，采取经济手段，促使雇主为这些残疾人提供就业岗位，同时，社会援助和青年福利机构也会在这部分残疾人保障中发挥作用。　　中国目前的基金数量有了很大的增长，但是像脑瘫、情感封闭之类的特殊残障病例应该对应于哪一类基金会，我们从来缺少这样的细分，定位宽泛、模糊造成了基金会和被救助者“两茫然”困境。另外发展基金会的任务也不仅仅是为被救助者提供现金那样简单，社会救助是向被救助者传递多种资源的复杂过程，被救助者陷于绝境往往是因为他们自动或被动地疏远与主流社会，从而陷入社会“孤岛”，这也是很多被救助者选择绝路的一个重要原因。 http://news.xinmin.cn/rollnews/2011/05/24/10886765.html ************************** 溺杀脑瘫双胞胎母亲遗书:让我们母子三人静静走发布时间:2011年05月17日 09:35 | 进入复兴论坛 | 来源：南方日报　　"悲情母亲溺杀双胞胎脑瘫儿"追踪? 　　遗书：让我们母子三人静静走　　"她是杀人犯，同时也是悲情母亲，有人愿意为她求情吗？"昨日本报A13版独家报道悲情母亲韩群凤溺杀双胞胎脑瘫儿一案之后，引发网友的大讨论。有网友试图发起网民求情，也有人呼吁理性对待脑瘫儿群体。　　网友：希望法官轻判　　在本报刊发该稿的同时，南方日报微博、东莞第一法院的微博都进行了转载。网友评论达到上千条，不少网友发出了"同情""原谅这位母亲""希望法官轻判"的声音，也有网友理性地表示："避免这样的悲剧必须靠完善的社会保障和救助体系"。　　网友"传奇不是梦"说：这是一个伟大的母亲无奈之下做出的让自己痛不欲生的决定，也许对孩子来说也是一种解脱，希望他们不要怪罪他们的妈妈！　　"其生：痛不欲生，生不如死。其死：法不容情，情理之中。或者这个案中，与其让其活着背负杀儿的悲痛与内疚，不如将死亡赋予情理之中，或是对其一种最大的解脱。"网友"高斌先生"的"一生一死"也道出许多网友的心声。　　昨天中午1时许，东莞市第一人民法院在其官方微博发出消息："经向立案部门了解，该案目前我院已立案受理，我们会及时跟进，并第一时间通过官方微博等方式向大家公布案件进展情况。" 　　村干部：她外表平静如水　　记者昨日走访了韩群凤的老家和供职单位，许多邻居和干部评价她外表平静如水，内心痛苦无人知。东莞市残疾人康复中心主任陈惠英说，残疾儿童家长要多参加联谊活动，发泄内心痛苦，政府和社会应更积极关注和接纳他们，让这些家长重拾生活信心。　　韩群凤在邻居和村干部眼中是一位矜持、内敛、礼貌得体的女人。直到公安走进寮步镇泉塘中围村调查时，邻居还不相信她制造了这起人伦悲剧。　　寮步镇泉塘社区黄姓书记告诉记者，10多年韩群凤与黄先生举办婚礼时，他去喝过喜酒。黄书记还告诉记者，这对夫妇除了定时领取社区的残疾人补贴外，从未向干部吐过苦水，特别是韩群凤，平静如水的外表不露半点悲伤。黄书记记得有一次到银行办业务，韩群凤微笑着跟他打招呼，谈吐举止跟一般母亲无异。　　医生：绝望可以理解　　对韩群凤亲手溺死脑瘫双胞胎的人伦悲剧，广州市新生儿学会主任委员、广州医学院第三附属医院儿科主任崔其亮认为，"她的痛苦和绝望可以理解，因为脑瘫的治疗是个长期过程，对家庭、社会都会造成很大的压力。""相比起生出来就抛弃，韩群凤至少努力过。"一位医生表示。　　崔其亮表示，即使家长不放弃，脑瘫儿几乎也不可能被治愈。很多妈妈希望了解防患于未然的办法，但脑瘫不可能通过孕期诊断查出，因此早期预防十分必要，"比如有的孩子得了黄疸后，家长不重视，就可能发展到核黄疸脑瘫。" 　　早产和缺氧、缺血性脑损伤类脑瘫不是人力所能扭转。因此，崔其亮提醒，家长和医生都尤其要注意做到早期评价、早期干预，尽量减轻或避免。"比如，减少窒息的发生，降低窒息的程度，及时处理窒息复苏，就能有效减轻或减少脑瘫的发生。" 　　南方日报记者刘冠南曹斯马喜生实习生昌道励　　悲情母亲遗书　　昨日，记者从权威渠道了解到韩群凤的遗书内容。这是她趁丈夫陪孩子玩的时候偷着写下，案发当晚留给丈夫的遗嘱，虽然仅写满一张纸，但看了催人泪下(本报有删节)。　　对不起，未经你同意，我就带走两个儿子了，这十多年的灾难是我带来的，所以我只能独自带走。多谢你一直以来的不离不弃。只面对儿子不能自理的绝望来过日子，倒不如不需花那么长时间去捱了。连你、你妈妈也一起累坏更惨。　　我不厌不恨任何人，等我们走了，你要重新过好你的人生，我只悔对我的父亲、大家姐、姐夫。　　因为儿子花去我所有的财力了，所以我没留下什么钱……(此处省略有关家庭存折、股票账号及密码) 　　你的肝功能不好，最好早晚都饮杯蜜糖水…… 　　不要厌、不要恨，让我们母子三人静静走，请你好好保重！我这样是长痛不如短痛，希望政府不会加罪于你，因这十多年你也不好过，以后我们会重新做人，你也要开展你以后的人生，祝福你能幸福，我们会保佑你的！　　人生是要自强的！希望你不要再自暴自弃，如果儿子每天能好起来我也绝不放弃的。 http://news.cntv.cn/society/20110517/103396.shtml; 个人分类: 社会保障研究(07-11)|3823 次阅读|0 个评论

漫谈美国驻华大使馆非移民签证: 热度 2 黄安年 2011-5-13 15:19; 漫谈美国驻华大使馆非移民签证黄安年文黄安年的博客 /2011 年 5 月 13 日发布自 1991 年以来 , 我先后去过美国 5 次 , 每次都去美国驻华大使馆办理签证手续 , 各次签证的规定不全相同。今年准备再去美国一次 , 这次签证在位于北京市亮马桥的美国大使馆新址 , 而以前几次签证均在北京市光华路旧址。笔者事前到签证处现场了解情况 , 询问已获签证或遭拒签的情况，以有备无患。通过了解 , 我获得了这样一些需要注意的印象。通过上网和亲友同好 , 事前仔细了解美国驻华大使馆签证处发布的各项规定和注意事项很重要，即使去过不止一次 , 也不能想当然、凭老经验办事。严格按照以下步骤在驻北京的美国大使馆申请非移民签证专题指导下进行。（见 http://chinese.usembassy-china.org.cn/niv_howtoapply.html ），以探亲签证为例： * 签证费用 “申请人在通过签证话务中心预约一个面谈时间前 , 请务必缴付签证申请费。当您预约面谈时 , 话务中心客服代表会索要您的签证收据号码。”“ 所有申请人必须在指定的中信银行交纳签证申请费。此费用不予退款。中信银行开具的两联收据须和其它申请材料一起递交。提请注意：无论签证是否颁发，签证申请费用都不予退款。已经交纳了申请费用，但在一年之内没有递交申请的人也不能办理退款。” “申请的签证种类，如 B1/B2 （旅游、商务），学生（ F1 ）或交流访问人员（ J1 ）： 140 美元（人民币 938 元）；” http://chinese.usembassy-china.org.cn/nivfee.html 这 140 美元虽然是中美双方使馆签证时的对等原则 , 但是 2007 年时 100 美元，现在美元贬值、人民币升值但签证费反而提高了 , 而且按照 1 ： 6.7 币值来兑换。合理不合理人们心中有数，不过在这里没有你讨价还价的余地。 * 有关无需面谈签证的条件在下述情况可以中信银行办理续签手续 , 而无需到使馆面谈： “如果您未满 14 周岁或年满 80 周岁及以上，或者您有 2007 年 11 月以后签发的美国签证，您也许不用亲自来使馆面谈。”（ http://chinese.usembassy-china.org.cn/niv_appointment.html ）“如申请人符合下列条件即可将申请材料递交到中信银行分支机构：已有的签证仍有效或失效日期未超过 12 个月。申请人必须申请类型完全相同的签证。申请人必须在其常住地所在领区提出申请。”（ http://chinese.usembassy-china.org.cn/niv_renewal.html ） “关于指纹再使用的重要注意事项：符合中信银行免面谈代传递业务的要求而且已经在使馆提供过全部十指指纹的续签申请人，可能无需再来使馆提供指纹。只有符合以下所有标准的申请人才可以不用亲自来使馆再次提供指纹：申请人已于 2007 年 11 月 15 日当日或之后来美国使馆提供过指纹；申请人提供过全部十个手指的指纹（见下图）。没有符合以上标准的申请人必须来使馆提供指纹。申请人必须携带中信银行的收据方能进入签证大厅，但无需接受面谈。”（ http://chinese.usembassy-china.org.cn/niv_renewal.html ）这里说的提供指纹的情况是不断变化的，最初的签证并没有提供指纹的规定 , 后来规定提供两个手指指纹，以后又规定需要提供四个手指指纹，现在是则规定十个手指分三次提供 ( 左四，右四 , 两个大拇指 ) 指纹了。 * 预约签证面谈时间：“要预约签证面谈时间，请先支付签证申请费 , 随后请到中信银行购买预先付费的加密电话卡或登陆签证信息服务中心的网站购买通话密码，费用为通话 12 分钟花费 54 元人民币或通话 8 分钟花费 36 元人民币。任何未用完的分钟可留待下次使用或转给他人使用。买到预先付费的加密电话卡后 , 请致电签证信息服务中心预约签证面谈时间或咨询签证问题。请在致电前准备好以下信息：申请人全名、护照号码、身份证号码、申请费收据号码 , 联系方式、访美目的、在华常住地以及以前是否被拒签过等等。签证信息话务中心的电话号码 : 从中国致电请拨打 : 4008-872-333 （全国通用号码）工作时间 : 周一至周五早 7:00 –晚 7:00 ；周六早 8:00 – 下午 5:00 每周七天 24 小时提供录音电话签证信息。签证预约平均等候时间：签证预约平均等候时间是指从您致电签证信息服务中心进行预约起到签证面谈之日中间的等待时间。见 http://chinese.usembassy-china.org.cn/niv_appointment.html ）实际上每次预约时间并不相同 , 甚至相差很大，可能在一周内 , 也可能在 6 周左右。对于探亲者没有获得签证后必需在三个月内赴美的规定 , 而对于学生和访问学者的签证则有时间上的限定，签证过早或过迟均不宜。通话 8 分钟花费 36 元人民币对于两个人来说比较紧张 , 时间还是宽裕一些为好。不过平均每分钟 4.5 元的专用话费且在北京的也得长途到上海预约 , 实在是宰你没商量的垄断行为 , 不知反垄断法是否管得住这个特殊领域 ? * 签证照片要求：见“新一代在线签证申请数码照片的要求” http://photos.state.gov/libraries/china/196482/PDF%20File/DS-160%20Digital%20Photo%20Requirements.pdf ）需要准备签证时半年内的近照。和过去由签证处指定照相馆不同 , 现在提供了统一的数码照相机拍摄规格，可以在就近任何照相馆拍摄 , 并且可以在网上填写申请表时测试 , 签证照片只需一张 , 签证后还退换本人。 * 在线填表之前 , 仔细阅读下面说明很重要。 1. 在表格开始的第一页，请在右上角的语言窗口选择“中文”。这样，当你将鼠标停留在英文表格的每项问题时，表格会自动显示相应的中文译文。图示说明请点击此处。 2. 当您点击“开始申请”键进入下一页时，请选择“北京，中国”为您的申请地。图示说明请点击这里。 3. 请注意：此表格有一项是要求您用母语填写姓名，您可以使用汉字填写您的名字。除此之外，所有内容必须用英文完整填写。图示请点击此处。 4. 在填写表格时请不断将其储存入 U 盘，或者计算机。表格填写完毕后，请将其存入 U 盘或者 CD ，以便携带。如需更多有关存储表格信息，请点击这里。 5. 如果您曾经使用过其它名字，在回答“您曾用过其它名字吗？”这一问题时，请选择“是”，然后输入您的姓及名字。如果您的名字由两个汉字组成，两字之间必须空格。请点击这里看有关范例。 6. 在选择旅行目的一项时， F2 、 M2 、 J2 、 L2 及 H4 申请人应按照主申请人的签证类型分别选择 F1 、 M1 、 J1 、 L1 及 H1 。 7. 如果您以前去过美国，请在指定地方填写您以前的签证号码（以前签证右下方，红色的 8 位数字）。 8. 其它问题，及常见问题请点击这里。 9. 当您阅读并理解了以上说明后，请点击这里开始填写 DS-160 。 http://chinese.usembassy-china.org.cn/ds160instructions.html 花些时间仔细阅读可以减少不必要的麻烦。 * 在线填写 DS-160 表格确申请表仔细阅读上述注意事项后 , 在线填写时需要注意 : 准备好填表时所需资料 , 如本人父母姓名和出生年月日、祖父母姓名和出生年月日、上次去美国的入境年月日和离境年月日，目的地接待人员的基本情况等 , 以免耽误填表时间。随意保存在电脑或者 U 盘里。除一项是要求您用母语填写姓名外 , 均为英语填写，姓名千万不要颠倒 , 和护照姓名保持一致，在签证时有两位年青人将英文姓名颠倒 , 结果带来不必要的麻烦。提出以前保存材料时的提示问答必须简单易记，否则自找麻烦。 * DS-160 表格确认页打印需要打印下来的 DS-160 表格确认页一页，可以用黑白、也可以用彩色打印 , 一般彩色效果最好。 DS-160 表格确认页为 PDF 格式，如果打印机不兼容则打不出 PDF 格式，需要到能够打印 PDF 格式的打印机上打印。 * 面谈时携带好下列材料： 1. DS-160 表格确认页。请在上面注明您的中文姓名、您中文姓名的电报码、中文家庭地址、公司名字 , 地址及电子邮件地址。请将您的表格确认页竖着打印在 A4 纸上。面谈时请携带打印出来的 DS-160 表格确认页，不要使用传真的确认页。范例请点击这里。如需查询电码，请点击此处。 2. 于 6 个月内拍摄的 2 英寸 x2 英寸（ 51 毫米 x51 毫米）正方形白色背景的彩色正面照一张。详情请见照片要求。请用透明胶带将您的照片贴在护照封面上。 3. 申请费收据。请将收据用胶水或胶条粘贴在确认页的下半页上。请点击这里看范例。 4. 有效护照。护照有效期必须比你计划在美停留时间至少长出六个月。 5. 含有以前赴美签证的护照，包括已失效的护照。 6. 支持性文件，象英文简历等，请点击这里看范例。同时请点击这里查看不同签证种类的具体说明。 http://chinese.usembassy-china.org.cn/requireddocu.html 在“ DS-160 表格确认页。请在上面注明您的中文姓名、您中文姓名的电报码、中文家庭地址、公司名字 , 地址及电子邮件地址。”这很重要 , 其中中文姓名的电报码需要查清一再核实，可以在网上查明，这比以前签证时方便多了 , 记得 90 年代查电报码一个字要付一元人民币。以前赴美签证的护照，包括已失效的护照。必需准备好，签证官十分关心你上次美国之行的签证和入境出境情况 , 特别是是否逾期。准备好支持性文件如英文简历。 * 所有 B1/B2 签证申请人都应该提前做好准备 , 以便能够在面谈时出示下列材料和其它任何与签证申请有关的支持材料： 1-5. 同前 6. 能够说明您为何一定会返回中国的证据 : 出示经济、社会、家庭或其它方面对您具有约束力的文件，以帮助您证明您在美国短暂停留后有意返回中国。由于个人情况的不同，申请人应出示的证据也各不相同。下列文件可以帮助签证官评估您是否有意返回中国：户口本、身份证、雇佣证明、能客观反映您每月收入的工资单、上有正常规律的存取记录的存折等。 7. 邀请信 : 如果您受邀访问美国的某位居民，那么提供下列信息将对您的申请有所帮助：邀请人信息、访美目的、事先安排的旅行时刻表。如果您只是单纯赴美旅游，那么您无需出示邀请信。 8. 资金证明 : 证明您有能力无需工作即可支付在美停留整个期间的费用，例如能客观反映您每月收入的工资单、上有正常规律的存取记录的存折等。（注意：请不要出示银行存款证明单。存款证明单对签证申请没有帮助。） 9. 如果您赴美进行商务活动（略） 10. 如果您赴美探亲 : 您应提供材料证明您跟邀请人之间拥有真实且一直未间断的亲属关系，还应考虑提供他们入境或移民美国后的身份状况。下列文件可能对您的申请有一定帮助：户口本或其它能够证明真实亲属关系的文件、近年来与美国亲属的合影、亲属的美国护照或绿卡复印件、在美短期停留的亲属的护照复印件及美国签证复印件等。如果您上次在美国停留的时间超过入境时 I-94 卡上规定的日期，请在面谈时出示美国国土安全部批准的延期证明书原件。 http://chinese.usembassy-china.org.cn/niv_business.html 上述材料有备无患，其中邀请信、经济担保至为重要 , 有和家人近照带着也好。 * 签证面谈程序在签证面谈当日 , 需要携带签证必备的申请材料外 , 还需携带您准备的所有支持性材料。欲知签证需要哪些必备材料和建议携带的支持性材料。非申请人不能陪同申请人进入签证申请大厅。签证面谈时 , 每位申请人都必须单独向签证官证明自己的情况。申请人需要事先做好准备，以便面谈时能够在没有亲属或法律代表陪同的情况下单独向签证官说明自己在中国的约束力和此次赴美的旅行目的等。签证当天注意事项 1. 到达相应的使领馆后请先在外面排队，在预约时间之前等候大约 30 分钟。 2. 接受安全检查—请不要随身携带任何电子产品 , 包括手机。也不要携带背包、手提箱、公文包或手推童车等。申请人只能携带跟签证申请有关的文件。 3. 到指定窗口递交 DS-160 表格确认页和材料，之后等待指纹扫描和签证面谈。等候时间大约为 3 个小时左右。 4. 如果您的签证申请得到批准，我们会将签证印在您的护照上并将印有签证的护照在面谈后的五个工作日内邮寄给您。或者，您也可以选择在面谈之日后的 2-3 个工作日到使馆附近的中国邮政自取签证。某些特殊情况，如申请需要进行行政审理、需补充支持材料或需要进行打假调查等可能会影响签证申请的审理速度并推迟签发签证的时间。 http://chinese.usembassy-china.org.cn/niv_appointmentday.html * 签证日举例 ---- 必须记住自己的预约号和时间 , 因为里面确认的名单是按照预约号和时间来提编排的，一旦进入安全检查后 , 预约号不再有效。 ---- 预约时间排定是严格的，但现场排队次序有时相当混乱。例如预约时间 9 ： 15 需要半小时前的 8 ： 45 分抵达，但抵达时已有预约在 10 左右的人排在前面，按照预约时间排队的实际难得很大。部分面签者已经进入安检厅，约 100 多人已经进入安全检查门外等分几排等候，因没有明显标志也没有播音通知，这三队的次序相当混乱。还有一百多人在岗哨外排队，看不到没有预约时间的区别。 ---- 对于 70 多岁老年人没有明确的特别的可以不用排对优先照顾的说明 , 如果自己提出要求后组织者才会考虑以便满足你的要求，让你优先进入，事实上在排队进程中没有坐凳（在光华路时期还有马扎租借）有人说外面排队一小时 , 检查签证和分类及提供指纹需要一个小时时间，等待签证需要一个小时以上 , 加在一起就是三个多小时了，要有站队长的思想准备。 ---- 虽然规定“接受安全检查—请不要随身携带任何电子产品 , 包括手机。也不要携带背包、手提箱、公文包或手推童车等。”但是由于里面有存放处，所以还是可以带手机等 , 只是需要存包而不能带入签证大厅。 ---- 签证时是按组排队分配签证窗口的 , 所以同组的人需要相互关照。 ---- 签证大厅有少量坐椅供老弱者使用。 ---- 签证日期关系当日签证人数多少 , 一般星期一签证人多达 1900 多人 , 但一周中间两天的签证人数相对少些。所以在预约是要计划好。 ---- 签证 8 时开始但窗口并非一开始全部打开的 , 到了 10 点开始签证窗口几乎全部打开，所以 10 点后的签证速度明显加快。一般说来 , 选择一个上午时间的两头签证就花费时间的来说时间上较为经济。 * 签证申请得到批准取回护照 “如果您的签证申请得到批准，我们会将签证印在您的护照上并将印有签证的护照在面谈后的五个工作日内邮寄给您。或者，您也可以选择在面谈之日后的 2-3 个工作日到使馆附近的中国邮政自取签证。”（ http://chinese.usembassy-china.org.cn/niv_appointmentday.html ）如果遇到当日签证人数很多，在邮局办理邮寄或自取手续时很可能又要排队一个小时以上 , 邮局有四个专门服务办理签证邮寄或自取手续的窗口但是往往只开一个 , 形成排长队的情况。一般自取在第三天可取 , 而邮寄则在第四天活更长时间才到达邮寄人手里。邮局的排队令人生畏而难以理解，邮局需要改变排长队的情况。总的感觉，签证从手写填表到电脑填表，从提交所有填报资料到自需提供 DS-160 表格确认页，有利于美国签证官的签证，因为全部资料可以立即从 DS-160 表格确认页中的资料中调出。不过提供指纹从部分手指发展到十指反映了安全管理的严重状况，这种三次采集指纹也增加了停留时间。和光华路相比 , 新签证处没有宽敞的候签室，遇到大风雨雪高温等恶劣天气对于等候签证将是一场身体的考验。; 9173 次阅读|1 个评论

漫谈过生日: 黄安年 2011-1-14 09:54; 漫谈过生日黄安年文黄安年的博客 /2011 年 1 月 14 日发布我年幼时很关心过自己的生日，生日那天会穿新衣服，拿红包，而且我又长了一岁，希望快些长大。可现在年龄大了 , 已经 75 岁了 , 反而对自己的生日不注意 , 不愿提 , 也不想过了 , 因为过一年好像少一年似的 , 希望时间慢慢地过去，甚至定格在某一年里。时间过得确实飞快，转眼我们的孩子也已经 42 岁了，在我们 42 岁的时候，正值文革动乱年代，没有心思和条件做学问，那时工资每月 69 元，四家 15 口人合住在仅仅 105 平方米的房子里 , 那时的困难情景历历在目，做饭取火用的是蜂窝煤，岳母一次煤气中毒险些丢了性命。那时物资十分匮乏，粮食和主要副食品定量供应 , 婴儿吃的是代乳粉。过年时要到西单体育场（现早已撤销）冒着严寒排上两三个小时长队买上两只鸡和两条胖头鱼及一块排骨。现在的情况真是有了翻天覆地的变化，而且往后的日子肯定会更好，只是对我来说已经近黄昏，已经被边缘化。我们对外孙过生日，格外的重视。他们的幸福的，什么生日 Party, 几乎年年举行 , 还有生日照片 , 年年有合影 , 他们是我们寄以希望的一代。年仅 7 岁的外孙 , 除了英语、汉语作为两种母语，还学西班牙语，除了学会游泳，还学钢琴、绘画，比他们的父母也强多了。我不在乎自己的生日，却很在乎孩子们的生日，他们代表着更加美好的未来！; 个人分类: 国内所见所闻(10-11)|2580 次阅读|0 个评论

漫谈我喜欢的运动——篮球: caifeng8436 2010-8-30 17:05; 记得自己玩篮球是从高中开始，那会儿只是个球童，负责给高手发球、捡球，就和 NBA 给球星提鞋的队员一样，虽然自己玩的不是很好，但是我还是很喜欢玩，投入其中，感觉很好。篮球成为自己的爱好是从大学开始，宿舍里住着些爱玩篮球的兄弟，我们在大学的分校区把自己的课余时间都放到了篮球场上，分球，跑动，空切，学会去抢篮板，学会去投篮，学会去掌握节奏，在那个总是熙熙攘攘的篮球场总是能找到我们的身影。也许是玩的多了，水平挺高了，有时候还能打出高水平，投篮、篮板、强攻、盖帽样样都行，嘿嘿。从自己喜欢的运动中找到自信，也找到了乐趣。从大学开始到现在，坚持玩篮球有 9 年了，它对于我来说不仅体育运动，从篮球中我体会到很多的道理，有时候自己静下来的时候想，自己对于篮球运动的感觉，就反应出自己对于性格、处世态度，也有很多感悟，分享一下吧。 1 、众所周知，篮球本身是个高对抗的运动，没有身体很难玩的转。我就曾经被很多体格健壮的朋友们对抗的连北斗找不到，哈哈！身体到哪里都是革命的本钱。而我这个人喜欢篮球，但是不喜欢和别人碰碰撞撞的去玩篮球呢，不是不敢和别人去对抗吧，更不是什么懦弱。我认为就是玩吧，高兴就行。到篮球场上在别人的眼里，就觉得我打球太软，不够强硬，甚至有时候会被小个子欺负。可有时候受到惨痛的打击后又会奋起反抗，让别人眼前一亮。其实我有时候也在想，既然站在这个球场上，就要去百分之百的努力，发挥出自己的水平，要敢于去和别人对抗，发挥自己的特点，打出自己满意的篮球。也许这就是我，不喜欢过分去和别人争斗，不喜欢过分的去和别人竞争，保持一种平稳的中庸心态。这样的性格和脾气，不会去惹事，但是有时候也感觉这种性格做不出大事情，看到别人风光无限的时候，自己也会在暗想：我怎么不行呢？我还差什么呢？，但是这样的想法总会持续一段时间，又回到开始的地方。就为篮球这个事儿，我还矛盾过很多次。我到底是该硬？该软？现在的我，觉得这就像现在正在集中精力做一件事，尽自己最大的努力，做出最大的成绩，如果还是不行，也许这个不是我的特长，我至少不会后悔，因为我已经努力过，不会再下场后再遗憾。 2 、篮球场上心态最重要。其实人生路上也一样，心态最重要。举几个例子，也许这些情况你也经常遇到。（ 1 ）要学会去合作，不要享受一个人的精彩。见过很多高手打篮球，球只要一到自己手里就到了终点站，只要别人出现失误或者投篮不进，总是有颇多微词，有时候不满之意甚至表现的特明显。弄的其他人都很没有心情，一个人精彩吗？再好的红花也需要绿叶啊。他们的急躁和骄傲浮在了脸上，打扰了其他人的兴致。互相鼓励是篮球场上最大的兴奋剂。（ 2 ）不要埋怨别人没给自己机会。其实机会都在你的面前，都在你的手上，只要自己出手的时候稳定些，其他的想法少点，也许终结者就是你。只要是投篮就有命中率一说，不要过分自责，学会去调整，一定要学会去调整，你会表现的更加出色。（ 3 ）学会去接受胜利，更要学会去接受失败。从来没有常胜将军，胜利都是需要去不断努力而来的，被别人击败的时候不是相互指责，更不是垂头丧气，需要的是想出办法来，防不住那个人，咱们可以换防啊，协防啊，田忌赛马是怎么成功的啊？需要的是鼓起勇气，不胆怯对手，发挥出自己更高的水平争取胜利。最需要的是有一颗获取胜利的心。只要有这个信念，新的能量即将在你的身上爆发。与其说是和别人比赛，还不如说是自己和自己比赛，我们准备好了吗？其实人生不也是一样，我们获得胜利的次数远远小于失败的次数，我们怎么办？篮球场上的故事告诉我们的道理已经终身受益。（ 4 ）篮球场上最重要的是防守，最强调的是节奏。防守意味着什么？我觉得防守就像要求我们首先夯实自己，坚不可破。在短短人生路上要做出成绩，得到别人的赞誉总是每个人都梦想的。我想也一样首先要做的必须是把自己的战线守住，把自己历练的越来越强大，没有坚实的基础，就谈不上进步，谈不上成功。学会防守才会有进攻。节奏意味着什么？该快则快，该慢则慢，我们的生活中也不真是需要这种节奏嘛？这就是我喜欢的篮球，它带给了我快乐，也带给我很多生活的灵感。在娱乐身心的同时有所感悟，也许这个世间很多事情的道理都是彼此相通的，当我们从这件事儿里明白了一些道理，其实也已经开始悄然走入另外一扇门。; 个人分类: 开卷有益|3464 次阅读|0 个评论

漫谈发展模式: 黄安年 2010-8-21 10:08; 漫谈发展模式黄安年文黄安年的博客 /2010 年 8 月 21 日发布对于改革开放以来我国经济发展模式，国内外某些媒体颇有微词 , 具有代表性的是位取得德国博士学位的 Q 博士 , 他在前天的读报节目中说中国没有模式 , 还形成不了可以说模式的经济 , 接着就大谈其念念不忘的德国模式 , 在这个节目中 , 他还把毛泽东八一八接见红卫兵和邓小平推行政治改革的讲话硬联系在一起 , 言下之意 , 中国没有推行政治改革进程谈何模式 ? 模式这东西是从科协技术界模型运转套用到人文社会科学界来的 , 并且运用到概述一个时期一个国家的经济发展类型和特点上，开始时很少有指经济、政治和社会综合发展模式的 , 随着新的问题突显 , 又加上了自然环境的发展因素 , 愈来愈多样化 , 说明模式这东西不是一层不变的 , 尤其是在综合分析一个国家的发展时。现在即使国外的有识之士也不否认新中国的建立有其特色或不同于苏联的道路，当然没有人说中国革命的模式是什么 , 模式是近半个世纪来的兴起的 , 尤其是用于分析现代化进程中具有不同特点的国家和地区 , 但是仔细分析起来，这模式每个国家都不是相同的 , 又有其相通之处，或大同小异或小同大异 , 或异同相当 , 而且模式也不是固定不变的 , 即使德国也不例外。说到德国模式显然不是指德意志帝国模式或第三帝国模式，希特勒的第三帝国模式已经被历史所否定，今天一些人津津乐道谈论德国模式也是和第三帝国模式划清界限的。德国经济发展模式也只有不到半个世纪的光景，迄今在全球的经济地位一直在第三和第四位上徘徊，中国改革开放 30 年发展至今的速度和规模举世罕见，反而连模式都没有资格，这叫什么逻辑 ? 模式是可变的 , 不能因为不断变化说不存在模式，这不断变化又不断发展调整本身就是一种难得的模式，据我看东南西北为了中国化就是一种模式，为何不能叫模式？何况中国已经说明这仅仅适合中国国情，并非普世通行的模式和价值观 , 再说在全球化、民主化、多元化的时代怎能只有一两个模式呢？怎能厚此薄彼，高调宣扬所谓德国模式而连中国特色都加否定呢 ? 真正要讲改革的影响 , 在 20 世纪以来的历史上 , 恐怕还谈不上德国，而应该是 : 美国的罗斯福新政道路挽救了现代资本主义 , 使之起死回生；中国的邓小平改革之路挽救了现代社会主义，使之起死回生。; 个人分类: 学术问题研究(10-11)|2535 次阅读|3 个评论

灾难漫谈: pinepine 2010-8-17 09:54; 昨天是8月15日，全国在哀悼舟曲就在一周前的某个雷明，山洪摧毁了民房，夺去了一千多个熟睡的生命昨晚的电视里连续播放着灾情，洪水中、泥潭里、残垣间、帐篷下、医院里无不记录着灾民的悲痛前些天又从网上得知，汶川地区也发生了泥石流，一些新安置的楼房又被洪水推翻了再前些日子，一年一度的南方洪灾已然来临，中原郑州也未能幸免。我所在的小县城，自我出生以来似乎从未遇过水灾，一个月前也体验了一回，满街的西瓜在混水中飘荡，白色垃圾点缀其中，一些市民的地下室也引进了水再三个月前，玉树不倒的呼声还在上演此外，2009年的雪灾，2008年的地震无不牵动着整个中国放眼世界春季的冰岛火山年初的海地地震从百度上搜了一下，多如牛毛。灾难频频发生，人们议论纷纷：有人说，2012就要到了，世界末日快要来临；有人说，地球迟早要灭亡，人类的希望在外太空；有人说，灾难属自然现象，难以避免，无需恐慌；有人说，灾难多系人为，需呵护自然减小灾难；有人说，灾难并不可怕，只要足够聪明，就可以抵御灾难；灾难这个词语频频出现，每次灾难都与生命财产息息相关，每次灾难都会唤起人的本性，也能构筑一个精神城墙。灾难被科学家注意了，灾难为什么会发生？、灾难发生的过程是怎样的？、灾难能避免吗？、如何减小灾难造成的损失？灾后如何重建家园？等问题成为研究热点；灾难被哲学家注意了，如何认识灾难？、灾难与人类社会发展之间的关系是什么？、灾难对个人哲学观的影响是什么？等问题被深入思考和探索；灾难被政治家关注了，灾情如何？、如何组织营救危难中的人民？如何管理灾区的社会治安？如何稳定灾区民心，重建家园？等问题被积极思考并实施；灾难被文艺家关注了，灾难的场景是否可以再现以警示后人?、灾难中人的心理状态是什么？、经历过灾难的人与常人有什么区别？、如何让灾难为剧情服务？等问题被探究并表现在作品中；人类因灾难而受到创伤，也因灾难而有所进步。突然想起人与自然之间的关系回溯百万年以来，人类从自然中普通的一分子发展成为自然的主宰者人类大脑独一无二的高级运作功能使人类改造自然的能力无与伦比于是自然界中大部分资源被人类占有，依托这些资源，人类建立起了复杂的多层次的社会结构以确保每个人都必须卖力的工作，一种叫做经济的东西维系着这种结构先说资源如果说地球上所有的资源都是取之不尽用之不竭，那么这种结构可能就会越来越壮大，越来越完善然而并非如此，人人都像欧美那样生活，目前看来不太可能实现因此，人类发起了节能、能源替代政策再说环境毋庸置疑，地球是一个活物，沧海桑田瞬息万变，只是这一瞬息对人类来说还太遥远，因此似乎感觉不到它的存在，人类习惯性躲在温暖的小屋里享受安定然而，安定是相对的，动摇却是永恒的地球母亲就像海里的鲸类，又像北极冰窟下的海豹，为了呼吸新鲜空气，时不时要捅破平静的水面或冰面，这就是现实中的地震和火山地球中的水汽和温度的不断变化形成了风雨雷电，水汽过少就形成干旱，水汽过多造成洪涝。洪水从裸露的坡上流下带走石块和泥土浩浩荡荡奔向低洼的城镇，这就是发生在舟曲的泥石流聪明的人们发现，山坡上郁郁葱葱的植物能够固定泥土，吸收多余水分，抑制泥石流的发生可是，那种叫做经济的无形神灵指挥着愚昧的人们不停的毁坏着那些救命的植物为满足人类工业、农业、生活的需求，人类创造出了许许多多自然界中没有的东西而那些东西被用过之后又要强加到自然中于是，意想不到的事情发生了那些很难被自然消化的东西对自然生态平衡和人类健康造成了严重的影响人类因通过各种途径吸收到那些东西而得了各种各样的怪病人类终于明白自然的力量，违背自然规律，人类只能是失败者于是，有人提出新观念可持续发展如果说灾难包括天灾和人祸，那么上面仅仅只说的是天灾相对于天灾，人祸更容易被人们解释，却更难去解决，因为他要面对的是同样精明能干变化多样的人类自己因为土地、资源、种族、宗教等问题，人类自诞生以来就不断的争执着，从未间断国与国之间的争战，国内不同地区、不同种族间的冲突，时刻上演着人祸的形式也多种多样，有穷兵黩武的，有制造恐怖事件的，有冷兵器的格斗，有热武器的对抗，有针锋相对的冷战，有轰轰烈烈的对垒，人祸的威力也许没有天灾大，其影响却有时不亚于天灾人祸的延续时间往往会大于天灾在人祸中逃难的心情往往比在天灾中更复杂人祸大多时候能够预测，天灾则很难预知人祸与天灾的根本区别在于，人祸是兄弟内部的斗争，而天灾是与自然的斗争人类可悲之处在于，很多时候，兄弟内部的斗争远远大过了兄弟与自然的斗争也许以上说的灾难都有些空泛，而一个人从出生到离去所经历的灾难却是实实在在的除去真正经历过天灾和人祸的人，其他人谁又能说他的人生是平平淡淡无风无浪的呢？哲学上说，人无法忍受不断的重复既然无法忍受重复那么就得有所创新，有创新就会有未知的变数，有变数就会起起伏伏，如此焉能平静？天灾因天的神秘而难以预测，人祸因人的欲望而难以消除，一个人也会因社会的变化而与灾难不期而遇既然人生在世，灾难不可避免，那么我们应该学会如何面对灾难，如何在灾难中永生昨天的电视中，一个生命垂危的小孩在声声的呼喊着：救妈妈，救妈妈两年前汶川地震中，范跑跑在晃荡的楼房中心里想着：赶紧逃命一年前的长江某岸口，面对两名遭遇灾难的儿童，许多大学生结成人梯搭救，然而几名渔夫渴望见到被灾难打败的人们抗日战争时期，有的人大发国难财，有的人在争取为解救国家和民族灾难而努力谁是灾难中的胜利者，大家自去分析也许，一些所谓的智者会说，我又是一个宣扬舍身救人的英雄主义牺牲品，对此我不予理会，我的宗旨是，只要有利于人类团结和发展的东西在一定程度上都应该得到推崇灾难仍在延续关于灾难的说法无穷无尽注：以上仅为随意漫谈，有不到之处，敬请斧正！写于2010年8月16日晚; 个人分类: 文学历史|3629 次阅读|0 个评论

漫谈“介孔二氧化硅的发展近况”: jimmydz2005 2010-5-5 20:24; 有机无机硅混合材料在电化学领域日益受到关注。由于硅材料本身具有多种独特性能，可用于多个方面，如化学生物传感、电催化、长程电荷转移、固态电化学装置和光谱电化学领域等，此外在电化学技术领域，也用于表征材料的性能（渗透和识别特性、氧化还原性和质量传输率）。多数无机有机混合硅材料都是以粉末或块状形态存在，先前的介孔硅薄膜的制备可追溯到二十世纪九十年代中期。人们通过溶胶溶液蒸发引导材料自组装（EISA）来制备这种介孔结构。虽然现在报道了多种方法，注射聚合物薄膜，在液/液或液/气界面自生长薄膜和激光脉冲沉积法等中，EISA仍是合成介孔硅薄膜的主要方法。同时功能性混合介孔薄膜也可通过EISA制备，大多数是存有表面活性剂的烷基硅和有机烷硅混合物的自组装共聚合的过程，产生的介孔结构的沉积物具有一系列的有机官能团。近几年来，在实际应用中对介孔网的取向有很高的要求。科学家们在介孔相的组装上做了许多努力，其中 Aurelie Goux和Mathieu Etienne等人利用电压引导材料自组合技术（EASA）合成出了高定向介孔硅薄膜, 并通过FE-SEM和TEM技术表征了薄膜的结构和取向，特别是利用X射线衍射技术，在切线方向入射，表征了介孔硅薄膜的长程有序。通过调整时间及TEOS：CTAB的摩尔比探讨了制备介孔硅膜的范围，得出无聚集颗粒的薄膜可在稀溶液中制得， 125mM；CTAB/TEOS比0.32, 同时短时间的沉积（10s）。 Emilie Sibottier, Stephanie Sayen等人利用两种混合硅源成功的制备了带有官能团的有序的介孔硅膜。利用CV和AFM技术表征了增加电沉积时间和提高施加电压值可得到较厚的介孔薄膜。随着薄膜厚度的增加，膜的渗透性下降。整个沉积过程被证明是两个连续的且有区别的过程，开始阶段是缓慢沉积一层薄膜，随后第二阶段是粗糙大孔结构薄膜的快速生长。 Takanori Maruo，Shunsuke Tanaka等人利用蒸镀的方法用TEOS为硅源制备了介孔硅膜，并用TMES对硅膜进行了后处理。薄膜具有蠕虫状不规则结构，扭曲的孔道平行于薄膜的表面。利用压缩和耐水性测试表明，TMES处理后的硅膜的力学强度和水热稳定性好于没经过处理的薄膜。TMES处理过的介孔硅膜的介电常数为1.5-1.7，此值使我们相信此种材料在低介电常数薄膜方面是一种很有前途的材料。 Haoguo Zhu, Byunghwan Lee等人用共组装的方法合成了含有纳米金颗粒的有序介孔硅材料。所谓共组装指纳米颗粒和介孔结构同时生长，所以称整个过程为共组装合成。通过对比三种去除表面活性剂的方法，溶液提取法，离子交换法和高温煅烧法，得出离子交换法移除表面活性剂效果最好。参考： 1 Goux, A.; Etienne, M.; Aubert, E.; Lecomte, C.; Ghanbaja, J.; Walcarius, A. Chem. Mater. 2009, 21, 731741. 2Aurelie Goux; Mathieu Etienne; Emmanuel Aubert; Claude Lecomte; Jaafar Ghanbaja; Alain Walcarius. Chem. Mater. 2009, 21, 731741 3Emilie Sibottier; Stephanie Sayen; Fabien Gaboriaud; Alain Walcarius. Langmuir 2006, 22, 8366-8373 4 Takanori Maruo; Shunsuke Tanaka; Hugh W. Hillhouse; Norikazu Nishiyama a; Yasuyuki Egashira ; Korekazu Ueyama. Thin Solid Films 516 (2008) 47714776 5 Haoguo Zhu; Byunghwan Lee; Sheng Dai; Steven H. Overbury. Langmuir 2003, 19, 3974-3980; 个人分类: 畅谈科研|11393 次阅读|0 个评论

十年一觉谈衰老: yindazhong 2010-3-14 17:35; 十年一梦扬州觉*，潇湘水边论衰老，遍插茱萸又登高，随手拣起旧秧苗**。 * 扬州为笔者故乡是耶 ** 此文为笔者十年前旧作漫谈衰老从睡觉到衰老印大中也谈睡觉荣幸地被《华夏文摘》吸收为革命队伍中的一个成员竟让笔者捧着那几叶稿纸美滋滋地倒了过去（此字的深刻含义参见也谈睡觉一文，所谓吃得再好不如一倒），自发地自我修理起了脑细胞和体细胞，或从抗衰老的角度是叫返老还童去了。也不知过了几个快波又几个慢波，隐隐觉得动眼波牵动神经树电波让我又梦醒在瑞典幽静的夜里，北极高空的臭氧破洞似乎徘徊到了北欧这个小城的上部，在头顶笼罩着，让外星的高能粒子自由的射穿下来，大脑仿佛便进入了修理半完毕时的那种临界思维状态。灵感，牛感，信誉感一齐又在向我召唤。既然在天下人面前夸了海口说要谈人为什么会衰老，总不能拿跨世纪，兼跨世界科学家的信誉开玩笑，中国人特讲面子（咱与克什么钝总统的面皮可不敢同日而谕）。明知挤出睡眠的时间琢磨衰老会加速自己的衰老，但一想到革命同志们那一双双期盼长寿的欲穿望眼，也就顾不上自家脑细胞的生死存亡。再说牺牲千心百个比鸿毛还轻的脑细胞换来比泰山更沉重的文章，也算各位细胞同仁没有枉跟了我进化、繁衍一场。要谈人为什么会衰老，一般首先得考虑引经据典，搬请古圣贤来压纸。这一会当然苏格拉底、亚里斯多德脱不了干系，中国的黄帝、老子；秦皇、汉武难免也要被邀来帮助张罗场面。不过为了给本作者在故事里多掺些水，本老字号店铺得先吆喝几句瓜儿又大又甜的广告词，给本未名寺的佛面上施点现代科学的金粉，使得您不至于疑惑本产品的色香味满足不了您高贵时髦而又深沉的胃口。又为了能体现洋插队的我们解放全人类的豪情壮志，以鼓舞广大读者的革命斗志，因此又专门借来那一句兄弟我在英国的时候那不朽的开场白：当现代科学发展到了跨入第三个千禧年的重要历史时刻，生物科学的市面上最卖座的和最压秤的衰老学说是自由基衰老学说，衰老领域里最酷和最帅的科学大哥该属美国老年协会名誉主席，自由基衰老学说的奠基人哈曼（ Harman ）教授。尽管见过哈曼教授的人都会不由自主的想起里根总统，两位巨人的大脑都因遭受了与自由基相关的伤害，而比身体其它部分衰老得快些，逐渐变得出言不顺起来了。但比起里根总统来说，哈曼教授尚能谈论 Add age to your life, Add life to your age ，不仅延年，还要益寿；既谈万寿无疆，更需身体健康，等等。说起哈曼教授，兄弟我心里似乎还很有些内疚。记得有几次衰老界群英聚会，大土豆们（ big potatos ）谈起要在衰老界提名诺什么尔奖。有人见我土豆不大，以为容易糊弄，便拉兄弟我参加拉拉队，给哈曼教授提那个什么萝卜奖，不想竞被兄弟我义正词严，一口谢绝。其实并不是兄弟自高自大，只沉醉在制作自家作坊的衰老理论，而实在是自由基衰老学说的破绽大得可爱、还可哀，孔眼儿多得象王母娘娘用柳枝儿编的竹篮子，可以兜鱼，却兜不住水。自由基衰老学说在兄弟天真的眼里如皇帝的新衣，根本不能自圆，岂是别人用手捧、衣兜就能兜捧得住的。打住！写到这里心里头一拎，想起今日不少难兄难弟正靠自由基衰老理论混饭，咱这里不该急着揭自由基衰老学说的短，免得惊动了人家的饭碗，让兢兢业业的同行哥儿们下岗可不是咱兄弟干得出来的糗事。其实前面那一段话并不是说自由基衰老学说落花流水，玩完了。其实该学说正打歪着似乎没兜住水衰老原理之水，倒逮住了不少不鱼多种疾病的发病原理之鱼。打个通俗的比方，自由基衰老学说是钉掌钉到了肩膀上，不能走远道，却能扛重活。既然哈曼教授没能摘取到衰老原理的桂冠，因此衰老领域的爱哥哥的位置至今仍然空空闲置。处于吾将上下而求索的状态。在此特别代为广而告之，招聘衰老领域爱哥哥两位：爱大哥，智慧高如爱因斯坦，专攻衰老理论；爱二哥，技能高似爱迪生，专搞实验研究。读到这里，兄弟以为各位毛遂先生早已磨擦掌，按捺不住心中汹涌澎湃的激情准备前来投标了。什么，不敢？兄弟您先别谦虚，没有什么可害怕的。现在是民主时代了，鼓励独立思考，鼓励创新。只要不搞全盘什么化，不干扰政府的什么化就行。不瞒您说，就连许多方面还幼稚不如老哥您的兄弟我还投了一标呢。称为 xxxx 道破天机衰老学说这一标投出去以后，落下来戳到那儿，咱才不操那个心。爱戳那儿戳那儿，保不准能歪打正着呢。咱这里先不提受聘当那爱大哥、爱二哥的话。反正要敢想、敢说、敢干才能对得起党和人民几十年的培养教育，您说是不是这个理儿。不过私下里跟您透露一句，说只想歪打正着那是本兄弟谦虚谨慎，咱心里念叨的也许竞是五百年后见分晓的若愚大志呢！不过，大话和大志不能当饭吃，咱谈科学还是得：一分灵感，九十九分汗水；脚踏实地，一步一个脚印。咱正宗《孙子兵法》传人，应该牢记知已知彼，百战百胜的祖传法宝，才不至于辜负了老祖宗的一片苦心。说到这里，咱们还是先回到历史的神坛上去见见古今中外的先哲们，听听他们对动物和人类生老病死的高瞻远瞩，或许会有所启发。; 个人分类: 生命科学|3281 次阅读|2 个评论

漫谈师生关系: jlxt33 2010-2-16 11:20; 【前言】此前科学网上就师生关系讨论了很多，当时写了点想法，没发出去，今天教学心得开天窗了，很可惜，整理一下，用来补白吧。 ======================= 【正文】师生关系其实挺复杂也挺微妙，有时其实也很简单。在高校中，师生关系有两种，一种是与本科生的关系，特别是上大课的本科生，这种关系相对较疏远，事实上，也没办法亲近，一两百人能记住几个名字就不错了。另一种是与自己的研究生和做毕业论文的本科生，这种关系就会亲近很多，交流也更多。其实我们一般讨论的师生关系，往往是后者。师生关系有时像父母与孩子，都是一种爱；有些年轻的老师与学生的关系更亲近，像兄弟姐妹一样。这种相处方式，很融洽，但是分寸得掌握好，否则不易严格要求，毕竟不是血缘至亲，宽易严难。其实，无论如何师生毕竟不同于父母与孩子，但是也有相同之处，就是对孩子发自内心的真诚的爱，并且他们能够体会到，这样，训或骂，长大的孩子会理解为爱的一种表达；另外作为父母或者老师（导师）一定要先制定规矩，学生或孩子就会知道什么是错，挨训或骂时，就知道原因，或许会反省自己。当然，我是不赞同训或骂的，这与批评教导是不同的。如果学生或者孩子有错了，一定要让他知道自己错在哪里了，并且能够反省为什么错以及今后如何改进。这个过程可以是和风细雨的，很多情况下不必大动肝火。事实上，在事先制定的大家认可的规矩下，大多数学生还是可以遵守的，个别实在屡教不改的话，只好承担由此带来的后果了，比如不能按时毕业等等。个人认为老师对学生，一定要严慈相济，用真诚的爱从严要求，帮助学生解决实际问题和思想困扰，给他们自己发挥和创新的空间，在工作态度、学习态度、科学精神等方面要严格要求。这样一定可以与学生融洽相处，教学相长。; 个人分类: 学之有本|6145 次阅读|0 个评论

夫子书苑: dongping2009 2009-4-16 20:41; 如同雨后春笋一般，科网形成了一个个的圈 quan 子，在曹广福先生的召集下，目前已有多位网友形成共识，向科学网申请成立一个，关于研讨或漫谈教学相关的圈子。名称暂定为夫子书苑，用户名为 education ，据此打油一首。农历乙丑，科网圈成。时惟戊辰，序属初春。先有学人，后又摄影。材料既出，物理争锋。动物生态，植物生命。摇啊摇蓝，圈主失踪。夫子建立，大侠广福。登高一呼，应者云集。创意谁归，吴渝所属。书苑何为，漫谈教育。她他我你，啥都可说。规矩有甚，科网法律。; 个人分类: 教学科研|5454 次阅读|4 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 漫谈

相关帖子

相关日志

关闭安全验证