西门子PLC PROFIBUS-DP连接器
适应性行为也是Gerd Gigerenzer和“适应性行为和认知研究小组”的信条。当面对复杂的任务时，西方科学和工程学科通常教我们如何分析并获得所有相关因素，之后采取适当的行动。然而，许多任务，尤其对于没有明确定义的任务，如软件工作量估算，我们无法得到所有相关因素然后进行全面彻底的分析。凭借我们投入的努力，我们可能认为得到了很多相关因素，但我们也很可能错失了更多的因素。因此，有观点认为，这种分析方法是必然达不到目的的。人类已经在复杂环境下适应并生存了下来，靠的不是彻底分析，而是剔除无关因素，关注少数的内容效度和效标效度（我们正致力于提高对编程技能和任务难度概念的科学把握，并通过实际编程中的成功来验证建构）。这使得建立和改善程序员的培训计划变得可能。
软件工作量估算却并非如此。预测一个团队或者一个项目需要多大的工作量来开发系统的一些部分，总的来说还不在我们所理解的范围内，也没有到达可以可靠地度量任务难度和估算技术的程度，这也意味着我们还不知道如何培训人们提高这方面的表现。
但我们知道，改善环境是有帮助的。这里有几个例子：从需求文件中删除无关内容，不让不确定的基础估算影响思考；估算可能的工作量之前先估算理想工作量[48]。这些措施都是为了改变判断（即估算）发生的环境，其目的是为了减少人们在做判断时已知的心理偏见。其他环境措施包括：团体估算，一般比单个估算更准确；使用适当的过程模型，迭代开现在我们转到本章开始时的第三个问题。我们现在可以把它表达得更**一点了。如果知道了不容易度量软件开发人员的技能的话，你应该专注于工具和技术吗？想象一个政策制定者，她需要负责减少道路碰撞事故的数量和严重程度。道路事故是导致全世界10岁至19岁儿童死亡的主要原因，在美国可预防的死亡原因中排名第六。她应该优先考虑提高司机的驾驶技术和意识，还是应该花更多的钱建立环境保障措施，如改善道路标准，降低车速限制，或者争取在汽车上增加更安全的功能呢？你可能说这两种都需要做，但在有限的预算下呢，每项要做多少呢？
浔之漫智控技术（上海）有限公司（xzm-wqy-sqw）
是中国西门子的合作伙伴，公司主要从事工业自动化产品的集成,销售和维修，是全国的自动化设备公司。
公司坐落于中国城市上海市，我们真诚的希望在器件的销售和工程项目承接、系统开发上能和贵司开展多方面合作。
以下是我司主要代理西门子产品，欢迎您来电来函咨询，我们将为您提供优惠的价格及快捷细致的服务！
道路交通碰撞事故的研究还算处于一个幸运的位置：全球有巨大的数据可供分析。因此，合理地决定在哪里投入资源是可能的。软件工程还没到可以做出这样明确决定的位置上。我们没有足够的数据，而且我们的任务非常多样。一切证明了，对于获取技能来说，智力是一笔财富。如果你希望找到的程序员，而且必须要测试他们的智力，那就测试吧，别犹豫；但是，可别忘了，重要的是首先一定要测试他们的编程技能。编程任务不同，并不是估算软件开发工作量次数越多，就会做得越好。有证据表明，对估算精度的在职反馈（无论是被动的、历史数据形式的，或是主动的、直接管理评估形式的）并不能改善过于乐观、过于自信或估计不可靠的问题。根据经典学习理论，这表明需要更**的反馈和更积极的技能培训（所谓的刻意练习）。换言之，需要有意识、有目的地训练估算技能。
但问题是：这可能吗？针对性的培训要求知道针对的目标是什么。换言之，一个人需要知道什么是估算的技能。但是，当涉及软件项目工作量估算时，技能的本质似乎在躲避着我们，它不容易被观察到，因为有经验的项目经理并没有比没有经验的估算者好多少，并且技能的理论基础没有明确告诉我们这里的技能到底是什么。此外，软件工作量估计属于所谓的“定义不明”的任务。它们的成功策略甚至都难以定义，这一点仅比“不稳定”任务强一些。无论是软件工作量估算这项任务本身，或是做好这项任务所需的
成功既需要智力也离不开技能。这样把智力与技能放在一起来看待能够把注意力吸引到好的方面，让人更加关注问题本身，而污辱性也更小。事实上，人们正努力把智力与技能合并为一个统一的理论，见下面的“合并智力和技能”。这里的共同点是在大脑中的认知结构。它们有些是稳定的，有些随着年龄而退化，有些通过有意的练习能得到改但是，你怎么能确定测试内效率有且仅有一个因素，即智商。这种观点很有意思，也相当说明问题：在某种意义上，它并没有错，但它太过离谱，会引你走上一条错误的道路个性影响也很有可能在一段时间之后才表现出来。如果结对编程只进行，双方的个性影响可能不会十分明显。几乎能自动进行的短时间测验（如个性与智力测验）与需要专家分析的整体评估方法之间，也存在争论。以一个“渴望成就”的人格特质为例。元分析认为，有争议的主题统觉测验在被用于测量“渴望成就”特质时，实际预测的有效性比标准问卷更好。而以标准问卷为基础的测试，在受控环境中的预测性能较好我们每天都基于这样非正式的直觉做出重要的决定。也许其中一些后来被证明是正确的，有些则是错误的。采用循证方法意味着用系统化手段（读取的，科学的）得到的信息做出决定。需要说明的是，这种系统化的做法有其内在的局限性，关于这点之后会有更多的讨论。
首先必须明确，是否有可能定义和度量个性。这应该是可能的，但也许对我们这样的技术人员不太明显。我们或许很快就能找到切实方法来识别个性（比如，遗传的或心理生理的）[69]。然而，个性理论近百年来的主要发展一直遵循着另一条路径。科学家们推断，我们所谓的基于人们日常行为和言论的“个性”之间存在差异。基于所述的行为和语言推论的研究路线已经建立了一些令人信服的人格模型。其中的也许是“大五模型（了数据表。终端应为了表征环境，我们首先要建立分析基线。基线由很多变量组成，其中包括工作内容、我们对于封装实验结果的微妙性、重要性与复杂度的理解发展得很缓慢。我们在一开始记录了基线与模型。然的数据并不是一个对照试验甚至良好定义的案例研究的结果。即使我们什么也没有做，它们也许培训和学习影响的东西，因此可以受到人为操纵，比如说是可以改善的。
由固定特征来区分人是一种比较快捷、便宜、简单的方法；评估和发展人的技能却是一个比较漫长的过程。也许人类的天性就是根据一些模式来评价人，这就难怪，招聘行业会有一系列的测试来度量一个人的固定特征。
对于如何评价一个人，我们有着各种各样的意见。基于固定特征的招聘是不是会涉及歧也会发生。第三个问题涉及关注个人能力（例如，技能和个性）与关注辅助环境（例如，使用工具或者结对编程）的区别。雇用好的程序员是不够的，正如航空公司聘请好的飞行员也不足以减少空难发生的风险；还必须在环境中加入许多安全特性，并且需要与人合作的能力。
在人的技能与工具之间谋求佳平衡并非易事。但如果不能定义专家，那么你可能没有机会来平衡任何东西。此外，如果你自认为知道怎样的人是的程序员，但你的直觉却是错误的话，那么你的项目处境可能会很悲惨，除非有环境措施能够发现问题，并能对不可预见的紧急情况进行调整。于是Glass观点的可操作性依赖于能够可靠地从人群中找出聪明因为没有对照组。但我们有不同的看法，我们相信这是学习流程的结果。在我们不知道从何时开始，将要做什么，又会如何发展的情况下，不可能对这项25年的研究进行对照试验。
在SEL的。请注意，不断重新评估和完善这种言论已经是我们的一项工作，即使它们可能是基于实证的。知识永远不会是静态的，因此Glass的观点可能需要做一些改进。但是，先把这个问题放一放。我们现在感兴趣的是其所引发的三个问题，它们同时也自成一体。这些问题把软件开发作为一个整体，而不只有编程，因此更具有普遍意义。25年中，我们对软件改进有了深刻的了解。我们的学习流程也和软件开发改进本身一样，不断改进。我们把所学到的应用到流程，产品以及组织构架中。演变流程依赖于研究与实践的共生关系。这种关系需要双方面的耐心和理解，但是一旦成熟，就会带来收益。
我们在应用中学习，并适当地配合了各种预先实验设计，准实验，对照试验和案例研究，并得出了丰富的实践及理论结果，这样的结果是无法从单纯的正式试验中得到的。此外，这种大规模学习流程还促成了诸如GQM、QIP和经验工厂等多种技术和方法的评估和发后，我们认识并让人认识到从组织内部汲取的经验和获得的知识需要和项目开发组织拆分开来。典型的项目组织活动把一个问题分成简单的几份，解决方法的实施，设计与实现，验证与确认。目标是在成本之内按时完成项目。经验工厂的活动包括统一不同的解决方案，重新定义问题，一般化、形式化和整合经验。通过综合分析观察结果，用实验测试各种意见来完成。其目标是获取经验并为项目提供推荐意见。它的主要责任是评估、修改、封装经验以备重用。