可解释性人工智能科普
PART.01 概述1、可解释性人工智能（XAI）定义随着机器学习和人工智能技术在各个领域中的迅速发展和应用，向用户解释算法输出的结果变得至关重要。人工智能的可解释性是指人能够理解人工智能模型在其决策过程中所做出的选择，包括做出决策的原因，方法，以及决策的内容[1]。简单的说，可解释性就是把人工智能从黑盒变成了白盒。2、研究的作用可解释性是现在人工智能在实际应用方面面临的最主要的障碍之一。人们无法理解或者解释为何人工智能算法能取得这么好的表现。可解释性人工智能模型的作用主要有：1.可解释性人工智能可以打破研究和应用之间的差距，加速先进的人工智能技术在商业上的应用：出于安全，法律，道德伦理等方面的原因，在一些管制较多的领域场景例如医疗，金融等，会限制无法解释的人工智能技术的使用。2.通过可解释性理解模型做出的决策，找出偏差出现的原因，从而提升模型的性能。3.有助于人工智能模型的使用：可解释性可以帮助用户理解人工智能所做出的决策，使得用户能更有效地使用模型，也能纠正用户在使用模型时因为不清楚算法所做的事情而产生错误的操作；4.可解释性人工智能能增加用户的信任度：用户知道了人工智能决策的依据之后，会更加信任人工智能所做出的政策。3、应用领域1.学术研究：可解释性人工智能可以更好的帮助研究人员有效的理解模型做出的决策，从而发现模型做出的决策偏差并且针对性的纠正错误，提升模型的性能；可解释性算法可以找出算法的薄弱点，并针对性的加入噪音来促进算法的鲁棒性，例如对抗性学习；可解释性可以确保只有有意义的变量才能推断出输出，来使得决策过程中因果关系更加真实。2. 医疗领域：可解释性人工智能可以根据输入的数据症状或者CT图，给出一个可解释性的预测结果，来辅助医生进行诊断。假如模型是不可解释的，无法确定模型是怎么进行决策的，医生也不敢轻易使用人工智能提供的结果进行诊断。图1｜医疗领域中使用人工智能进行辅助诊断3.金融领域：金融领域也是极度依赖可解释性的行业领域。人工智能做出的投资决策需要有很强的解释性，否则金融从业人员不会放心使用模型得出的决策结果；金融领域中可解释性人工智能另一个常用的应用方向是检测金融欺诈行为，模型找出欺诈行为并提供决策的解释，帮助监管人员打击犯罪。4. 信息安全：通过XAI技术获取的模型可解释性信息，可以加入到对抗性环境中，对模型进行更有效的攻击，找出模型安全性较差的环节并进行修复，利用XAI技术来提升系统安全性。5. 专家系统：专家系统是一类具有专门知识和经验的计算机智能程序系统，采用知识表示和知识推理技术模拟通常由领域专家才能解决的复杂问题。专家系统也需要很强的解释性。4、XAI的目标可解释性人工智能拥有众多的解释性目标。但是由于可解释性的范围太过于广泛，不同的应用场景下所需要解释的内容不一样，甚至针对不同的用户受众所要解释的内容也不同，因此目前XAI领域没有一个统一的评判标准体系。但是文献[2]中对XAI相关工作中用到的评判指标做了总结统计，按使用频率排名较前的有：1. 信息性：信息性是最常用也是用户受众最广的解释性目标，几乎所有受众都能使用这个解释性目标。使用人工智能模型的最终目的是支持决策[3]，因此需要人工智能需要提供大量有关决策目标的信息，来将用户的决定与模型给出的解决方案联系起来，使得用户理解模型内部的作用，从而更好的使用模型。2. 可移植性：这是使用第二常用的目标，一般应用受众为领域专家和从事数据科学的人员。可移植性表示了人工智能方法能否在不同的场景和数据下很好的应用，可移植性高的算法拥有更广泛的应用场景。可解释人工智能可以提升算法的可移植性，因为它可以清楚的表示出算法的决策过程，以及可能影响模型应用的边界值，这有助于用户在不同的场景中应用算法[4]。3. 可访问性：应用频率第三的目标是可访问性，主要受众是产品开发团队以及用户。可访问性表示的是能否用非专业的解释方式来进行算法的解释，，保证非专业人员也能明白算法的决策过程，降低了用户在对算法提供改进意见时的技术准入门槛，保证用户能参与改进或者开发人工智能模型的过程中[5]，让用户能更加专注于提升自己的体验。除此之外，可解释性人工智能的目标还有：可信度，因果关系，置信度，公平性，隐私保护等等。PART.02 主要实现方法目前可解释性人工智能的实现方法主要分为两种：一种是可解释模型，即设计出来的机器学习模型本来就具备可解释的能力；另一种是模型可解释技术，利用模型可解释技术来解释本来没有可解释性的机器学习模型。1、可解释模型可解释模型的可解释性可以分为三个层次：可模拟性、可分解性和算法透明。可模拟性指整体模型可以直接被人类进行模拟以及评估；可分解性表示模型的各个部分（输入、参数和计算）都可以被解释；而算法透明表示用户能够理解模型从其任意输入数据中产生任何给定输出的过程，通常需要使用数学分析来获得算法透明。比较典型的可解释模型有线性回归，决策树，KNN，以及基于规则的学习等等。1. 线性回归：线性回归假设自变量和因变量之间存在线性关系，并且通过计算得出他们之间的线性关系。该方法能很好的做到可解释模型的3个层次，但是也需要模型可解释技术辅助进行更好的解释。线性回归模型被提出的时间较早，已经被应用了很长一段时间，因此其解释模型结果的方法也较为成熟，包括统计学方法[6]以及可视化方法等等。当然线性回归的解释性也有一些潜在的问题[7]，例如未观察到的异质性，不同模型之间比率可能会无效等等。另外想要线性回归模型保持可模拟性和可分解性，模型不能过大，而且变量必须被用户理解。图2｜线性回归2. 决策树：决策树是用于回归和分类问题的分层决策结构[8]，能满足可解释模型的各个层次。虽然决策树能拟合各个层次，但是决策树的个体特征会使其倾向于某个层次，这和决策环境密切相关的。决策树拥有较高的可解释性，因此长期应用于非计算机和人工智能领域，因此决策树在其他领域的解释性已经有很多成熟的工作可以参考[9][10]。但是，决策树泛化能力较差，不适用于需要平衡预测准确度的场景。图3｜决策树算法3. KNN：即K最近邻算法，选择测试样本的K个最近邻的类别中最多的类别作为样本类别的预测结果。KNN的模型可解释性取决于特征数量、邻居数量（即K值）和用于度量样本之间相似性的距离函数。如果K值特别大则会降低KNN的可模拟性，而如果特征或者距离函数较为复杂，会限制KNN模型的可分解性。图4｜KNN算法4. 基于规则的学习：基于规则的学习会使用数据集进行训练，生成规则来表示模型。规则常用简单的if-then形式或者简单形式的排列组合来表示，具体表示方法如图5所示。基于规则的学习是可解释性模型，常通过生成解释规则来解释复杂模型[11]，在可解释性上表现非常好，因为它和人类平时思考模式相近，易于理解和解释。相对应的规则学习的泛化能力就较差了。基于规则的学习广泛应用于专家系统的知识表示[12]。但是需要注意，模型规则数量会提升模型的性能，但是同时也会降低解释性。规则的长度也不利于可解释性。需要增加可解释性，只需要放宽规则约束。图5｜基于规则的学习2、模型可解释技术当机器学习模型本身不属于可解释模型时，就需要使用模型可解释技术来解释其决策。模型可解释技术的目的是表示已有的模型如何从给定的输入生成出预测的可理解信息。现在比较常用的模型可解释方法主要有特征重要性方法和基于实例的方法。1.特征重要性方法特征重要性方法主要分为基于扰动的方法和基于梯度的方法。（1）基于扰动的方法通过一个或者一组输入特征来对输入进行扰动，从而观察其与原始输出的差异，来得到特征重要性。基于扰动的方法可以直接估计特征的重要性，使用简单，通用性强。但是每次只能扰动一个或一组特征，导致算法速度缓慢。另外，一些复杂的机器学习模型是非线性的，解释受选择的特征的影响很大。较为经典的基于扰动的方法有LIME[13]和SHAP[14]。LIME，全称LocalInterpretableModel-agnosticExplanations，局部可解释模型不可知解释。其原理是以需要解释的模型为基础上来设计一个全新的简化的可解释模型，然后使用这个简单的模型，搭配可解释的特征进行适配，来接近复杂模型的效果，从而起到解释复杂模型的作用。作者在LIME的基础上提出了Anchors算法[15]。和LIME相比，LIME是在局部建立一个可理解的线性可分模型，而Anchors的目的是建立一套更精细的规则系统。图6｜LIME算法的例子[13]SHAP的全称是SHapleyAdditiveexPlanation，是由Shapleyvalue启发的可加性解释模型。它的核心思想是计算特征对模型输出的贡献，然后从全局和局部两个层面对“黑盒模型”进行解释。SHAP是在实际使用中最常用的方法，易于操作。由于该方法可以得出各特征对模型的影响，主要被用于进行特征工程或者辅助数据采集。图7｜SHAP算法（2）基于梯度的算法基于梯度的基本方法只是计算输出相对于输入的梯度，相比扰动方法更有效率。例如DeepLIFT（DeepLearningImportantFeaTures）方法[16]将每个神经元的激活与它的"参考激活"进行比较，并根据差异给每个输入分配分数。2.基于实例的方法基于实例的方法会使用特定的实例作为输入来解释机器学习模型，因此它们通常只提供局部解释。基于实例的方法是模仿人类的推理方式而提出的，人类通常在推理时会使用类似的情况举例来提供解释。较常用的方法有反事实解释[17]和对抗性攻击[18]。反事实解释可以理解为从想要的结果来倒推输入，从而获得模型的解释。该方法使用类似的情况，对机器学习模型的当前输入实例进行不同的预测。对抗性攻击是特意使用能做出错误预测的例子来对模型进行解释。一个较为经典的用法是在识别图片中物体时，通过在照片中加入噪音来让机器学习模型无法正确识别。如图8所示，在猫的图片中加入了噪音后模型会将其识别为柠檬。但是对于人类来说图片是没有变化的。当发现了这种问题后便可以对其进行改进，从而提升模型的鲁棒性。图8｜对抗性攻击3、可解释性深度学习深度学习模型一直被认为是黑箱模型，模型本身没有可解释性，因此必须使用模型可解释技术进行解释。解释性差已经成为了现在深度学习发展的最大的阻力之一。解释深度学习的常用方法有事后局部解释和特征相关性技术。下面按照不同的深度学习方法类型，分为多层神经网络、卷积神经网络(CNN)和循环神经网络(RNN)来分别介绍它们的可解释性方法。1）多层神经网络：在推断变量间复杂关系下效果极佳，但是可解释性非常差。常用的可解释方法包括模型简化方法、特征相关性估计、文本解释、局部解释和模型可视化[19][20][21]。2）卷积神经网络：卷积神经网络主要应用于图像分类，对象检测和实例分割。虽然其复杂的内部关系使得模型难以解释，但是对于人类来说，图形会更好理解，因此CNN会比其他的深度学习模型更好解释。一般的可解释方法有两种：一是把输出映射到输入空间上，查看哪些输入会影响输出，从而理解模型的决策过程；二是深入网络内部，以中间层的视角来解释外部[22][23][24]。3）循环神经网络：RNN广泛应用于固有序列数据的预测问题，如自然语言处理和时间序列分析。RNN的可解释方法较少，主要分为两类：一是使用特征相关性解释方法，理解RNN模型所学习的内容；二是使用局部解释，修改RNN架构来对决策进行解释[25][26]。PART.03 未来研究方向下面对XAI未来需要解决的问题和可能的研究方向进行一个简要的介绍。1、模型可解释性和性能之间的权衡在提升模型性能的同时往往会降低模型的可解释性，因为性能往往会便是和算法复杂度绑定的，而越复杂的模型可解释性就越差。准确性和可解释性的关系如图9所示。虽然性能和可解释性这种负相关的趋势无法逆转，我们还是可以通过升级可解释性的方法，使其更加精密，从而减缓这种负相关的趋势[27]。图9｜可解释性和准确性之间的关系2、统一可解释性的指标在1.3节中已经提到过，目前可解释性人工智能领域并没有一个统一的评判指标。而这将会是可解释性人工智能发展路上的一个重大阻碍。XAI领域需要持续发展，就必须先统一评判指标。值得高兴的是，已经有学者开始注意到这个问题并开始研究如何用统一的标准来评判可解释性[2]。3、深度学习模型的可解释性在2.2节的深度学习的模型可解释性技术中有提到，深度学习一直被认为是黑箱模型，在实际应用中一个较大的阻力就是相当于传统的机器学习方法，深度学习可解释性较差。这不仅限制了深度学习在管制较多的领域上的应用，而且也会影响到模型的优化。在无法知晓深度学习模型进行决策的原因的情况下是很难做出好的改进的。如果能对深度学习模型进行一个好的解释，将会使得深度学习发展速度更快。4、XAI在信息安全上的应用目前XAI在信息安全上的应用较少，但是在未来这可能会是一个重要的应用场景。XAI可以通过模型的输入和输出来推理模型的数据和作用，从而被用于盗窃模型数据和功能[28]。当然从另一个角度来看，通过XAI技术获取的信息可以加入到对抗性环境中，对模型进行更有效的攻击，找出模型安全性较差的环节并进行修复，来利用XAI技术来提升系统安全性。5、XAI可以支持跨学科信息交流XAI能对无专业背景的用户有效的进行模型决策的解释，即1.3节中提到的可访问性。XAI也可以进行关键数据研究，即进行多学科融合，并针对不同的受众给出他们需要知道的解释[29]。XAI可以促进不同受众和学科之间的信息交流。PART.04 总结可解释性人工智能的目标是使人能够理解人工智能模型决策的过程，从而更好的对模型进行使用以及改进，并且增加用户的信任度，扩展人工智能技术的应用场景。深度学习算法的不可解释性是现在限制深度学习的发展的一个重要问题，因此可解释性的研究将会是深度学习未来重要的研究方向。另外，可解释性人工智能还能应用于信息安全领域，还能促进跨学科知识交流。可解释性人工智能才刚处于起步阶段，拥有非常广阔的研究前景。相信在不远的未来，可解释性人工智能会引领人工智能技术进行一次新的突破。参考文献：[1]ConfalonieriR,CobaL,WagnerB,etal.AhistoricalperspectiveofexplainableArtificialIntelligence[J].WileyInterdisciplinaryReviews:DataMiningandKnowledgeDiscovery,2021,11(1):e1391.[2]ArrietaAB,Díaz-RodríguezN,DelSerJ,etal.ExplainableArtificialIntelligence(XAI):Concepts,taxonomies,opportunitiesandchallengestowardresponsibleAI[J].InformationFusion,2020,58:82-115.[3]HuysmansJ,DejaegerK,MuesC,etal.Anempiricalevaluationofthecomprehensibilityofdecisiontable,treeandrulebasedpredictivemodels[J].DecisionSupportSystems,2011,51(1):141-154.[4]CaruanaR,LouY,GehrkeJ,etal.Intelligiblemodelsforhealthcare:Predictingpneumoniariskandhospital30-dayreadmission[C]//Proceedingsofthe21thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.NewYork:ACM,2015:1721-1730.[5]MillerT,HoweP,SonenbergL.ExplainableAI:Bewareofinmatesrunningtheasylum[C]//ProceedingsoftheInternationalJointConferenceonArtificialIntelligence:Vol.36.MenloPark:AAAIPress,2017:36-40.[6]HosmerJrDW,LemeshowS,SturdivantRX.Appliedlogisticregression:Vol.398[M].NewYork:JohnWiley&Sons,2013.[7]MoodC.Logisticregression:Whywecannotdowhatwethinkwecando,andwhatwecandoaboutit[J].EuropeanSociologicalReview,2010,26(1):67-82.[8]QuinlanJR.Simplifyingdecisiontrees[J].InternationalJournalofMan-MachineStudies,1987,27(3):221-234.[9]MaimonOZ,RokachL.Dataminingwithdecisiontrees:Theoryandapplications:Vol.69[M].Singapore:WorldScientific,2014.[10]RovnyakS,KretsingerS,ThorpJ,etal.Decisiontreesforreal-timetransientstabilityprediction[J].IEEETransactionsonPowerSystems,1994,9(3):1417-1426.[11]NunezH,AnguloC,CatalaA.Rule-basedlearningsystemsforsupportvectormachines[J].NeuralProcessingLetters,2006,24(1):1-18.[12]LangleyP,SimonHA.Applicationsofmachinelearningandruleinduction[J].CommunicationsoftheACM,1995,38(11):54-64.[13]RibeiroMT,SinghS,GuestrinC."WhyshouldItrustyou?"Explainingthepredictionsofanyclassifier[C]//Proceedingsofthe22ndACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.NewYork:ACM,2016:1135-1144.[14]LundbergSM,LeeSI.Aunifiedapproachtointerpretingmodelpredictions[C]//ProceedingsoftheAdvancesinNeuralInformationProcessingSystems.Cambridge:MITPress,2017:4765-4774.[15]RibeiroMT,SinghS,GuestrinC.Nothingelsematters:model-agnosticexplanationsbyidentifyingpredictioninvariance[C]//Proceedingsofthe30thConferenceonNeuralInformationProcessingSystems.Cambridge:MITPress,2016.[16]ShrikumarA,GreensideP,KundajeA.Learningimportantfeaturesthroughpropagatingactivationdifferences[C]//Proceedingsofthe34thInternationalConferenceonMachineLearning.NewYork:PMLR,2017:3145-3153.[17]SharmaS,HendersonJ,GhoshJ.Certifai:Counterfactualexplanationsforrobustness,transparency,interpretability,andfairnessofartificialintelligencemodels[J].arXivpreprintarXiv:1905.07857,2019.[18]SzegedyC,ZarembaW,SutskeverI,etal.Intriguingpropertiesofneuralnetworks[C]//Proceedingsofthe2thInternationalConferenceonLearningRepresentations.NewYork:CurranAssociates,Inc.,2013.[19]CheZ,PurushothamS,KhemaniR,etal.InterpretabledeepmodelsforICUoutcomeprediction[C]//AmericanMedicalInformaticsAssociation(AMIA)AnnualSymposium:Vol.2016.NewYork:AMIA,2016,371-380.[20]MontavonG,LapuschkinS,BinderA,etal.Explainingnonlinearclassificationdecisionswithdeeptaylordecomposition[J].PatternRecognition,2017,65:211-222.[21]KindermansPJ,SchüttKT,AlberM,etal.Learninghowtoexplainneuralnetworks:Patternnetandpatternattribution[C]//ProceedingsoftheInternationalConferenceonLearningRepresentations.NewYork:CurranAssociates,Inc.,2017.[22]BachS,BinderA,MontavonG,etal.Onpixel-wiseexplanationsfornon-linearclassifierdecisionsbylayer-wiserelevancepropagation[J].PloSOne,2015,10(7):e0130140.[23]ZhouB,KhoslaA,LapedrizaA,etal.Learningdeepfeaturesfordiscriminativelocalization[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.NewYork:IEEE,2016:2921-2929.[24]ZeilerMD,TaylorGW,FergusR.Adaptivedeconvolutionalnetworksformidandhighlevelfeaturelearning[C]//Proceedingsofthe2011InternationalConferenceonComputerVision.NewYork:IEEE,2011:2018-2025.[25]ArrasL,MontavonG,MüllerKR,etal.Explainingrecurrentneuralnetworkpredictionsinsentimentanalysis[C]//Proceedingsofthe8thWorkshoponComputationalApproachestoSubjectivity,SentimentandSocialMediaAnalysi.NewYork:AssociationforComputationalLinguistics,2017:159-168.[26]ChoiE,BahadoriMT,SunJ,etal.Retain:Aninterpretablepredictivemodelforhealthcareusingreversetimeattentionmechanism[C]//ProceedingsoftheAdvancesinNeuralInformationProcessingSystems.Cambridge:MITPress,2016:3504-3512.[27]GunningD.Explainableartificialintelligence(xAI)[R].Arlington:DefenseAdvancedResearchProjectsAgency(DARPA),2017.[28]OrekondyT,SchieleB,FritzM.Knockoffnets:Stealingfunctionalityofblack-boxmodels[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.NewYork:IEEE,2019:4954-4963.[29] IliadisA,RussoF.Criticaldatastudies:Anintroduction[J].BigData&Society,2016,3(2):2053951716674238.本文来自微信公众号：灏真科普谈（ID：sigsxskxjsxh），图文：张明睿、杜秉航、刘子琪、王宇洋、黄易平，排版：张明睿， 审核：郝治翰、安栩瑶、赵润泽、杜秉航广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
怎么跟孩子解释“父母离婚了”这回事
阅读全文约需10分钟
怎么跟孩子解释“父母离婚了”这回事？
文/晏凌羊
1
一个女性朋友前一阵离婚了，她跟前夫是和平离婚，有一个刚满八岁的男孩归她抚养，目前她还没有对孩子说出父母已离婚的真相。
她很迷惑，跑来问我：“怎么和孩子说父母离婚的问题呢？”
无独有偶。我一个未婚妈妈朋友忽然在微信上跟我讲起一件事，她说：“前几天，孩子忽然跟我说，她要找爸爸。她问过就没事了，却搞得我失眠了一夜。”
当年，她冒着所有人的反对，坚持要生下这个孩子。她的这个决定惹怒了孩子的爸爸，孩子爸爸拂袖而去，从此杳无音信。孩子从出世以来就没见过自己的父亲，脑子里根本就没有“爸爸”这个概念。
早些时候，我女儿也曾经说过类似的话：“妈妈，我希望爸爸下班后来我家住。我们三个人住在一起，就跟大头儿子一家一样。”
她当时说完就没事儿了，而我当时听到这席话，却是好一阵鼻酸。
我只能告诉她“妈妈知道啦”，然后把她的愿望再重复一遍，表明她表达的心情我get到了。
对于这个阶段的孩子而言，我这样的反应或许已经足够，她知道自己表达的情绪能被妈妈理解、接住，也就不再纠缠这个问题了。
两年后，极偶尔的，她也会表达这种愿望。与当时不同的是，我内心不会有什么波澜，跟她讲个小故事，母女俩嘻嘻哈哈乐一顿，这事儿也就过去了。
2
几年前我被女儿问到“爸爸为什么不和我们住一起”这些问题，之所以会觉得像是中了一枪，是因为那时我心里很在意这个事情。那时我觉得孩子不能成长在完整而幸福的家庭里，是一个天大的缺憾。
而现在，我之所以能举重若轻地回答这个问题，并趁机给她讲个故事，是因为我打从内心里觉得：这真的不能算是个事儿。
也正是因为如此，当有朋友为这些问题烦心然后问我该怎么办时，我一般都这么回答：“你想过没有？其实真正在乎这个问题的，并不是你的孩子，而是你自己。孩子的问题，引发了你内心的焦虑和惶恐，所以你才会这么在意。”
如果一个母亲不管做什么事，不管面对什么人，脸上永远写着“我是单亲妈妈”“我的孩子成长在单亲家庭里”“我受过伤，所以我要坚强”“我的孩子是单亲孩子，Ta很特殊”……那我们很难想象她的孩子在面对单亲这个问题时，是不是也会认为自己是一个特殊的、需要人特别体恤和照顾的孩子，会不会在别人提及Ta单亲身份时表现得特别受伤或富有攻击性。
相反，如果父母内心丰盈并能把正能量传达给孩子，孩子内心的匮乏感自然也不会太强，反而可以用平和、积极的态度看待和接纳父母离婚这件事。
前段时间，我认真地跟女儿提到了父母离婚这个话题，女儿歪着头问我：“那为什么我是跟妈妈一起住，而不是跟爸爸一起住呢？”
我正思索着该怎么回答她，她忽然拍着手说：“哦，我知道了！”
我问：“你知道啥了？”
女儿回答：“爸爸也想和我一起住，妈妈也想和我一起住，可是我只有一个，那怎么办呢？是不是你们俩只能玩‘石头剪刀布’游戏，然后妈妈赢了，所以我就奖给妈妈了。”
我一愣：天哪，这孩子把自己当成“奖品”，谁赢了游戏就奖给谁。
我只好回答：“是啊。妈妈赢了。”
女儿继续问：“那你出了什么？爸爸又出了什么？”
我说：“我出了剪刀。”
女儿兴奋地抢答：“爸爸出了布！爸爸真笨。”
她继续穷追不舍：“你们玩了几次？是三局两胜吗？”
我说：“是的。你爸爸输了第一局，不甘心，又跟妈妈玩了几次，结果都是妈妈赢。”
她跑过来，搂住我脖子说：“妈妈真棒。”
那一刻，我又是欣慰，又是感动。
孩子的关注点，永远在她感兴趣的事情上，而不是大人最在意的事情上。你在意的，未必是他们在意的。
我一个出生在单亲家庭里的朋友，曾经这样跟我分享过他的心路历程：
“我们那一代，父母离婚的人并不多，我曾经也为此自卑不已，但我妈妈给我做了非常良好的引导。她从来不跟我强调我们家和别人家有什么不同，也不跟人卖惨，我慢慢学会接受父母离婚了这个客观存在的事实，并学着接纳命运给予我的一切，不管是好的还是坏的。
别人若是因为我父母离婚就对我投来异样的、同情的或鄙视的眼光，我也可以理解，但那是别人的事，我不想管，也管不着。父母离婚又有什么关系呢？这妨碍我成长为一个更好的人么？不会。”
“我们那一代，父母离婚的人并不多，我曾经也为此自卑不已，但我妈妈给我做了非常良好的引导。她从来不跟我强调我们家和别人家有什么不同，也不跟人卖惨，我慢慢学会接受父母离婚了这个客观存在的事实，并学着接纳命运给予我的一切，不管是好的还是坏的。
别人若是因为我父母离婚就对我投来异样的、同情的或鄙视的眼光，我也可以理解，但那是别人的事，我不想管，也管不着。父母离婚又有什么关系呢？这妨碍我成长为一个更好的人么？不会。”
3
几年前，有这样一句话特别流行：“我渴望被一个人收藏好，妥善安放，细心保存。免我惊，免我苦，免我四下流离，免我无枝可依。”
我一个恨嫁的闺蜜曾把它作为自己的QQ签名。我看了以后，泼了她一瓢冷水：“大姐，能做到这样的男人只有你爸爸。”
我不大赞同女人在婚恋关系中，总想把自己放在被疼爱被照顾被呵护的地位，这种公主心态怎么看怎么不成熟。
为人妻子，为什么你非要把自己放在一个从属地位呢？丈夫和妻子，应该是平等的关系，就像并肩站立的两棵树。
你看自然界中站在森林里的那些树，一棵树倒了，另外一棵树还是能活得好好的，还能庇护脚下的幼苗。
能为自己的情绪负责，是为人父母最基本的素养。离婚，是我们自己造成的，跟孩子没有关系。离婚的负面情绪只能我们自己去消化，离婚的伤口只能我们自己去疗愈，真不该让离婚对大人的影响传导到孩子身上。
孩子需要接受的，只是一个事实：父母离婚了，分开了，我没有跟爸爸（或妈妈）生活在一起。
这个事实显得很特殊、很值得同情么？其实并不尽然。
有人做过一个粗略的统计，说是只有不到30%的家庭才是生活富足、父母俱在且恩爱的三口之家。
其他的，有单亲家庭、留守儿童家庭、空巢老人家庭、孤儿家庭、婆媳不和家庭、贫困家庭、父母再婚家庭、家有病人的家庭，还有虽然双亲健在但终日争吵的不和睦家庭……单亲家庭，只是家庭模式之一。
人生不如意十之八九，能与人言者不到一二。人生的缺憾无处不在，绝对的完美只是一厢情愿的幻想。任何一个人的生命都有缺憾，有人缺胳膊有人少腿，有人只有病也有人很缺钱……仔细想想，谁的人生没缺失？你不缺A，就是缺B，有时候缺A也并不比缺B更高级。
换言之，缺憾的人生才是真实的人生，才是人生正常的状态。不管我们多么努力，不论我们做了多少精细的准备，总是有不尽的缺憾与你相伴，所以，真的大可不必为了有些缺憾而怨天尤人。每个人都需要跟命运过招，无一可以幸免。
除了生死，其他形式上的东西都是小事。人生中的缺失那么多，样样都在乎的话还能活得开心么？活得不缺心眼，不缺德，就ok啦。
至于孩子的教育问题，我们做好该做的事就好了。至于将来孩子会成长成咋样，这还真不是我们所能掌控的。
很多专家、学者、热心网友、七大姑八大婆给出的关于“单亲家庭如何教育孩子”的建议，本质上都是在教育单亲父母应该怎么做，但我觉得，如果单亲父母摆得正自己的心态，其实是不需要这些特殊建议的。别人家怎么教育，我们也可以怎么教育。教育也是一件“万变不离其宗”的事儿，我并不认为在孩子教育问题上单亲家庭需要特殊化。
至于孩子的教育问题，我一直秉持一种态度：尽人事，听天命。不过度焦虑，也不过度松弛。“言传不如身教”，我自己过好了，孩子耳濡目染，也会“有样学样”的。我们生养他们，教育他们，责任已尽，而能给他们最好的礼物，不过是一些解释生活、顺应世界的方法。至于将来他们会变成啥样，只有天知道。
作为单亲父母，在孩子的教育问题上，你最需要做的，就是内心笃定，而不该轻易被别人的价值观所左右。
“单亲家庭长大的孩子就是有人格缺陷”“长期不跟父亲（母亲）在一起生活的孩子会缺乏安全感”之类的言论，让他们见鬼去吧。
能说出这话的人，一般也能说出“河南人都是骗子”“穷人家的孩子普遍缺乏安全感”“富人家的孩子普遍飞扬跋扈”之类的话。你不在意，这类不经考证、充满偏见的言论就没有市场。人生太苦，我们也该允许别人表达点优越感。
4
我跟前夫是在孩子不到一岁时，就协议离了婚。
从女儿两岁起，我就有意无意地跟孩子解释“父母离婚了”这件事。
我最常跟女儿讲的是这样一个故事：
“小鱼生活在水里，它最喜欢游泳，最开心的事情是跟其他鱼类玩耍。小鸟生活在树林里，它最喜欢飞翔，最快乐的事情是跟其他的鸟类玩耍。小鱼和小鸟是不大可能成为好朋友的，因为小鱼不会飞，体会不到飞翔的乐趣，它要飞向天空就会渴死；小鸟不会游泳，也体会不到在水里游泳的乐趣，它要是学游泳就会被淹死。
小鸟去池塘边喝水的时候，可能会遇到一条小鱼，然后两个人在一起玩了一会儿，但随后都要回到自己家里去找妈妈、找同伴，不可能长久地住在一起玩耍。只有回到自己的天地中，小鸟和小鱼各自才很开心。
我们人也是一样啊！有的人像小鸟，有的人像小鱼。爸爸像小鸟，妈妈像小鱼，我们都要住在自己家里才开心才活得好，所以你也希望爸爸妈妈开心对不对？你也是啊，幼儿园里那么多的小朋友，每个人都不一样，但是，你也会更愿意和那些喜欢你、能跟你玩到一起、能让你感到开心的小朋友一起玩，是不是？”
“小鱼生活在水里，它最喜欢游泳，最开心的事情是跟其他鱼类玩耍。小鸟生活在树林里，它最喜欢飞翔，最快乐的事情是跟其他的鸟类玩耍。小鱼和小鸟是不大可能成为好朋友的，因为小鱼不会飞，体会不到飞翔的乐趣，它要飞向天空就会渴死；小鸟不会游泳，也体会不到在水里游泳的乐趣，它要是学游泳就会被淹死。
小鸟去池塘边喝水的时候，可能会遇到一条小鱼，然后两个人在一起玩了一会儿，但随后都要回到自己家里去找妈妈、找同伴，不可能长久地住在一起玩耍。只有回到自己的天地中，小鸟和小鱼各自才很开心。
我们人也是一样啊！有的人像小鸟，有的人像小鱼。爸爸像小鸟，妈妈像小鱼，我们都要住在自己家里才开心才活得好，所以你也希望爸爸妈妈开心对不对？你也是啊，幼儿园里那么多的小朋友，每个人都不一样，但是，你也会更愿意和那些喜欢你、能跟你玩到一起、能让你感到开心的小朋友一起玩，是不是？”
女儿听了，似懂非懂地回答：“哦。我喜欢和让我感到开心的小朋友在一起玩。”
更多的时候，往往我还没讲完，她的关注点已经集中到了“小鱼为什么离开水就会死”“小鸟为什么会飞”这一类我需要绞尽脑汁才能糊弄过去的科学问题甚至是哲学问题了。
我发现，她其实也就那么随口一问，并不很纠结这些问题的答案。我能给出的答案，也只是她这个年龄阶段的孩子能听得懂的答案。等她再大一些，如果再问起这个问题，我会再给出与她那个年龄段相符的答案。毕竟人生是变幻着流动向前的，一个答案管不了一辈子。
前一阵子，女儿的同学问她：“你没有爸爸吗？怎么从来不见你爸爸在你家里？”
女儿不卑不亢地回答：“我有爸爸啊，他不跟我们住在一起，只是每个星期都来接我。”
她同学追问：“为什么啊？你的爸爸妈妈吵架了吗？”
女儿回答：“没有，我爸爸妈妈从来不吵架，只是分开住。爸爸妈妈分开住，我两边都可以住。这样住，我们三个人都开心，开心最重要。”
我想，她之所以会这样应答，可能跟我日常对她的熏陶也有关系。
5
如何跟孩子解释父母离婚这件事？有时候，儿童绘本是最好的老师。
比起我们干巴巴地讲道理，生硬地编出一个故事来（何况并不是每个人都有编故事的能力），绘本图文并茂、充满想象力，更能启发孩子的思维。
从离婚开始，我就借阅、订购了海量绘本跟女儿一起看。平均每个星期陪孩子看三本，现在应该看过有六百多本了。
这些绘本，大多数是国外引进来的，有一些是专门给单亲孩子看的，的确有诸多独到之处。但，这些单亲绘本，也总让我觉得“差点意思”甚至像“隔靴搔痒”，女儿的兴趣也不大，看完啥也不记得。
比如，一些北欧的绘本，画面跟当地的气候一样，总给人一种阴冷、凄清的感觉。日韩的绘本构图精美，但普遍想象力差一些。市面上西欧、美国的绘本最多，想象力很足，但不知道是不是翻译的原因，表述方式又不大符合国人的口味和习惯。
为此，我才萌生了自己给孩子编一个故事的想法，结果那个故事越编越长，越编越好玩。孩子听得起劲，我也讲得开心。
去年，机械工业出版社的编辑看上了这个故事，并请了国内著名的漫画师给这个故事绘制了漫画，于是，就有了《妈妈家，爸爸家》这本非常漂亮的单亲绘本。
绘本出来以后，我送了几个朋友，她们很快给了我回馈：“故事奇幻、画面精美，孩子很爱看，缠着我讲了好多遍。这本绘本，不仅适合单亲孩子读，也适合非单亲的孩子读一读。”
绘本所讲述的，是一个孩子和一条大飞鱼的故事，情节比较奇幻。你与其说它是一个童话故事，不如说它是一则生活寓言。
曾经，很多女性朋友问我：“孩子父亲自离婚后，再也没来看过他一眼，孩子对父亲根本没概念，那我要怎么跟他解释爸爸问题？”这本绘本里，也有这个问题的答案，只不过需要你发挥你的智慧，转换下你对这个问题的解释方式。
我们之所以说这本绘本，也适合所有的孩子看，是因为它还讲到了爱、尊重、界限、差异等等问题。
有《妈妈家，爸爸家》这个故事垫底，我再给女儿编撰别的故事，她的反应很有意思。
比如前段时间，我就讲了这样一个故事：
从前有只北极熊认识了一个新朋友，它是来自沙漠的骆驼。他们俩上网聊天，聊得特别开心，就邀请对方去自己家里玩。
有一天，骆驼来到了北极熊的家，发现那里冰天雪地，冷得他都快受不了了。而且，北极熊的家里只有鱼可以吃，而骆驼只喜欢吃草，他在北极熊家里住了一天就离开了。
后来，骆驼邀请北极熊到沙漠自己的家里做客，北极熊一去到沙漠里，就非常不习惯，他身上长了厚厚的毛，热得快受不了了。沙漠离大海很远，北极熊也吃不到他最爱吃的鱼，所以他也只在骆驼家里待了一天就回去了。
以后，北极熊和骆驼就只上网聊天。在网上，他们俩依然是很好的朋友。这个故事告诉我们什么道理呢？就是：我们交朋友的时候，不一定要求别人跟我们一样，尊重彼此的这种差异性，大家也能成为好朋友。
女儿听着听着，忽然来一句：“北极熊和骆驼，就像你和爸爸那样吗？我和朗朗（住在我家隔壁的、女儿最要好的朋友）也是这样对不对？比如朗朗喜欢吃猕猴桃，而我更喜欢吃荔枝，她不强迫我吃猕猴桃，我也不强迫她吃荔枝。”
我大笑：“恭喜你，都学会抢答了！”
6
最后，还是想说些与《妈妈家，爸爸家》这本儿童绘本有关的话。
对一个不怎么知名的作者来说，出一本书真不像读者想象的那样赚钱，作者出一本书得到的稿费、版税收入连支付一年的停车费都不够，更不要说出绘本了。
这本《妈妈家，爸爸家》绘本，我几乎是当成公益在做的。即使这件事不会给我带来收益，我也坚持要做，是因为给单亲孩子们写一本绘本，是我一直以来的梦想。
国外绘本起步比较早，相比国内绘本，艺术水准普遍要高一些（当然也不绝对，国外有很多在国际上拿了所谓大奖的绘本，内容非常粗制滥造），因此，国人对国外绘本的接受度更高，导致目前很多出版社都不愿意打造国内原创绘本，担心市场不买账。
国内绘本中的确有很多粗制滥造的，也难怪读者普遍对国内绘本存有偏见。市场不买账，出版社就不敢出，优秀原创绘本就越没机会，这样很容易形成一个“恶性循环”。
也正因为如此，我感谢机械工业出版社的编辑看中我编撰的这个童话故事、认可我的写作水平，让这本儿童绘本得以面世。
这是我所有出版过的作品中，品相最好的一本。或许，它是国内首本单亲绘本，也是国内首本由单亲妈妈写就的绘本。我相信，离异父母对单亲孩子的那些难以被外人察觉的小心事儿，会有更切肤的体会、更深沉的懂得，由他们讲述出来的故事可能更贴近单亲孩子的内心。
从拿到样书的第一天起，我就爱不释手。我女儿也很喜欢看，自己翻出来看了很多遍（虽然她现在还不知道她妈就是这本绘本的作者）。
绘本的功能，不该只是给孩子讲一个有趣的故事，不是帮助孩子多认识几个字，多看几张新鲜的画面，它应该还有疏导负面情绪、实现疗愈、抚慰心灵、激发内心能量的功能。一本好的绘本，能教会孩子怎么去看待我们身处的世界、遇到的事情，帮助孩子构建健全的人格。
我不敢说比其他绘本写得好，但它绝对不会不入流，应该不比《我的爸爸是焦尼》《保罗分家了》《记忆的项链》《爸爸的新女朋友》《大猩猩》《我永远爱你》等（国外单亲绘本）差，或许还能给你惊喜。
如果你也喜欢给孩子买绘本、讲绘本，可以考虑买一本带回家的。绘本适合所有的大朋友和小朋友看看，尤其适合2岁到12岁的小朋友看。
感谢支持，希望每一个单亲孩子都能被这个世界温柔以待！
一点碎碎念：
点击文末左下方“阅读原文”可直达这本单亲绘本的购买链接。目前此书只在当当网和天猫网售卖，您也可以上当当或天猫网搜索“晏凌羊”三个字，找到图书信息后购买（当当网满49元免邮，可考虑把羊羊出版的其他书也带回家）。
关注「晏凌羊」
可查看更多有料文章
您可能感兴趣的文章（点击标题可查看）：
离婚疗愈|（爆文）
离婚疗愈|那些让你痛苦的，终有一天你会笑着说出来
她的故事|我生孩子的经历
她的故事|这城市有没有一盏灯会为你亮着？
离婚疗愈|
金庸人物|
民国故事|金岳霖：陌上美人如玉，君子举世无双
可购买绘本《妈妈家，爸爸家》返回搜狐，查看更多