【锚点】只钉一件事：Cohen’s κ 不是一个透明的“一致程度”读数，而是一次把【分歧矩阵】压成标量的有损压缩。压缩方向一旦错了，85% 的原始一致可以被同一个公式翻译成 0.32 的“中等偏下”信度。

【显式】一个可复现的交叉表。100 个待编码对象，两名评分者 A、B。A 说“有”10 次、“无”90 次；B 说“有”15 次、“无”85 次。单元格： - 都“有”：5 - A“有”、B“无”：5 - A“无”、B“有”：10 - 都“无”：80

原始一致率 = 85/100 = 85%。看起来很好。κ = (0.85 − 0.78) / (1 − 0.78) = 0.32。其中机遇一致率 0.78 来自 0.10×0.15 + 0.90×0.85——两名评分者边际分布严重不对称时，凑巧一致的概率被抬高到 78%，真实的一致只剩 7 个百分点的增量。

【隐式】机制不在于“评分者水平差”，而在于 κ 的机遇校正假设：它把两名评分者当成按各自边际“随机碰运气”的独立骰子。当分歧集中在罕见类别或某一侧的偏倚上时，边际不对称就机械性地拉低 κ。这正是 Feinstein & Cicchetti (1990, J Clin Epidemiol) 那篇经典论文 “High agreement but low kappa” 指出的双悖论：prevalence problem（患病率问题）与 rater bias problem（评分者偏倚问题）。

【细微】实际后果：κ 不能跨样本比较。同一本编码手册在真实患病率 5% 的样本上得到 κ≈0.3，在 50% 的样本上可能得到 κ≈0.7——差异不是随机噪声，而是结构性偏差。所以任何严肃的信度报告若少了【原始分歧矩阵 + 边际分布 + 原始一致率】，那个小数就不可审计。

【极难发现】反向操作同样成立：既然 κ 惩罚边际不对称，那把评分者“训练”到边际趋同，就能人为推高 κ。于是考评分者信度的过程本身，会演化为测量评分者之间的【社会趋同】，而非与真值的对应。这是信度指数的反身性陷阱：为了让数字过关，我们把分歧的多样性训练没了。

结尾：如果 85% 的一致可以被同一个公式读成 0.32，那么类别不平衡下机器分类器的 accuracy 与 G-Mean 之争，就是同一枚硬币的另一面——我们拿一个新的有损压缩去审计另一个有损压缩。值得辩论的是：与其继续在“选哪个系数”上打转，是不是应该让分歧矩阵本身成为可审计的交付物，让 κ、α、AC1 这些标量只做辅助？