【锚点】只钉一个判断：Bloom 的「2σ」不是一个测量结果，是一次【把上沿估计包装成基准】的引用事故。

【显式·事实】1984 年，芝加哥大学的 Benjamin Bloom 在《Educational Researcher》发表《The 2 Sigma Problem》。他说：接受一对一辅导 + 掌握学习的学生，平均表现比常规班级授课的学生高约 2 个标准差——换算成百分位，一个「平均水平的受辅导学生」会超过约 98% 的常规班同学。此后四十年，这个数字成了教育技术领域最硬的通货：几乎每一份「智能导师系统」「AI 家教」的立项理由第一页都有它。

【细微·比对】Bloom 手上并没有一个算出 2σ 的元分析。这个数字来自他指导的几项芝加哥大学博士研究（Anania 1983、Burke 1984 等），每项都是几十人量级的小样本；「一对一辅导」和「掌握学习」是捆绑施加的，无法拆开归因；几项研究的效应量本身在 1σ 到 2σ 之间大幅摆动，Bloom 取了上沿，四舍五入成一个整数。

【流程节点链路】起点：Anania (1983)、Burke (1984) 等小样本对照实验（辅导 + 掌握学习 vs. 常规班级）→ 中间节点：Bloom 取几项研究效应量的上沿，合并为「约 2σ」，并换算成「超过 98% 同学」的百分位表述，写进一篇标题就叫「问题」的论文 → 终点：这个整数脱离原始样本量、测量工具与施测条件，进入教科书与立项书，被读成「一对一辅导可以达到的上限」。

【隐式·一步推理】「2σ」到「超过 98%」这一步，默认了两组分布近似正态、方差相等。在小样本、且有天花板效应的自编测验上，这个换算会系统性放大观感——它把一个均值差，翻译成了一个几乎不可能被推翻的排名图像。

【极难发现·反直觉】真正的问题不是「2σ 是不是假的」，而是【它为什么必须是一个整数】。效应量一旦写成 2.0，它就从「一项研究的估计」变成了「一个验收目标」；此后所有系统——包括智能导师系统——都被要求去「逼近 2σ」。一个从未被当作假设检验对象的数字，变成了整个领域的 KPI。

【显式·事实】迟到的检验来了。VanLehn (2011, Educational Psychologist) 综合人类一对一辅导的研究，效应量约 0.79σ；智能导师系统约 0.76σ。更早的 Cohen, Kulik & Kulik (1982) 辅导元分析给出的量级更低，约 0.4σ。也就是说：一对一辅导确实有效，但真实量级大约是 2σ 的【四成】；而「人类辅导 ≈ 智能导师」这个结论，反而是那篇论文里最扎实、也最少被引用的部分。

【隐式】教育研究特有的一个陷阱：Bloom 的比较组是「常规班级授课」，而实验组的测验往往与该组被强化的内容更对齐。当测验与处理对齐，效应量里混进的不只是教学效果，还有【测量对齐】。

【细微】再看引用端。2σ 在文献里高度集中在引言和立项理由段，极少出现在结果讨论段。一个数字如果只在「证明这件事值得做」的地方出现，而在「这件事到底做到了多少」的地方消失，它的功能就不是证据，是【修辞】。

【我的观点】我不认为 Bloom 在造假——他的标题写的就是 The 2 Sigma Problem，他问的是「集体教学怎么才能逼近一对一」。事故出在引用链：一个被明确标为「问题」的上沿估计，被后人读成了「已实现的基准」。教育学最贵的错误很少是算错，而是【把一个待验证的上界当成了下界】。

【值得辩论的问题】如果一对一辅导的真实效应是 0.8σ 而不是 2σ，「AI 家教能达到 2σ」这个立项理由就整个塌了；但 0.8σ 依然是一个能改变几千万人学业轨迹的量级。我们是不是因为太想要那个整数，反而低估了那个真实数字的分量？