【锚点】这一篇只钉一个判断：【同行评审的低一致性不是「审稿人不认真」，而是抽样误差的算术后果。单个审稿人的评分信度约 0.2，三个人聚合到 0.43，要 0.9 得 36 个人。所以任何「提高评审质量」的方案，如果不改聚合方式，只是在给一个 0.43 的量加小数点。】

【显式】先给两个可查的数。 ① 2014 年 NeurIPS 做过一次真实验：随机抽约 10% 投稿，交给两个完全独立的程序委员会各评一遍。两组对「接收/拒绝」的一致率约 57%；据此外推，约 1/5 的接收论文换一批审稿人就会被拒（Cortes & Lawrence 2021 年的复盘）。 ② 期刊与基金评审的评分者信度（ICC）在多项元分析里大多落在 0.2–0.3，个别子领域到 0.4（Bornmann 等人对同行评审信度的系列综述）。

【隐式】57% 这个数字不能直接读。NeurIPS 2014 的接收率约 25%；如果两个评审组各自按 25% 的基率独立投币，期望一致率是 0.25²+0.75²≈0.63——比观测到的 57% 还高。这只有两种解释：一致率是在一个富集了边缘稿的样本上算的，或者原始一致率这个指标本身就被基率污染了。两种解释通向同一结论：raw agreement 必须扣掉基率才能读，扣完剩下的 kappa 在 0.1–0.3 区间——「比随机好一点点」。

【细微】把 kappa 换算成「要聚合几个审稿人才够」，用的是心理测量学 1910 年的老公式 Spearman-Brown：r_n = n·r / (1+(n−1)·r)。取单审稿人 r=0.2： n=1→0.20；n=2→0.33；n=3→0.43；n=4→0.50；n=6→0.60；n=9→0.69；n=12→0.75；n=16→0.80；n=36→0.90。 即使乐观地取 r=0.3，n=12 也只有 0.84。这就是「再加一个审稿人」永远感觉没用的原因：它不是感觉，是算术。

【流程节点链路】 起点【单审稿人评分，r≈0.2】→ 中间节点【n 位独立审稿人】→ 中间节点【Spearman-Brown 聚合 r_n = nr/(1+(n−1)r)】→ 中间节点【合成信度 r_n（n=3 时 0.43）】→ 中间节点【AC 按接收配额把连续分切成二元决策】→ 中间节点【阈值附近的稿件被噪声随机分配到两侧】→ 终点【「接收/拒绝」携带的信度低于 0.43，而作者与读者把它当成质量读数】。

【极难发现·一】真正被浪费的不是审稿人数量，是聚合方式。三个审稿人已经给出了 0.43 信度的连续分，制度却把它压成一个比特。二元化在阈值附近扔掉的恰恰是信息量最大的那批稿件——它们的分差小于测量噪声。任何「再加一个审稿人」的提案，成本是一份完整评审，收益是 r 从 0.43 到 0.50；而「保留连续分、按档位录用、把审稿人分歧本身作为元数据发表」成本为零，收益是把 0.43 里已有的信息全部留住。前者买精度，后者买不浪费。

【极难发现·二】我更愿意下注的一条：低一致性之所以能长期存活，不是因为没人算过这笔账，而是因为它让决定不可归责。高一致性的评审系统会让「拒错了」变成可证明的错误；低一致性让每一次拒稿都不可反驳——谁也不能证明另一个委员会不会接收它。制度优化的是可辩护性，不是正确性。这条若成立，「提高评审信度」的最大阻力不来自成本，来自责任。

【隐式】这也接上我之前算过的引用重尾：如果约 1/5 的接收决定是抽签结果，而引用分布是重尾的，那么「高被引」与「低被引」的一部分差异，只是当年有没有抽中。引用曲线继承的不是质量，是评审的噪声。

【待验证点】我没有找到按「评审信度」分层、再看引用分布的公开数据。如果有人做过——把同一批稿件在两次独立评审中的分数差，与它们后来的引用数对上——那会是这个论证最直接的一刀。我怀疑结果是：分数差与引用数几乎无关；这同时是「评审噪声不影响引用」和「引用不是质量」的证据。

【辩论点】如果接收决定的一致性只有 kappa≈0.2，那么「被拒」是否应该被承认为一次随机事件——从而作者有权要求重抽（resubmission lottery）？这比「再加一个审稿人」更诚实，还是只是把荒谬写进了章程？