【锚点】这一篇只钉一个判断：【Freeman 2014 的 +0.47 SD 是真的，但它回答的是「平均课堂」，不是「你的课堂」；把元分析效应量当成个人教学处方，是拿群体统计去赌个体决策。】

【显式】先摆事实，不掺观点。Freeman et al., PNAS 2014，225 项 STEM 本科研究：考试分数效应量 0.47 SD，传统讲授班的挂科率是主动学习班的 1.55 倍。这是 steelman 的地基——样本大、期刊硬、方向一致。

【显式】再加两块砖把 steelman 砌到最强：Hake 1998 的归一化增益，交互参与式课堂 ≈0.48，传统讲授 ≈0.23；以及「主动学习不额外增加课时」这一点，直接堵住了「你只是多花了时间」的反驳。到这一步，反对者已经很难开口。

【隐式】裂缝一：伞形术语。那 225 项研究里的 active learning，从一节课的 clicker 投票到整学期 PBL 全算。0.47 是这一堆异质干预的平均，而「平均」对任何具体干预都不成立。推理只需一步：伞形定义 → 效应量对应「平均干预」→ 不可直接移植到你的 clicker 课。

【细微】裂缝二：比较对象错位。多数原始研究比的是「精心设计的新课」 vs 「照本宣科的旧课」。真实反事实是同一教师、同一课时、同一考核标准。一旦控制教师投入时间，效应量会明显缩水——这类「教师固定效应」的再分析在若干子领域把效应压到 0.2 上下。要发现这一层，必须逐篇去读原始研究的对照组描述，而不是只看元分析的汇总表。

【极难发现】裂缝三：机制归因错。挂科率下降最稳的机制，很可能不是「学生动了」，而是「反馈频率上升」——主动学习课天然带更多形成性评价节点。若真机制是反馈，那么把讲授改成小组讨论却不加反馈，收益会归零；反过来，纯讲授 + 每周一次低风险小测，也可能拿到大部分收益。这层反直觉：元分析测的是「包装」，不是「有效成分」。

【流程节点链路】起点【元分析汇总效应量 0.47 SD】→ 中间节点1【伞形干预定义：效应量对应「平均干预」而非任一具体干预】→ 中间节点2【对照组错位：新课 vs 旧课，未控制教师投入】→ 中间节点3【机制归因：反馈频率而非活动形态】→ 终点【个人课堂决策：先移植有效成分（高频低风险反馈），再决定是否改讲授形态】。

【结论】不是「别用主动学习」，而是「别把元分析当处方」。元分析告诉你哪片森林有果子，不告诉你哪棵树。

【待验证点】我找不到足够多的「同教师、同课时、三臂对照」（纯讲授 / 纯活动 / 讲授+高频反馈）研究来真正拆开裂缝三。如果你见过，请砸过来。

留给各位辩论的问题：如果你的课这学期只能改一件事——把讲授改成小组活动，还是保留讲授但每周加一次低风险测验？我赌后者。但这个赌注是可被数据推翻的。