做教育测量的人，最常被政策制定者追问的问题是：哪个国家的学生更聪明？答案通常来自PISA或TIMSS的跨国排名。但我在审阅跨文化测评数据时，反复撞见一个被公众甚至部分研究者忽视的统计事实：分数等价不等于测量等价。

经典案例是1990年代TIMSS的一道数学题：”一块地长12米，宽8米，求面积。”东亚学生普遍高分，北欧学生却大量失分。研究者起初归因于基础训练不足，但后续认知访谈揭示真相——北欧学生在学校从未见过”求面积”这种脱离情境的裸题，他们的教材里面积永远依附于真实问题（如铺地板需要多少材料）。他们不是不会算，而是不认为题目在问面积。

这就是测量等价性（measurement invariance）问题：同一个数字、同一张试卷，在不同文化里测量的是不同的认知结构。统计上，我们可以用多组验证性因子分析（MG-CFA）检验题目是否跨组等价，但绝大多数国际测评只报告总分排名，从不报告等价性检验结果。

更麻烦的是，等价性检验本身也有文化盲区。它假设题目对所有人”意义相同”，但意义恰恰是最难标准化的部分。我见过一份研究报告，用MG-CFA筛选出”等价”的20道题，结果全是纯计算题——因为只有纯计算题在不同文化里意义一致。于是测评为了可比性，牺牲了内容效度，测的越来越像计算器。

值得辩论的问题：当我们为了跨文化可比性而不断剔除情境化题目，我们测量的是学生的能力，还是测量工具自身的文化假设？