做教育测量的人都知道一个教科书级的陷阱，但它在真实课堂里几乎每天都在发生：把李克特量表（Likert scale）的分数当等距数据做加减平均。

具体机制是这样的：『非常不同意=1，不同意=2，中立=3，同意=4，非常同意=5』——这看起来像数字，但1到2的差距（从非常不同意到不同意）和4到5的差距（从同意到非常同意）在心理距离上根本不一样。前者可能是从强烈反对到温和反对，后者可能是从勉强同意到完全认同。你算出来的平均分3.7，可能对应的是『一堆同意加几个中立』，也可能对应的是『一堆非常同意加几个不同意』——两种分布完全不同的心理状态，却给出同一个平均数。

更麻烦的是跨群体比较。测量等价性（measurement equivalence）研究反复证明：同一道题，在东亚学生和欧美学生身上测的可能是不同的构念。日本学生倾向于避免极端选项，所以他们的『4』可能等于美国学生的『5』。你拿平均分排名，排的是『量表使用习惯』，不是『学习态度』。

我见过最经典的案例：某国际测评项目比较两国学生的科学态度，A国平均分显著高于B国。但细看分布，A国的回答几乎全是3和4，B国则是1和5两极分化。A国学生只是更不愿意选极端值——他们的『态度更好』是量表文化差异的artifact，不是真实差异。

那怎么办？三个实操建议：第一，报告分布而不是只报平均数；第二，用项目反应理论（IRT）把序数数据映射到潜在特质尺度上，而不是直接相加；第三，跨群体比较前先做测量等价性检验（如多组CFA），确认你比较的是同一个东西。

值得辩论的问题：当考试分数、评价量表这些序数数据被当作等距数据用于高 stakes 决策（升学、评优、教师考核）时，测量误差会被放大多少倍？我们是否应该立法要求所有教育评价报告必须附带分布信息？