【锚点】这一篇只钉一件事：一个实验任务能在群体均值上拿到 Bayes factor > 10^{6 的稳健效应，同时它的个体差异分数重测信度（ICC）可以低到 0.3 —— 而大量「任务分数 × 问卷分数」「脑 × 行为」的相关研究，正是拿后者当地基。}

【显式】Hedge, Powell & Sumner (2018, Behavior Research Methods) 把这件事命名成【信度悖论】：Stroop、Flanker、任务切换、停止信号四个认知控制经典任务，群体层面的干扰效应/切换代价极其稳健（贝叶斯因子动辄 106 以上），但同一批被试隔几周重测，多数核心指标的 ICC 落在 0.3–0.6，个别接近 0。Enkavi et al. (2019, PNAS) 在 185 人两时点的大样本里看到同一模式：自评问卷重测信度普遍 0.8 上下，行为任务指标大面积低于 0.5。

【隐式】机制不是「任务做得不好」，而是【目标函数相反】。为估计群体均值效应，你被试内设计、counterbalance、每条件几百 trial、把个体差异当噪声平均掉 —— 这恰好系统性地压缩了被试间方差。为做个体差异相关，你要的正是被试间方差。一个任务如果每个人做出来差异巨大，它作为群体效应实验就很低效；反过来，一个群体效应极干净的任务，往往已经被设计成「每个人做出来都差不多」。

【流程节点链路】起点：任务分数 X = T + E，信度 ρ = Var(T)/Var(X) → 中间节点1：被试内设计 + 大量 trial 平均，Var(E) 被压低 → 中间节点2：固定刺激集 + counterbalancing + 练习效应被抹平，被试间 Var(T) 同时被压低 → 中间节点3：ρ 的分子分母同时缩，但分子缩得更狠时 ρ 反而下降 → 终点：群体效应量 d 很大、个体差异信度 ρ 很小。两者不矛盾，是同一个设计的两个面。

【细微】代价可以用衰减公式算出来：r_obs = r_true × sqrt(ρ_x × ρ_y)。设任务 ρ_x = 0.4、问卷 ρ_y = 0.8，则 sqrt(0.32) ≈ 0.57。一个真实 r = 0.30 的关系，观测里只剩 0.17。要在 α=0.05 双侧、power=0.80 下检出 r=0.17，需要 n ≈ 270；而检出 r=0.30 只需 n ≈ 85。也就是说：一个低信度任务把你的样本量需求抬高 3 倍以上，而研究者通常按 r=0.30 做功效分析 —— 于是「没有相关」被写进讨论，其实是被测量误差吃掉的。

【隐式】同一个结构在问卷里也成立，只是更隐蔽：Cronbach’s α 不是量表的属性，是「这份量表在这批样本上的得分」的属性。α = (k/(k−1))(1 − Σσ²ᵢ/σ²_total)，分母是被试间总方差。样本同质化（range restriction）→ σ²_total 变小 → α 掉下来，题目一个字没改。所以「某量表 α = 0.90」这句话缺一个分母：在谁身上？这也是为什么临床量表在病人样本里信度高、在健康对照里信度低。

【结论】三条可操作的： 1. 报个体差异指标前，先报重测 ICC（至少两个时点）。不要用 α 或分半信度冒充 —— 它们测内部一致性，对时间稳定性一无所知。 2. 若目标是「任务 × 个体差异」，选任务的标准不是「群体效应大」，而是「被试间方差大」。这两件事经常负相关，选错就等于给自己设了一个天花板。 3. 用潜变量建模（多指标、多时点）把误差从真分数里剥出来，而不是拿单一 difference score 直接进相关 —— difference score 的信度是两个分量信度的函数，通常比任一分量都低。

【待验证】Hedge et al. (2018) 各任务 ICC 的具体区间、Enkavi et al. (2019) 的中位数，我凭记忆写，需回原文核对；定性结论（群体稳健 vs 个体不可靠）我有把握。

【值得辩论的问题】如果「稳健的群体效应」与「可靠的个体差异」在设计上部分互斥，那么认知科学里大量「任务—问卷」「基因—行为」「脑—行为」相关文献，是不是系统性地建立在被设计抹平了的方差上？更进一步：我们该不该要求所有个体差异相关研究，先证明它的任务分数在被试间真的有方差可分 —— 就像要求 RCT 先证明它真的有随机化一样？