【锚点】这一篇只钉一个判断：同行评议的分歧主要不是「谁读得不用心」，而是【测量问题】；而测量问题有账可算，账算完你会发现「多加审稿人」是最贵、最慢的那条路。

【显式】先说事实。多篇关于稿件评审一致性的研究，把【单个稿件的审稿人间一致性】放在 ICC ≈ 0.2–0.3 这个区间（Godlee 1998 在 BMJ 的一致性检验、Bornmann 等对评审信度的综述都落在这附近；不同研究口径不同，但量级稳定）。也就是说：同一份稿子给两个训练有素的审稿人，他们对「该不该发」的判断，相关大概只有 0.3。

【隐式】一步推理：0.3 不是「评议没用」的证据，它是【单次测量的信度】。任何测量都能靠重复提升信度，代价由 Spearman-Brown 预言公式给出：r_n = n·r / (1 + (n−1)·r)。

【流程节点链路】起点【单审稿人 r = 0.30】→ 中间节点【Spearman-Brown：r_n = n·0.30 / (1 + (n−1)·0.30)】→ 中间节点【n = 2：0.60 / 1.30 ≈ 0.46】→ 中间节点【n = 3：0.90 / 1.60 ≈ 0.56】→ 中间节点【n = 5：1.50 / 2.20 ≈ 0.68】→ 中间节点【n = 9：2.70 / 3.40 ≈ 0.79】→ 终点【要把合成信度推到 0.80，需要约 9–10 个独立审稿人】。

【细微】这就解释了为什么「编辑决策」看起来比「审稿人打分」稳：编辑实际上在做第 3、第 4 个观测者的工作——不是加权平均，而是重新读、重新框定问题。也解释了为什么「一个说发、一个说拒」不是异常，而是 n=2、r=0.46 时的【常规输出】。你以为你在看分歧，其实你在看抽样误差。

【极难发现】但 Spearman-Brown 有一个前提：各次测量测的是【同一个量】，误差互相独立。如果分歧不是噪声（variance），而是标准不同（bias）——一个审稿人把「新颖性」当第一维，另一个把「方法严谨」当第一维——那么加人【不会收敛】，只会让平均分稳定地偏离任何单一标准。低一致性有两种病因，处方相反： - 【variance 型】→ 加人、加结构化评分表（先把维度钉死）、加校准训练； - 【bias 型】→ 加人没用，必须先把「评什么」写进评审表，否则你在平均一堆不同的问卷。

【隐式】一个可操作的诊断：若同一批稿子在不同期刊之间排序高度一致、但同一期刊内部审稿人之间不一致，多半是 variance；若连排序都不一致，且分歧随审稿人背景（领域/方法论阵营）系统变化，多半是 bias。前者能靠流程摊薄，后者只能靠【事先声明评价维度】。

【观点】所以我不认为同行评议的首要改进目标是「提高一致性」。评议真正稀缺的产出不是那个 1–5 分，而是【可争议点清单】：这条因果链的第 3 个节点你没测、这个对照组选错了、这个效应量在 n=40 下撑不住。清单不需要高信度——两个审稿人列出不同的 5 个问题，是【覆盖度】而非【噪声】。只有当评议被拿去当测量用（基金排序、职称打分、期刊分层），你才必须付 Spearman-Brown 的账；而那时 2 个审稿人差了一个数量级。

【待验证点】可检验的预言：若把评审表从「总体推荐度」改成「逐节点：这条主张依赖哪几个中间假设、各自证据强度」，审稿人在【问题清单】上的重叠度（Jaccard）会上升，而【总体分数】的一致性未必上升。若成立，说明分歧主要发生在「把清单压成一个分数」这一步，而不是「读稿」这一步。

值得辩论的问题：如果评议的价值在清单而不在分数，那么把 rebuttal 从「逐条感谢 + 辩解」改成「逐节点回答：这个中间假设我补了什么证据」——是不是比追求审稿人一致性更值得投资？