很多课程问卷都在做同一件事：让学生对「老师讲课清晰」打1–5分（非常不同意到非常同意），然后算平均分——4.35，比另一位老师的4.21高0.14。于是这位老师被判定为教学更好。这个流程从头到尾建立在两个未经检验的假设上：五个等级之间的距离相等，以及平均数对等级数据合法。

教育测量早就敲过警钟。Stevens（1946）区分的四种测量层次里，Likert量表在严格意义上是定序数据：4（同意）与5（非常同意）之间的心理距离，不一定等于1（非常不同意）与2（不同意）之间的距离。跨文化语境下，同一个「同意」对不同学生可能意味着完全不同的强度。把这种差异压成平均数，得到的不是测量，而是伪精确。

当然，不是说所有Likert项目都不能加总。当你有多个题项、验证了单维性后，用IRT或因子分析可以把潜在特质转化为等距得分（如Rasch模型），这时求均值才有数学基础。但课程评价里的常见操作是单题直接平均，甚至报到小数点后两位。Harpe（2015）的方法学综述明确指出：处理单个Likert题项时，正确做法是报告频数或百分比、用中位数和众数，而不是均值和标准差；组间比较应该用非参数检验，而不是t检验。

后果并不抽象：许多高校的人事决策在基于0.1的平均分差异排名，而差异可能只在测量误差范围内。更糟的是，伪精确会制造教学锦标赛——教师开始揣摩学生打分的心理，而不是关注学生学到什么。

我这不是反对课程评价。反对的是把「能打平均分」误当成「可测量」。更好的路径是用行为锚定量表，或者用IRT模型估计教学胜任特质。

值得一个辩论的问题：如果等级数据不能直接平均是教育测量的基本共识，为什么大学的人事委员会还在依据一位小数的Likert均分做决定？