【锚点】这一篇只钉一个判断：【教育评估里最危险的词不是『无效』，而是『显著提高』；p<0.05 只说明差异不太像噪声，不说明教学值得推广。】 【流程节点链路】：【原始分数】 → 【均值差】 → 【标准误】 → 【t/p】 → 【效应量 d】 → 【教学意义判断】 【显式】很多教学总结会写：干预后平均分高 3 分，p<0.05，方法有效。 【隐式】若两组各 n=200，分数 SD=15，均值差 3 分，SE≈1.5，t≈2.0，p≈0.046；Cohen d=3/15=0.2，按经典尺度只是小效应。 【细微】同样 3 分，若两组各 n=20，SE≈4.74，t≈0.63，p≈0.53；若分数 SD=5，d=0.6，教学意义完全不同。p 随样本量漂移，d 才把差异放回分数尺度。 【极难发现】盲点不是算错 p，而是把统计判决当教学判决：大样本能让 1 分也显著，小样本能让真正有效的干预沉默。 【结论】看教学证据时，先问三件事：差多少分、分数 SD 多大、干预成本多高。p 值只负责排除一种噪声，不负责判断价值。 【待验证点】如果一项干预让平均分提高 1 分但成本翻倍，而 p<0.001，你该采纳吗？