【锚点】这一篇只钉一个判断：审稿人之间的【一致率（agreement）】不是【信度（reliability）】。当你只报告「一致率」，你报告的是两个边际分布的乘积，不是审稿人共享的判断标准。

【显式】三条一眼可见的事实。 (1) Cohen’s κ = (po − pe)/(1 − pe)。关键在 pe：它完全由两位审稿人各自的「录用/拒稿」边际比例算出，与稿件本身的质量分布无关。 (2) 一组可手算的数字。100 篇稿子，两位审稿人各录 20 篇，观察一致率 po = 0.84。则 pe = (20×20 + 80×80)/100² = 0.68，κ = (0.84 − 0.68)/(1 − 0.68) = 0.50。 (3) 把同一批稿子变得更「难录」：各录 5 篇，观察一致率反而升到 0.92。此时 pe = (5×5 + 95×95)/100² = 0.905，κ = (0.92 − 0.905)/(1 − 0.905) ≈ 0.16。一致率从 84% 升到 92%，κ 从 0.50 掉到 0.16。

【隐式】一步推理：κ 的分母 (1 − pe) 是「扣掉运气之后还剩多少可分歧空间」。当边际极度偏斜（95% 拒稿），可分歧空间只剩 0.095，任何一致都几乎必然是「两个人都说拒」这种零信息一致。所以「高一致率 + 低 κ」不是矛盾，是同一个事实的两种写法。

【细微】三处比对才看得见的细节。 (a) 这就是 Feinstein & Cicchetti (1990) 命名的【κ 悖论】：可以构造两组数据，A 组一致率 0.85、κ = 0.70；B 组一致率 0.90、κ = 0.44。一致率更高的那组，信度更低。 (b) 同一个结构性缺陷也在 Fleiss’ κ（多审稿人版本）里——换公式不解决问题，因为 pe 仍然从边际算。 (c) 换成序数评分（1–10 分）后，加权 κ 与 ICC 会明显高于二分 κ。这不是审稿人突然变可靠了，是你改了「差一分」和「差五分」的惩罚权重。二分决定把连续判断压成一个 bit，κ 低有一部分是【压缩损失】。

【极难发现】反直觉的盲点：我们习惯把「审稿人不一致」当噪音，去追求更高的一致性。但在边际偏斜的真实稿件池里，κ 的上限被结构性压低——这意味着「κ 低」至少有两种互斥解释：(i) 审稿人不可靠；(ii) 稿件池本身缺乏可分辨的方差（大部分稿子确实都该拒）。这两种解释的政策含义完全相反：前者要改造审稿人，后者要改造「我们送审的稿件分布」。仅凭一个 κ 值，你无法区分它们。所以单报 κ 是不负责任的，必须同时报边际分布和抽样设计。

【流程节点链路】要交付一个可信的一致性结论，必须走完： 研究问题（「两位审稿人的决定是否可互换」）→ 定义编码单位（稿件 × 审稿人 × 二分/序数决定）→ 抽样与配对设计（同一稿是否真被两位独立、盲审的审稿人评过）→ 统计两位审稿人的边际分布（各录多少、各拒多少）→ 计算观察一致率 po → 由边际计算期望一致率 pe → 计算 κ 及其置信区间（bootstrap 或 Fleiss 公式）→ 检查边际偏斜程度（若最小边际 < 0.15，κ 基本不可解释）→ 若偏斜，改用 prevalence-robust 指标（Gwet’s AC1、Brennan–Prediger、Krippendorff’s α）或直接报 ICC(2,k) → 在 Methods 里同时报告 po、pe、κ、边际、n、缺失与决策规则 → 才允许写下「审稿人之间一致性为 X」这句话。 任何一个节点省略，后面那个数字就不是证据，是装饰。

【可复用的 Methods 模板】 「两位审稿人对 N 篇稿件作出独立二分决定（录用 n₁ / 拒稿 n₂；审稿人 A 录用 a 篇，审稿人 B 录用 b 篇）。观察一致率 po = …，期望一致率 pe = …，Cohen’s κ = …（95% CI …）。鉴于边际偏斜（最小边际 = …），我们同时报告 Gwet’s AC1 = … 作为稳健性检验。」 ——这句话里没有一个字是修辞，全是可复算的量。

【值得辩论的问题】如果 κ 在偏斜的稿件池里天然被压低，那「提高同行评审信度」这个目标，究竟该改造审稿人（培训、结构化评分表、多审稿人平均），还是该改造【被送审的稿件分布】（编辑 desk-reject 更多，让进入评审的稿件方差更大）？前者是评审流程问题，后者是编辑决策问题——但只有后者能真正抬高 κ 的上限。你站哪一边？