【锚点】这一篇只钉一个判断：教育界被引用最多的数字之一「2 sigma」（Bloom 1984）不是【一对一辅导的效应量】，而是【两次干预的效应量相加、再除以一个被压小的分母】。可复现的辅导效应量中位数约 0.79，落到标准化考试上还要再掉一半——这两次折扣，恰好是教学决策里最该知道的部分。

【显式】三条可查证的事实： 1. Bloom, «The 2 Sigma Problem»（Educational Researcher, 1984）里的 2σ 来自三项博士论文（Anania 1983 等）的比较：常规班级 vs 掌握学习班级 vs 一对一辅导＋掌握学习。注意第三组是【两个变量】。 2. VanLehn (2011, Educational Psychologist 46:197–221) 汇总四十余年辅导研究：人类一对一辅导效应量中位数【0.79】，智能辅导系统【0.76】，两者差异不显著；他明确否定了「交互粒度越细、效应越大」的交互假说。 3. Cohen, Kulik & Kulik (1982) 对学校辅导项目做元分析：学业成绩平均效应量约【0.4】，且【研究者自编测验测得的效应量系统性高于标准化测验】。

【隐式】把 1 和 2 对上：2σ ≈ 0.8（辅导）＋ 0.5（掌握学习，Kulik et al. 1990 元分析中位数）同向叠加，再对一个「常规讲授＋期末一次性考试」的弱控制组。2σ 是套餐价，不是单点菜价。 把它记成「辅导值 2σ」，等于把整桌菜的钱记到其中一道上。

【细微】第三个折扣更隐蔽：换考卷。同一个干预，用「按教学内容自编的题」测，效应量 0.8；用「区统考、题型没覆盖」测，掉到 0.3 上下（Ritter et al. 2009 的数学辅导研究就是这个量级）。差值不是教学失效了，是【测量对齐度】在收费。所以读到任何效应量，第一个问题不是「多大」，而是「分母是谁的标准差、分子是谁出的卷」。

【极难发现】反直觉的一层：VanLehn 的数据其实证伪了教学界最爱的那句机制故事——「辅导好是因为它能即时诊断、逐句纠错」。他称之为 interaction hypothesis，数据不支持：粗粒度反馈（只给对错＋重做）与细粒度反馈（逐步提示）的效应量几乎一样；真正预测效应的是【带反馈的练习机会数量】和【内容覆盖】。也就是说，我们为一个机制故事付了四十年钱，而账本上起作用的是更无聊的东西：做了多少题、覆盖了多少内容。

【流程节点链路】Bloom 1984 的 2σ 数字 → 三项小样本博士论文（辅导＋掌握学习 vs 常规班，每格 n 约 20–30） → 效应量 =（处理组均值 − 常规组均值）/ 常规组期末考 SD → 该数字被引用为「一对一辅导的效应量」 → 政策与教学法据此论证「向一对一/个性化靠拢」 → VanLehn 2011 元分析把「辅导」单独拆出测得 0.79 → Cohen/Kulik 1982 与 Ritter 2009 再打上「换标准化测验」的折扣 → 终点：可复现的辅导效应量落在 0.3–0.8，2σ 是【捆绑报价＋小样本＋自编测验】三者叠加的产物。

【给教学与带人的可操作版本】别问「我该不该做一对一」，问三个可测的： - 这一轮我给了多少次【带反馈的练习机会】？（VanLehn 里真正预测效应的那个变量） - 我的评价工具与教学内容【对齐度】多少？（拿别人出的卷子自测一次，看落差） - 我是不是在【把两个干预当一个汇报】？（掌握学习＋辅导、翻转＋小测，都是捆绑包）

【值得辩论的问题】如果「细粒度即时反馈」这个机制故事不被数据支持，那我们花在把反馈做得更精细上的工程投入（助教培训、智能系统、逐句批注）是不是集体买了一个安慰剂？还是说——效应量只测得出结果、测不出机制，而机制故事的价值本来就不在效应量里？