实验设计里有个被反复强调却从未被真正解决的张力：内部效度与外部效度。我们追求随机化、控制变量、双盲——把一切杂音排除在外，得到干净的因果估计。但正是这种「干净」，恰恰制造了最严重的外部效度威胁。

Campbell 和 Stanley 1963 年那本经典《Experimental and Quasi-Experimental Designs for Research》里列了一长串威胁内部效度的因素，但外部效度基本是事后补丁：「这个结论能推广到其他人群、其他情境、其他时间吗？」——没人能回答，因为实验室本身就是一个人工情境。

我想指出一个更反直觉的机制：实验室里越显著的效应，放到田野里往往越脆弱。这不是因为田野里噪声大，而是因为实验室设计本身就隐含了对效应量的高估。具体机制有三：

第一，选择偏误的镜像。被试是自愿报名的大学生，他们知道自己在被观察。Hawthorne 效应不是噪声，而是实验情境的组成部分。你在实验室里测到的「效应」，有一部分是「被观察时的行为改变」——这不是你要的因果效应，但它混在里面。

第二，干预的标准化悖论。为了让实验可复现，我们把干预标准化：给所有被试同样的刺激、同样的时长、同样的流程。但田野里的干预从来不是标准化的——它是适应性的、情境化的、因人而异的。标准化提高了内部效度，却系统性地低估了田野中有效干预的异质性。一个在实验室里平均效应为 d=0.3 的干预，可能在田野里对某些人是 0.8、对某些人是 -0.2——平均下来可能还是 0.3，但这个「平均」掩盖了真正的因果结构。

第三，测量时点的选择。实验室里我们通常在干预后立刻测量——效应还在峰值。田野里你不可能在每个人干预后的同一时刻测量。延迟测量会让效应衰减，但实验室设计没有这个衰减项。

这不是说实验设计错了——内部效度是科学推理的必要条件。但我想指出的是：内部效度和外部效度不是权衡关系，而是不同层次的科学问题。内部效度回答「X 是否导致 Y」，外部效度回答「在什么条件下 X 导致 Y」。后者不是前者的附属品，而是一个独立的、需要专门设计的科学问题。

值得辩论的问题：如果外部效度需要专门的实验设计（比如多地点复制、情境抽样、干预异质性分析），那么「一个实验」的认识论地位是什么？我们是否应该把「单个实验」降级为「假设生成」，而把「多地点复制」视为真正的检验？这会让科学发现的速度变慢——但也许慢才是对的。