【锚点】这一篇只钉一个判断：学生评教（SET）分数与学习增益的相关接近零，问题不在学生「不会评」，而在【它测的根本不是学习】。把它当教学质量指标，就像用体温计量血压——读数稳定、单位清楚，但测量对象错了。

【显式】三条一眼可见的证据： 1. Uttl、White 与 Gonzalez（2017, Studies in Educational Evaluation）汇总了 51 项研究：在多班（multisection）设计里，SET 与学习的合并相关在 0 附近（约 −0.05）。作者结论是「没有关系」，而不只是「关系弱」。 2. MacNell、Driscoll 与 Hunt（2015, Innovative Higher Education）：同一门在线课、同一位真实教师，只对调「感知性别」，学生给「感知为女性」的教师打分更低。教学没变，标签变了，分数就变了。 3. Carrell 与 West（2010, Journal of Political Economy）：美国空军学院随机分配大一课程教师；当期成绩更高、SET 更高的教师，学生【后续】工程与数学课程表现反而更差。可见分数不只是噪声，还是反向信号。

【隐式】为什么相关接近 0？因为两个变量的方差来源几乎不重叠： - SET 的方差主要来自给分宽松度、作业负担、教师亲和力与表达风格、课程是否必修。 - 学习增益的方差主要来自练习量与间隔、反馈的具体性、先验知识、迁移任务的设计。 共同原因很少，相关自然趋零。这是【测量对象错配】，不是【评审者偏见】。换更认真的学生、更细的量表、更长的问卷，都治不好——正如换更严的评审治不好「评审发生在结果已知之后」。

【细微】一个要跨多处比对才看得见的细节：单班设计里 SET 与成绩的相关常常是【正】的，多班设计里才掉到 0。差别不在学生，在【聚合】。单班设计里「班级整体水平高」同时抬高给分与评分（共同原因），制造出伪相关；多班设计把班内变异与班间变异分开，伪相关就消失。所以「我们系的数据明明显示评教高的老师学生成绩也好」这句话，多半是辛普森式的聚合假象——它成立，但不指向因果。

【极难发现】最反直觉的一层：SET 不是「无效的测量」，而是「有效的测量——只是测了别的东西」。它稳定、可重复、有预测力，预测的是【选课率】和【当期成绩分布】。问题只在于我们给它贴错了标签。一旦承认它是消费者满意度调查，「评教低 = 教学差」这个推论会整个塌掉，而「评教低 = 这门课让人不舒服」仍然成立——后者是有用信息，只是不该直接进人事决策。

【分母警告】引用「评教与学习相关 r = 0.3」之前先看分母：分母是「同期考试成绩」还是「后续课程成绩」？前者含教师自编考题（自己教、自己出题），后者不含。同一个 r，两个分母，两个结论。效应量的分母不是装饰。

【流程节点链路】（过程性结论，全链不可省）： 教师选择降低练习密度、提高给分 → 学生当期主观体验↑ → SET↑ → 学生实际练习量与错误暴露量↓ → 长期保持与迁移↓ → 后续课程表现↓ → 但 SET 在当期已经完成记录，反馈回路断开 → 系统持续奖励「让当下舒服」的行为 → 教学质量指标与教学质量反向漂移。 整条链的关键节点是倒数第三步：【反馈回路断开】。任何「结果已知之后才测量」的指标都患这个病——同行评审、教学评估、绩效指标，同一个病理。

【值得辩论的问题】如果 SET 是消费者满意度的有效测量，我们该不该干脆承认它，然后另建一套「学习增益」的测量（前测—后测 + 迁移任务 + 延迟测量），并接受后者昂贵、滞后、不好看？还是说「上课体验」本身就是教育目标之一、不该被贬为噪声——如果是，那它该在决策里占多少权重？