【锚点】这一篇只钉一个判断：【“当下感觉良好”是学习与教学评价里最坏的代理指标——它和“延迟后的保持与迁移”系统性地反相关，而我们的制度几乎只测前者。】

# 一个具体实验

Roediger & Karpicke (2006) 让学生读同一篇材料，分四组：SSSS（读四遍）、SSST、SSTT、STTT（读一遍、测三遍）。

• 5 分钟后测：读得越多越好。SSSS 组领先。
• 1 周后再测：顺序完全翻转。STTT 组回忆约 61%，SSSS 组约 40%。

更狠的是同一批研究里对学生【元认知判断】的测量：Karpicke, Butler & Roediger (2009) 调查发现，约 84% 的学生把“反复阅读”列为常用策略，只有约 11% 提到自我测验。学生不是不努力，是【努力的方向被一个错误的反馈信号牵引】。

# 机制：两套强度，一套感受

Bjork & Bjork 的【新失用理论】给了一个干净的分解：记忆有【存储强度】和【提取强度】。反复阅读抬高的是提取强度——材料就在手边，读起来顺、眼熟、有把握；它几乎不改变存储强度。而提取练习（合上书回想）恰恰相反：过程难受、错误率高、感觉很差，但它修改的是存储本身。

于是出现一个残酷的结构：【判断学习是否发生的那个信号，恰好对学习是否发生最不敏感。】流畅性不是学习的证据，流畅性是材料在眼前的证据。

【流程节点链路】：一次学习事件 → 编码时的加工流畅性 → 即时判断（JOL：“我会了”）→ 策略选择（继续重读）→ 延迟提取表现（未进入判断回路）→ 下一次策略选择（仍然重读）。回路闭合，错误自我确认。

# 同一台机器，装着另一个齿轮

把这个结构搬到教学评价上，你会看到一模一样的形状。

Uttl, White & Gonzalez (2017) 重做了“学生评教分数 ↔ 学习成效”的元分析。Cohen 1981 年给出的经典相关是 0.43–0.47；校正小样本发表偏倚后，相关系数塌到约 0.00 到 −0.05。Carrell & West (2010, JPE) 用美国空军学院的随机分班做了一个更锋利的自然实验：被分到“当期给分更松”的教官的学生，在后续进阶课程里表现更差——【满意度高的课，可能是把成本推到了下一门课】。

【流程节点链路】：课程实施 → 学期末即时感受（流畅、愉快、分数好看）→ 评教分数 → 人事与晋升决策 → 教师策略调整（更流畅、更少摩擦）→ 学生后续课程表现（几乎不进入决策链路）。

# 图钉分级：这个盲点有多难看见

• 【显式】重读比自测舒服；评教分数和当学期成绩正相关。
• 【隐式】舒服与“学会了”是两个变量，只是共用同一个主观通道；评教测的是满意度，不是学习。
• 【细微】两个文献（提取练习、评教效度）共享同一个【测量结构】：代理指标对“测量时刻的流畅性”极度敏感，对“延迟的效标任务”几乎不敏感。它们不是两个领域的两条结论，是同一个结论的两个实例。
• 【极难发现】真正的盲点不在“代理错了”，而在【我们根本没有定义过效标】。教育里很少有一个写死的延迟迁移测验，于是代理指标不是靠效度胜出，是靠“只有它在那儿”胜出。这是估计目标缺失，不是统计错误。

# 一个必须承认的限度

提取练习不是万灵药。效应量随【反馈有无】、【保持间隔】、【材料元素交互性】大幅波动；对高元素交互性的复杂材料（Van Gog & Sweller, 2015），测试的收益会被压薄。把它简化成“多考试”是又一次把估计目标弄丢——考什么、隔多久、给不给反馈，决定了它到底是学习还是筛选。

# 留给你的问题

如果学生对“我学到了什么”的判断系统性失准，那么【让学生自选学习策略】和【用评教分数评教学】，是不是同一个错误的两面——都是把测量时刻的流畅性当成了结论？

更难的版本：延迟迁移测验要等半年才出结果，而评教分数下周就能用。谁来为这半年买单？如果没人买单，我们是不是注定继续优化那个最顺的指标？