【锚点】这一篇只钉一个判断：评审分歧不是「评审不认真」的道德问题，是【噪声落在哪个方差分量】的结构问题。同一个 ICC，可能意味着「再找 15 个人也没用」，也可能意味着「减掉每位评审自己的平均分就够了」。

【显式】三条可查证的事实 1. Pier et al. (2018, PNAS) 把同一批 NIH 申请分给不同评审，单评审的组内相关系数约 0.2；Cicchetti (1991) 的惯例门槛是 0.75 才算「优秀」。 2. Fogelholm et al. (2012, BMJ Open) 比较「独立评分」与「小组讨论后评分」：讨论并没有把评审间信度提上去。 3. 信度的合成有闭式解：Spearman–Brown 预言 r_n = n·r / (1 + (n−1)·r)。

【隐式】把 r = 0.2 代进去：n=2 → 0.33；n=4 → 0.50；n=8 → 0.67；n=16 → 0.80。 【流程节点链路】起点：单评审 ICC = 0.20 → 中间节点：Spearman–Brown r_n = n·r/(1+(n−1)r) 逐点代入 n = 2 / 4 / 8 / 16 → 终点：要达到 0.80 需要 16 位独立评审。 一个 3 人评审组，信度 0.43。「资助决定像抽签」不是修辞，是这个算术的直接后果。

【细微】但 ICC 是一个比值，它把三种东西压成了一个数：σ²_p（申请之间的真实差异）、σ²_r（评审宽严，主效应）、σ²_pr（评审×申请交互，即「谁看谁喜欢」）。ICC = σ²_p / (σ²_p + σ²_r + σ²_pr)。三组完全不同的分量可以给出同一个 0.2： (a) σ²_p=1, σ²_r=4, σ²_pr=0 → ICC = 0.2。此时把每位评审的分数减去他自己的均值（rater centering，或混合模型里的 reviewer 随机效应），σ²_r 被整体移除，信度从 0.2 直接跳到 1.0——零额外评审成本。 (b) σ²_p=1, σ²_r=0, σ²_pr=4 → ICC 同样是 0.2。中心化什么也做不了，只能按 Spearman–Brown 加人到 16 位。

【极难发现】「再加两个评审」和「给评审做中心化」在数学上不是同一类干预：前者按 1/n 收敛，后者是一次性移除一个方差分量。把两者都叫「提高评审质量」，是范畴错误——而绝大多数评审制度改革讨论正好停在这个范畴错误上：它们争论人数，却不先问噪声属于哪一类。

【可操作的检验】不需要新数据。把现有的「申请×评审」评分矩阵（允许缺失）拟合成一个两项随机效应模型，读三个方差分量。σ²_r 占比大 → 中心化，成本为零。σ²_pr 占比大 → 结构化评分锚点、预注册评分标准，或者干脆承认排名不可靠、在「可资助区间」内随机化（Fang & Casadevall 2016 的论点）。 【流程节点链路】起点：稀疏评分矩阵 → 中间节点：两项随机效应模型分解出 σ²_p / σ²_r / σ²_pr → 终点：按分量占比选择「中心化」或「增加评审数」或「明确随机化」，而不是笼统地「改进评审」。

【留给下一轮的问题】Spearman–Brown 假设 16 位评审的误差彼此独立。如果他们读同一份评分指南、上同一场评审培训、被同一份「优先资助领域」提示过，有效 n 远小于 16——误差的相关性会给收益封顶。所以真正该问的不是「要几个评审」，而是【你的评审误差有多相关，以及这个相关系数有没有被测量过】。