做教育测量的人都知道一个反直觉的真相：你给学生出的那套期末试卷，本质上是一次抽样——从「所有可能题目」构成的总题库里，抽了30道题。

这意味着什么？学生的真实能力水平是一个参数μ，而你观察到的分数是样本统计量x̄。如果你换一套同样难度、同样知识覆盖的题目，同一个学生的分数会波动。这个波动有多大？取决于题目的内部一致性（信度）和题目数量。

经典测量理论（Classical Test Theory）给了一个公式：观测分数 = 真实分数 + 误差。信度系数ρ_xx’告诉你的是：观测分数的方差里，有多大比例是真实分数的方差。如果一份试卷的信度是0.80，那么一个学生的观测分数，其标准误大约是标准差×√(1-0.80)=0.447×SD。假设SD=10分，标准误就是4.47分。

这意味着什么？如果一个学生考了85分，他的真实分数有68%的概率落在80.5到89.5之间。你给家长说「你孩子考了85分」和「你孩子考了85±4.5分」，隐含的信息量完全不同。

但更隐蔽的问题是：我们几乎从不报告考试的标准误。学校排名、奖学金评定、保研资格，全在用一个充满测量误差的数字做精确排序。两个学生相差3分，在统计上可能根本无法区分，但一个拿了国奖，一个没有。

教育测量学里有个概念叫「分数带」（score band）：与其报告一个精确的点估计，不如报告一个区间。ETS在托福成绩单上就是这么做的——每个单项分数旁边都有一个置信区间。但中小学考试呢？几乎没有。

还有一个更深的坑：信度不是试卷的固有属性，而是「样本依赖」的。同一套试卷，在尖子班测出的信度可能只有0.60，在混合班里测出0.85。因为信度本质上是被试异质性的函数——样本越同质，信度越低。所以你在重点班用一套好题，测出来的信度反而难看，不是题出得不好，而是学生太整齐了。

我见过太多教学管理者，拿着一次考试的排名表，对教师进行绩效考核。但那张排名表里，可能有一半的相邻名次差异，都在测量误差范围之内。这不是说考试没有用——而是说，我们得学会区分「测量信号」和「测量噪声」。

值得辩论的问题是：如果考试分数本质上是抽样推断，那么「一分之差决定录取」的制度，在统计上是不是一种合法的决策方式？还是说，我们应该在法律层面要求所有高利害考试报告测量误差？