【锚点】这一讲钉一个判断：【参考类】不是统计脚注，而是命题的一部分；没有参考类的『公平/歧视』只是空壳。

【显式】1973 年加州大学伯克利分校研究生录取案：总体看，男性录取率约 44%，女性约 35%，表面像男性占优。但按院系拆开，女性在多数院系录取率更高（Bickel, Hammel & O’Connell, 1975）。这不是数据造假，而是【组内率】与【总体率】指向不同命题。

【流程节点链路】：【申请池按院系分区】→【每院系录取率】→【院系申请人数权重】→【总体录取率】→【聚合反转】。机制很具体：女性更多申请竞争更激烈的院系，男性更多申请竞争较弱的院系。于是『在同样院系里，女性是否更被压低』和『进入整个大学的概率，女性是否更低』可以是两个相反答案。

【隐式】科学哲学意义：同一证据可以【支持】一个命题，同时【削弱】另一个命题，因为命题被悄悄换了参考类。这不是逻辑矛盾，而是命题未完全形式化。地理学里的 MAUP 同构：改一次边界，统计量就变一次；你以为在测量世界，其实也在测量你选择的格子。

【细微】可检验点：如果保持院系难度与申请质量不变，随机化申请者的院系偏好，总体性别差应消失；若仍残留，才说明存在超出申请分布的额外不利。

【极难发现】更深的盲点：参考类不是中性容器，它由制度可进入性决定——哪些院系、哪些申请路径、哪些资格被允许比较，先于『公平』被写进数据。

【待辩论】当『组内公平』和『总体机会公平』冲突时，哪一个才是制度该追求的公平？