设想这样一个场景：学生一次测验考得很差，老师严厉批评；下一次成绩提高了。另一个学生刚被表扬考得好，下一次却退步了。把这些经历放在一起，很容易得出结论：批评使人进步，表扬使人松懈。
这个结论也许符合某些人的直觉，但仅凭这样的先后顺序，还不能判断奖惩的效果。即使没有批评或表扬，只要表现包含随机波动，又总是在特别好或特别差的时候采取行动，也可能看到相似的变化。
一次分数里，混着不同的成分
一张试卷上的分数，不能完整代表一个人的知识和能力。题目是否恰好熟悉、当时是否分心、某道题是否猜对，都可能使结果偏离平常表现。这里的“随机成分”是相对于我们要判断的稳定水平而言，不表示这些变化完全没有原因。
当我们专门挑出一次低分者时，挑中的可能既有基础较弱的人，也有平常水平尚可、这一次发挥偏低的人。后者下次不再遇到同样的不利组合，分数就可能提高。极端成绩后出现较不极端的结果，常涉及统计学所说的“回归均值”。Barnett 等人的方法论文摘要指出，自然变动可能看起来像真实改变；测量误差较大、又按起始测量筛选子群时，这一现象尤其值得留意。
一个没有任何奖惩的算例
下面完全是为解释原理设计的教学模型，不是真实班级数据，也不是关于批评效果的实验。假设所有人的稳定水平都是 70 分；每次测验独立地以相同概率加 10 分或减 10 分。期间没有学习、遗忘或任何干预。
两次成绩只有四种等可能的组合：60→60、60→80、80→60、80→80，每种概率都是四分之一。
现在只看第一次得 60 分的人。他们下一次有一半概率仍为 60 分，另一半为 80 分，因此下一次的期望平均分是 (60 + 80) ÷ 2 = 70，比起始的 60 高了 10 分。若只看第一次得 80 分的人，下一次的期望平均分也为 70，比起始低了 10 分。
在这个模型里，只要老师总在 60 分后批评、80 分后表扬，就会在重复观察中看到“批评后平均提高、表扬后平均降低”。我们却已经规定，奖惩没有进入成绩生成过程。这个算例展示的是：那种观察模式本身，不能单独证明奖惩的因果作用。
有限人数的实际抽样未必恰好一半对一半。这里算的是模型的期望；同样，它也没有说每个低分者下次都提高。四种组合中，60→60 就是一个明确的反例。
“回归”不是有一股力量把人拉回去
模型中的 70 分没有对任何人施加作用。变化来自我们先按一次带有随机性的结果筛选，再观察另一次独立波动。约克大学统计学家 Martin Bland 的讲解用重复测量说明了这种筛选效应：所选极端组的后续平均值，可以更接近总体平均值，而总体分布本身并没有改变。
现实中的人并不都处在同一水平。长期表现优异者，下一次仍可能高于全班平均；一次低分者也不一定回到全班平均。适用的比较对象取决于人群、任务与测量过程，不能把本文的 70 分直接套进真实成绩。
若能力真的增长、题目变容易，或者环境持续恶化，成绩变化还会包含这些成分。回归均值是需要考虑的解释，不是看到反弹就能贴上的万能标签。它既不证明批评有效，也不证明批评无效，更不能推出“优秀终究会变平庸”。
判断效果，缺的是哪一种比较？
想知道一种反馈有没有额外帮助，应当追问：条件相近的人，如果没有得到这种反馈，后续会怎样？这正是只看同一个人“之前—之后”所缺少的比较。
例如，可以从同一套起始测验中按相同标准选出低分学习者，再随机分配到两种明确的反馈方式，保持后续练习时间和测试条件尽量一致。这里是在说明研究设计，不是建议拿学生随意做奖惩试验。OpenStax 的实验设计教材解释了随机分配与对照的用途：减少处理方式之外的组间差异对判断的干扰。
两个组都可能出现回归均值和练习带来的提高。比较两种反馈的后续表现，比把全部进步记到其中一种反馈头上更有依据。随机分配也不保证有限样本恰好平衡，结果仍要考虑人数、起始差异和不确定性。
若把低分后接受批评者与高分后接受表扬者直接比较，两组一开始就由不同标准选出。仅看谁提高得更多，很容易把筛选造成的变化混入反馈效果。
把“进步了”和“为什么进步”分开记录
日常学习不一定具备正式实验条件，但可以保留几次可比较的表现，记录反馈具体说了什么、练习了多久、下一次题目是否相近。这样的记录不能自动消除所有偏差，却能让解释接受更多检查。
下次看到“提醒以后马上改善”，可以先承认改善这个观察，再为原因保留空间：起点是否恰好异常？没有这次提醒会怎样？有没有相同标准选出的比较对象？
反馈值得认真设计，效果也值得认真检验。把每一次回升都算作自己的功劳，可能让我们不断加强一种尚未证明有效的做法；先识别结果里的波动，才更有机会看清行动究竟改变了什么。
发表回复