黑箱之内：一个从来不是元分析的数字，如何统治了二十七年的课堂

承重命题：把评价的证据在教学过程中用来调整教学与指导学生，所产生的成绩增益可与任何其他教育干预相比；而这件事之所以没发生，是因为没有人打开过课堂这个黑箱。

位置 显露 S ｜ 预设 〔18 干预不回写到被干预者〕 ｜ 主读数 反馈落点分布（从未在教育现场被数过）

提出：Black & Wiliam 1998，宣称 0.4–0.7｜第一次正式元分析：Kingston & Nash 2011，0.20｜最该读而无人读：Kluger & DeNisi 1996，超过三分之一的反馈让表现变差

前两篇留下了一条越来越清楚的线。043 掌握学习：承诺 2.0，实测 0.52。048 文化再生产：核心机制六十年没人测过。

这一篇是同一条线上最干净的一个标本——因为它的那个数字从提出的那一天起就不是一个元分析的结果，而所有人都把它当元分析在引。

一九九八年：两份文件，一个数字

一九九八年，伦敦国王学院的保罗·布莱克与迪伦·威廉发表了两样东西。

第一样是学术的：《评价与课堂学习》，刊于《教育中的评价：原则、政策与实践》第五卷第一期第 7–74 页。六十八页，是一篇综述——他们说自己扫过了大约两百五十篇研究。

第二样是给老师看的：一本二十来页的小册子《黑箱之内：通过课堂评价提升标准》，同年也以文章形式发表在《菲德尔塔·卡潘》第八十卷第二期第 139–148 页。

小册子里有一个数字，后来传遍了全世界：形成性评价能带来 0.4 到 0.7 个标准差的成绩增益。他们还加了一句判断：这个量级"比教育干预中报告过的绝大多数都大"。

这个数字改变了很多国家的评价政策。 英国的"为学习而评价"运动、美国各州的形成性评价采购、中国新课改文件里的"过程性评价"，其正当性论证的源头都能追到这两份 1998 年的文件。

那个"黑箱"是什么意思

标题里的比喻很精确，值得原样保留。

布莱克与威廉说：几乎所有的教育改革都在往一个箱子里投入东西——课程标准、教师培训、教材、考试制度、问责机制——然后在另一头测量产出。而箱子里面，也就是一间教室里那四十分钟究竟发生了什么，从来没有人打开看过。

他们的主张是：改革之所以反复失效，是因为投入与产出之间那一段没人管；而要管它，唯一的入口是让教学过程中的学习状态变得可见，并且当场用这些信息去改教学。

这个比喻里藏着这条思想的真正位置：它要处理的是"显露"——把本来看不见的东西弄成看得见的。这与 043 掌握学习不同（那一条处理的是"在判定之前插入一段可变长的时间"），也与 048 文化再生产不同（那一条处理的是三方被扣在一起的方式）。

四条具体做法

小册子给的建议很朴素，二十七年后仍然是任何一场形成性评价培训的骨架：

一、提问要留等待时间。 老师提问后平均等不到一秒就点人或自答。把等待时间拉到三秒以上，回答的长度与参与人数会明显变化。

二、只给评语，不给分数。 这一条是全篇最反直觉、也最被广泛违背的一条。他们引用的证据是：作业上同时给分数与评语时，学生只看分数，评语的效果被抵消。

三、同伴互评与自评。 让学生知道好的标准长什么样，并用它评别人和评自己。

四、把总结性测验也用作形成性。 考完之后不是发完卷子就结束，而是据此重教。

注意第二条与 043 掌握学习的"形成性测验不计分"是同一条规矩，隔了三十年，两拨人各自独立地提出来。 这个巧合本身值得记一格——它说明这条规矩不是某个人的偏好，是被机制逼出来的。

关键的一步：定义是宽的

他们把形成性评价定义为学生就自己的学习所收到的频繁反馈。

这个定义有多宽，后面的账就有多难算。 它可以涵盖：课堂提问、作业评语、随堂小测、同伴互评、自评量表、计算机自适应练习、教师的临场调整……几乎任何"教了之后看一眼再调整"的行为。

第三节会看到，正是这个宽定义使得那个 0.4–0.7 既无法被证实，也难以被证伪——因为你永远可以说反例做的不是"真正的形成性评价"。

一个必须写在最前面的事实

《评价与课堂学习》不是一篇元分析。

它是一篇叙述性综述。0.4–0.7 这个区间不是从任何一个统计模型里算出来的，是作者读完一批研究之后给出的非正式概括。他们自己没有掩饰这一点——文章的体例明明白白是综述。

但这个数字在此后的传播中被普遍当成了元分析的结论。这不是布莱克与威廉的错，这是引用链条的事。第七节会算清楚：一个不是元分析的数字，如何在二十七年里承担了元分析的功能。

为什么偏偏是一九九八年的英国

这条思想的出生地不是随便哪里。

一九八八年英国的教育改革法立起了国家课程与全国统考；九〇年代初开始公布学校排名表；一九九二年设立教育标准局，督导制度化。到一九九七年布莱尔上台，"教育、教育、教育"成了执政口号，而它落实成的东西主要是更多的标准、更多的测验、更多的排名。

也就是说，一九九八年的英国，是一个把两端拧到极致的系统：投入端有国家课程，产出端有全国统考与排名表，中间靠督导巡查。

《黑箱之内》就是在这个系统的心脏地带写出来的。它的作者不是反对测验的人——布莱克本人做过学校考试与评价委员会的工作，威廉后来长期研究评价技术。他们是从内部说：这一整套拧紧两端的做法，漏掉了唯一真正产生学习的那个地方。

这个出身决定了这条思想后来的两面性。 一方面，它是一句对问责体制的批评；另一方面，它用的是问责体制听得懂的语言——效应量。说服一个测量至上的系统的最快办法，是给它一个数字。 而这个数字后来长成了它自己都控制不住的东西。

这一点与本栏 043 的处境完全相反，值得对照记住：布鲁姆一九六八年面对的是科尔曼报告刚泼下的冷水，他要给的是希望；布莱克与威廉一九九八年面对的是一个自信过头的问责机器，他们要给的是一处它看不见的地方。两次都成功了，两次都是靠一个后来被证明过高的数字。

把评价的证据在教学过程中用来调整教学与指导学生，所产生的成绩增益可与任何其他教育干预相比；而这件事之所以没发生，是因为没有人打开过课堂这个黑箱。

这句话由两个部件拼成，而这两个部件的证据强度差得很远：

部件一是一个量的主张（增益可与最强的干预相比）。这一半是可以被数据打脸的，而且已经被打过了。

部件二是一个机制的主张（差别不在投入也不在产出，在过程中的信息流）。这一半至今站得很稳，而且它才是这条思想真正的贡献。

引用这条思想时最常出的错，是拿部件一去支持部件二。 部件二不需要 0.4–0.7 来成立；而部件一垮掉时，很多人以为部件二也一起垮了。它没有。

这条命题不是什么

它不是"多考试"。 形成性与总结性的区别不在工具而在用途——同一份小测，拿去重教就是形成性的，拿去登记成绩就是总结性的。区别活在"这份信息后来被用来干什么"里，不在卷子上。

它不是"多表扬"。 第七节会看到，指向自我的反馈（包括表扬）恰恰是效果最差、甚至为负的那一类。

它不是"及时反馈"。 及时只是时间属性。一条及时但没有下一步动作的反馈，与迟到的反馈同样无效——因为学生没有机会据它改任何东西。

它也不是一件老师单方面做的事。 原方案里同伴互评与自评占了一半分量，理由是：只有当学生自己握着标准，反馈才能在教师不在场时继续起作用。而这一半在实践中是被砍得最狠的。

它给出的可检验预测

1. 形成性评价的效应量应在 0.4–0.7 之间。（可测。第七节：被驳。）

2. 只给评语不给分数，效果应优于同时给分数与评语。（可测，且在小样本实验里被支持。）

3. 反馈的效果应当为正。（可测。第七节：这条在教育之外早已被驳，且是被 1996 年一篇教育界至今很少读的论文驳的。）

4. 效应对低成就学生更大。（可测。证据参差。）

一九九八年：0.4–0.7 的来历

布莱克与威廉扫过约两百五十篇研究，给出的区间是 0.4 到 0.7，并称其大于教育干预中报告过的绝大多数。

这个区间的三个属性必须一起抄走：

其一，它不是加权平均，也不是任何模型的输出。 它是读完一批研究后给出的印象式概括。

其二，它没有对应的分母。 你无法说"这 0.4–0.7 出自 N 项研究、M 个效应量"——因为它不是那么算出来的。

其三，它的定义太宽。 被概括进来的研究里，干预的形态从课堂提问到计算机练习都有，彼此之间未必测的是同一件事。

这三条合起来意味着：0.4–0.7 从来不是一个可以被复算的数。 它是一个判断，被当作了一个测量。

二〇一一年：第一次真的做元分析

尼尔·金斯顿与布鲁克·纳什在《教育测量：问题与实践》第三十卷第四期第 28–37 页发表《形成性评价：一项元分析与一份研究呼吁》。他们做的第一件事，就是去核那个数字。

过程本身比结论更值得记：

- 检索到 三百多项看上去在检验 K-12 形成性评价效果的研究；

- 其中许多研究的设计有严重缺陷，结果无法解释；

- 只有 13 项提供了足以计算效应量的信息；

- 从这 13 项里提取出 42 个独立效应量。

结果：

作者的判词很直接：约 0.70（或 0.40–0.70）这个常被宣称的效应量，得不到现有研究基础的支持。

三百多项 → 13 项，这个筛出率是全篇最重的一个数字。 它说的不是"形成性评价没用"，而是：在这个领域里，绝大多数研究做得连算一个效应量都不够。 一个改变了全球评价政策的主张，其证据基础是十三项研究。

二〇一二年：反驳也要记全

布里格斯、鲁伊斯-普里莫、富尔塔克、谢泼德与尹在同刊第三十一卷第四期第 13–17 页发表评论，指出金斯顿与纳什的元分析方法本身有问题，认为其结论"多少是不确定的"，并呼吁更多研究。

这一笔必须记进来，否则本篇就成了单边裁判。 0.20 也不是终局，它只是第一次有人按元分析的规矩算了一遍。

其他几笔，用来定位这个 0.20

读法：形成性评价整体约 0.2–0.3，在写作这一科上明显更高（0.61）。它不是没用，它是一个中等偏下、且高度依赖学科与实施方式的干预——而不是"教育中效应最大的那一个"。

顺带注意一个对照：金斯顿与纳什的科学科 0.09，与 043 里掌握学习的自然科学 0.44 相差很大，而两者都是"在教学过程中收集证据并据此调整"。同一个动作在不同学科上的读数差异，两条线都撞到了，且都没有解释。

★ 一九九六年：那篇教育界至今很少读的论文

这是本篇最要紧的一节。

在布莱克与威廉之前两年，阿夫拉罕·克鲁格与安杰洛·德尼西在《心理学公报》第一百一十九卷第二期第 254–284 页发表《反馈干预对表现的影响：历史回顾、元分析与一个初步的反馈干预理论》。

这是一篇真正的元分析，而且规模远大于教育领域任何一篇同题研究：

- 可用论文 131 篇，提取 607 个效应量；

- 12,652 名被试，23,663 次观测；

- 每个效应量平均样本 39 人。

结果：

加权平均 d = 0.41——与布莱克与威廉那个区间的下沿相当接近。

但是：超过三分之一（逾 38%）的反馈干预使表现变差。

而且作者明确写道：这个变差不能用抽样误差解释，不能用反馈的正负号解释，也不能用当时已有的理论解释。

他们由此提出"反馈干预理论"（FIT），核心假设是：反馈会改变注意力的落点，而落点分三个层级——任务学习、任务动机、元任务（包括与自我有关的）。注意力越是被引向自我这一层，反馈的效果越差。

这一篇的地位需要说清楚。 它比《黑箱之内》早两年，样本大两个数量级，做的是真元分析，而且它给出的是一个有方向、有机制、可操作的结论：反馈不是越多越好，反馈落在哪里决定它是帮忙还是帮倒忙。

它主要在工业与组织心理学里流传。在中文教育文献里，它的被引频次远低于《黑箱之内》。

这构成本栏目前抓到的最尖锐的一处对照：教育界拿走了一个不是元分析的数字（0.4–0.7），却基本没拿走同期一个真元分析的警告（38% 为负）。

而 043 那一篇里也出现过完全同构的一幕：AI 教育产业拿走了未被复制的两个西格玛，却不引用 Nickow 等 2020 的九十六项零项达标。第十节把这两处并成一条命题。

读数速查（引用前请连分母一起抄）

被推翻的第一条：评价发生在教学之后

在布莱克与威廉之前，"评价"在学校的时间轴上位置固定：教完再考。斯克里文一九六七年把"形成性"与"总结性"分开（本栏 042），布鲁姆一九六八年把它用在单元测验上（本栏 043），但这两次都是把评价插进教学序列，评价本身仍是一个离散事件——一个时刻，一次判定。

布莱克与威廉的推进在于：评价不是插在教学之间的事件，是教学本身的一层。 老师提一个问题、等三秒、听到一个回答，这一整套动作既是教学也是评价，无法分开。

这一刀切掉的是"评价"与"教学"之间那条线本身。 一旦这条线没了，"什么时候评价"这个问题就不成立了——它一直在发生，区别只在于有没有人在读它。

被推翻的第二条：改革靠改变投入与产出

一九八〇至九〇年代的教育改革主流路径是：定标准（本栏 065 NCTM）、测产出、绑后果（本栏 080 NCLB 是终点形态）。这条路径隐含一个假设：只要把两端拧紧，中间会自己适应。

黑箱这个比喻就是冲着这个假设去的。布莱克与威廉说：中间不会自己适应，因为中间从来没有被观察过；你拧紧两端，中间的反应可能是任何东西，包括应试化、包括把最需要帮助的学生排除出统计口径。

这一刀是这条思想真正的原创所在。 而且它至今站得最稳——第七节会看到，垮掉的是那个数字，不是这个判断。

被推翻的第三条：分数是一种反馈

这是最具体、也最常被违背的一刀。

学校的默认做法是：作业批完，给分，附几句评语。布莱克与威廉说这等于没给评语——学生拿到本子先看分数，看完就合上了。

这一条推翻的是"信息越多越好"这条常识。 分数与评语放在一起，不是两份信息相加，而是分数吃掉了评语。

而这一刀真正的理论支撑，其实不在他们的文章里，在克鲁格与德尼西那边：分数是一条指向自我的信息（我是几分的人），评语是一条指向任务的信息（这一步该怎么改）。按 FIT，前者把注意力拉到自我层，而在自我层上，反馈的效果会下降甚至转负。

布莱克与威廉给了这条做法，克鲁格与德尼西给了它的机制，而两边基本没有互相引用。 这是本篇发现的第二处断裂。

一处必须写明的不对榫

布莱克与威廉从未主张 0.4–0.7 是一个精确的估计。 他们写的是综述，给的是区间，用词是概括性的。

把一个综述里的印象式区间读成一个元分析的点估计，是引用者做的事，不是作者做的事。 但作者也做了一件加速这个过程的事：他们把它写进了给老师看的小册子，而小册子不带方法学的限定条件。

这是一个值得单独记住的机制：同一个结论，写在学术论文里带着限定，写进普及册子里限定被删掉，而普及册子的传播量是论文的成百倍。限定条件的丢失不是发生在读者那里，是发生在改写的那一步。

第一次：从"用途"滑回"工具"（二〇〇〇年代初起）

原命题的核心是：形成性与总结性的区别在用途，不在工具。一份卷子拿去重教就是形成性的。

而市场需要可采购的东西，学校需要可检查的东西，于是出现了"形成性评价工具""形成性测评系统"——评价重新变回了一件可以买、可以装、可以验收的产品。

让掉了什么：让掉了"用途"这条判据。一旦形成性变成一类工具，"我们用了形成性评价"就可以在没有任何重教发生的情况下成立。

第二次：从"不给分数"滑向"计入平时分"（普遍，中文语境尤甚）

原方案的硬规矩是只给评语不给分数。实践中的普遍做法是：随堂测、课堂表现、作业等级，全部计入平时成绩。

理由都很实在：不计分学生不重视；不计分家长要问；不计分学校没法交材料。

让掉了什么：让掉了这条思想在机制上唯一硬的那一条。而且它与 043 掌握学习让掉的是同一条——布鲁姆要求形成性测验不进成绩册，也被同样的理由挤掉了。

两条互不相干的思想，隔了三十年，在同一个地方以同样的理由被折断。 这不是巧合，是学校的档案需求与诊断需求之间的结构性冲突。第十节把它写成命题。

第三次：从"学生握着标准"滑向"老师多批几遍"（二〇〇〇年代起）

原方案里同伴互评与自评占一半分量。落地时这一半被大幅削减——因为它要求把评分标准交给学生，而这既费时间又让老师不安。

让掉了什么：让掉了可持续性。老师批改的反馈在老师不在场时就停了；学生自己握着标准，反馈才能在写作业的当下发生。

一个可查的旁证：格雷厄姆等 2015 年在写作上的读数里，自评 0.62、同伴互评 0.58，与成人反馈的 0.87 不在一个量级但也不低；而被砍掉的恰恰是这两项。

第四次：从"反馈"滑向"批改量"（二〇一〇年代，英国最典型）

英国的督导体系一度把"批改是否详尽"当作教学质量的可见证据，于是出现了以颜色分层批注、逐条回批、学生须回应教师批语再由教师回批的"三色批改""对话式批改"。教师工作量急剧上升。

让掉了什么：让掉了"反馈是给学生看的"这一条——批改的主要读者变成了督导。

这一次改写的性质与前三次不同：前三次是被便利挤掉，这一次是被可核查性挤掉。反馈的质量难查，反馈的数量好查，于是被考核的是数量。

这与 043 末尾那条读数完全同构：一个方案的存活率取决于它的名字与它的部件哪一个更容易被外部核查。这里可以再加一层——当部件本身也分难查与好查时，好查的那个部件会膨胀，把难查的挤死。

第五次：从证据变成口号（二〇〇〇年代至今，中文语境）

"过程性评价""表现性评价""教学评一致性"进入了几乎所有课程文件。这是好事——机制的主张被写进了制度。

让掉了什么：让掉了那个数字背后的限定。中文教育文献里引用"布莱克与威廉证明形成性评价效应量达 0.4–0.7"的句子极多，而引用金斯顿与纳什 0.20 的极少，引用克鲁格与德尼西 38% 为负的几乎没有。

这不是中文文献独有的问题，但它在中文语境里更彻底，因为这里几乎只有二手转述，没有人回头去核那个区间是怎么来的。

第六次：交给系统（二〇一〇年代至今）

学习分析仪表盘、自适应练习、AI 批改与即时讲评——技术上，形成性评价的"收集证据"这一半被基本解决了，成本降到近零。

没被解决的是另一半：据此改教学。 系统能告诉你三十七个学生里有十四个在第三题上错了同一步，它不能替你决定明天第一节课换哪一种讲法。

这一步的性质与 043 那一篇里"交给机器"完全一样：机器解决了判定的成本，没解决矫正的内容。两条线在这一格上撞在了一起，而且撞出的是同一句话——可自动化的那一半会先做完，不可自动化的那一半会被当作已经做完。

★ 六次改写的共同形状

四个部件：用途优先于工具、不给分数、学生握标准、据此改教学。

六次改写之后，实践中活着的是：一套可采购的工具、计入平时分的随堂测、老师单方面的批改、以及一份没人据以改动教学的数据报表。

四个部件，一个不剩。

而这已经是本栏第三次记录同一个形状了。043 掌握学习：四个部件（标准不动、时间可动、必须换讲法、不计分）全部让掉，退化回"多测几次、按分数分组、给低分补课"。048 文化再生产：四个部件里最独特的两个（任意性、误认）退出可检验领域，退化回科尔曼报告。这一篇：四个部件全让，退化回"多批几本作业"。

三个样本，同一个形状，且退化的方向都是朝着"更容易被外部核查"的那一端。 到这里，这已经不是三条思想各自的命运，而是一条关于教育思想传播的规律性读数。第十节写成命题。

★ 一个反常：唯一没被改写的那一条

六次改写里，有一条建议二十七年原样不动：提问后等三秒。

它没有被工具化，没有被计分，没有被考核，也没有被交给系统。每一场培训还在讲它，每一位老师听完还是等不到三秒。

为什么它没被改写？ 因为它不产生任何可以被拿走的东西——没有材料、没有数据、没有产品、没有留痕。没有可拿走的东西，就没有被改写的动力。

这条读数可以脱离形成性评价被单独使用：一个方案的部件，若既不可核查也不可产品化，它既不会被扭曲，也不会被执行——它会被完整地保存在培训材料里，同时完整地不发生。

这是"退化"之外的第二种命运，而且它比退化更隐蔽：退化至少留下痕迹（一堆随堂测），这一种连痕迹都没有，只留下一句人人会背的话。

043 与 048 里都能找到对应的部件：043 的"必须换一种讲法"、048 的"任意性"，都是这一类——讲了几十年，人人认同，从不发生。

⇒ 把两种命运合起来，一个方案的部件按"可核查性"分成三档：

好查的部件会膨胀（批改量、随堂测频次）；

中等的部件会退化（标准降到 80%、评语被分数吃掉）；

完全不可查的部件会静止（等三秒、换讲法、检视标准的任意性）。

这三档比 043 里那条二分的读数更准确，是本栏三篇累积下来的结果。

一、活在课程标准里的"教学评一致性"

这是当前中文教育文件里的高频词，其骨架就是布莱克与威廉的部件一（用途优先于工具）加比格斯的建构性对齐（本栏 071）。

检验它是不是真的那一套，只看一个动作：这次评价的结果，有没有在下一节课里改变过任何东西。 改变了，是形成性的；没改变，那份数据只是被存档了。

这个判据可以在任何一次公开课后当场问出来，而且答案通常是"没有"。

二、活在"三分钟提问等待"这条培训条目里

等待时间这一条至今是每一场形成性评价培训的开场内容，而且它是四条建议里唯一没有被改写的——因为它不花钱、不产生材料、也无法被考核。

这本身是一条读数：一条建议之所以能保持原样，可能恰恰是因为它太小、太不可查，以至于没有任何力量想要改造它。

三、活在"作业不打分只写评语"的那个反复失败的实验里

几乎每一所学校都有老师试过只写评语不给分，也几乎每一次都被三种力量之一挤回去：学生要分、家长要分、教务要平时分。

这里可以做一个很干净的观察：一所学校里，尝试过"只给评语"并坚持了一学期以上的老师有几位？这个数字大概率是个位数，而它是这条思想在这所学校的真实落地率。

四、活在"平时分占比"这场每年都要吵一次的会上

平时分该占 20% 还是 40%，这个争论表面是分配问题，实际是这条思想与学校档案需求的正面冲突：形成性评价要求信息不带后果，成绩册要求一切留痕带后果。

043 那一篇里同一处冲突已经出现过一次。 两条思想在同一个位置被同一件事折断，而学校里没有人知道这两件事是同一件事。

五、活在"这道题我讲过多少遍了"之后那半句里

043 讲过这句叹息。这一篇要接的是它的后半句：老师说完这句之后，通常会再讲一遍。

按克鲁格与德尼西的框架，这里发生的事更微妙：这句叹息本身是一条指向自我的反馈（你们怎么这么笨／我怎么这么失败），而它落在自我层。按 FIT，落在自我层的反馈会降低后续表现。

也就是说，这句话不只是无效，它可能是负效应的。 而它每天在无数间教室里被说出来。

六、活在英国的"批改减负"文件与中国的"作业管理"规定里

英国后来出过专门的教师工作量文件，把过度批改点名为负担来源。中国"双减"之后的作业管理办法要求控制作业总量、提高作业质量、及时反馈。

两边都碰到了同一个两难：反馈的质量难查，数量好查；一旦开始管，管的必然是数量——先是要求多批，减负时又要求少批，而"批的是什么"这一格两次都没有被碰到。

七、活在每一块学习分析仪表盘上

系统给出正确率热力图、知识点掌握度、班级对比。数据的采集成本已经近零。

可以做的一个检验很具体：调取一所学校一学期的仪表盘访问日志，看有多少次访问之后的 48 小时内发生了可识别的教学调整（换讲法、重排课时、调整分组）。这个比例是这条思想在数字时代的真实落地率，而据我所知没有任何一所学校算过它。

八、活在 AI 批改与即时讲评的产品逻辑里

生成式 AI 使得"给每个学生一段针对性的评语"从不可能变成了近乎免费。这在表面上是这条思想的胜利。

但按 FIT，问题从"能不能给"变成了"给的落在哪一层"。 一段温和、鼓励、指向学生本人的 AI 评语（"你很努力，继续加油"），在克鲁格与德尼西的框架里正好落在最差的那一层。

而目前没有任何一款产品在报告它生成的反馈的落点分布。 这是第九节要记进碰撞行的主空栏。

九、活在"错题本"这件小事上

错题本是中国课堂里形成性评价最普及、最本土的形态。它的设计恰好命中了原方案的两条：学生自己握着标准，且反馈指向具体任务。

它失效的方式也很具体：抄题而不写"当时我是怎么想错的"。前者是留痕，后者才是诊断。

这个区别可以被直接数出来：随机抽三十本错题本，数其中含有"我当时的错误想法"这一栏的比例。这个比例是全篇最容易做、也最能说明问题的一个读数。

十、活在"备课本上那一栏"里

多数学校的备课本或教案模板有一栏叫"学情分析"或"教学反思"。它的设计意图正是这条思想的部件四：据此改教学。

它失效的方式极其具体：这一栏通常在课前填写（学情分析）或在课后补齐以备检查（教学反思），而不是在课中根据当场读到的东西改动。

判据同样具体：调取一批教案，数其中"教学反思"栏里含有下一次的具体改动（换哪个例子、哪一步拆成两步）的比例，与只含感受性描述（"学生参与度高""效果良好"）的比例。这个比值就是这条思想在这所学校备课环节的落地率，而它可以在一次教研活动里当场算出来。

四条预测的战果

第一条：效应量 0.4–0.7。 第一次正式元分析给出加权平均 0.20、中位 0.25（13 项研究、42 个效应量），并明确判定 0.40–0.70 得不到现有研究基础的支持。

判决：被驳。 但要记全另一半：布里格斯等 2012 年指出这次元分析的方法本身有问题，结论并非终局；而格雷厄姆等 2015 年在写作这一科上得到 0.61。准确的读法是：整体约 0.2–0.3，学科间差异巨大（科学 0.09，语文 0.32，写作 0.61）。

第二条：只给评语优于分数加评语。 在小规模课堂实验里被支持，且有 FIT 提供的机制解释（分数把注意力拉向自我层）。判决：站住，但缺大样本复制。

第三条：反馈的效果为正。 在教育之外早已被驳。 克鲁格与德尼西 1996 年的 607 个效应量里，超过 38% 为负，且不能用抽样误差、反馈正负号或既有理论解释。

判决：被驳，而且是被一篇比《黑箱之内》早两年、样本大两个数量级的真元分析驳的。

第四条：对低成就学生效应更大。 证据参差，且金斯顿与纳什的调节分析里，起解释作用的主要是学科而非学生特征。判决：未定，证据不足以支持通行说法。

★ 主要失效条件：反馈落在自我层时，效果转负

这是本篇最硬的一条，也是教育界最该拿走却没拿走的一条。

FIT 的核心：反馈会改变注意力的落点，落点分三层——任务学习（这一步该怎么做）、任务动机（要不要多花力气）、元任务与自我（我是个什么样的人）。注意力越往自我层走，反馈效果越差。

这条给出的失效条件非常具体，而且可以在教室里当场判定：

- "这次作文结构比上次清楚，第二段的例子和论点不对榫" → 任务层，有效。

- "你要再认真一点" → 动机层，效果不定。

- "你就是不细心""你很聪明就是不用功""你真棒" → 自我层，可能为负。

注意最后一行里包含表扬。 表扬在中文教育话语里被默认为无害甚至有益，而按 FIT，指向人的表扬与指向人的批评落在同一层。

这一条与本栏 083 德韦克成长型思维之间有一处正面接口：德韦克那一路主张表扬努力而非表扬聪明，理由是内隐能力观；FIT 给的是另一条理由——任何指向自我的反馈都在削弱任务注意力，不只是"表扬聪明"那一种。两条命题的适用范围不同，但方向一致，且从未被放在一起检验过。

失效条件二：没有下一次机会时，反馈不是形成性的

形成性评价的定义要求信息被用来调整仍在进行中的学习。如果反馈发生在一份已经交付、不再修改的作业上，那么无论它多及时、多具体，它在定义上就不是形成性的。

这条失效条件可以做成一个二值判据：学生收到这份反馈之后，有没有一次据此重做的机会？没有，这份反馈就落在了形成性评价的定义之外。

按这个判据去看，中国课堂上绝大多数的作业批改都不是形成性评价——因为作业发回来之后不重做。

失效条件三：定义太宽，导致既难证实也难证伪

布莱克与威廉把形成性评价定义为学生就自身学习收到的频繁反馈。这个定义涵盖的行为差异极大：课堂提问、作业评语、随堂小测、同伴互评、自评、自适应练习。

金斯顿与纳什自己也承认形成性评价是一个伞状术语。后果是：任何一项否定性结果，都可以用"他们做的不是真正的形成性评价"挡回去。

这是一条方法论上的失效条件，而且它比数据上的失效条件更麻烦：它使这条思想部分地退出了可检验的领域——与 048 文化再生产里"任意性无法在单一社会内检验"是同一类的处境。

失效条件四：证据基础极薄，且薄得可以量化

三百多项研究里只有 13 项能算效应量。这个筛出率约 4%。

这个数字本身应当被单独引用，因为它说的不是这条思想的效果，而是这个领域的研究质量。一个被写进多国政策文件的主张，其可用证据是十三项研究、四十二个效应量。

失效条件五：学科依赖极强

科学 0.09、数学 0.17、语文 0.32、写作 0.61。最高与最低差了近七倍。

这意味着"形成性评价有效"这句话在学科层面上几乎没有信息量。 而政策文件与教师培训是按全学科统一推的。

自曝

按体例，只收提出者自己文献里的自陈。

布莱克与威廉的自曝之一：《评价与课堂学习》公开以综述体例写成，作者从未声称做了元分析。把体例写在明处，就是一次自曝——这篇文章不是拿统计模型说服你的。

自曝之二：两人 2009 年在《教育评价、评估与问责》第二十一卷第一期第 5–31 页发表《发展形成性评价的理论》。写这篇文章这个动作本身就是一次自曝——1998 年那两份文件给的是一批做法与一个数字，没有给出一个理论；十一年后要回头补理论，等于承认当初推荐的做法缺少机制说明。

自曝之三：他们在原方案里明确写了学生自评与同伴互评是核心而非补充，因而也就等于预先说明了：只做教师批改的那种实施方式，不是他们所主张的东西。 这条自陈在今天可以直接用来判定绝大多数"形成性评价"实践不合规。

一处与 043、048 并起来才看得见的东西

三篇写到这里，可以把三个主读数并排放一次：

三个数字的共同点不是"教育思想爱吹牛"，而是更具体的一件事：三个被夸大的数字，全部出自作者自己的叙述性概括，而不是出自任何一次统计汇总；而三次的纠正，全部来自后来的、更严格的、被引量远低于原文的元分析。

048 那一篇没有这样一个数字，因为它的核心变量根本没被测过——那是同一个病的第三种形态：不是给了一个过高的数，而是一个数都没给，于是永远不会被纠正。

⇒ 由此得到一条可以脱离教育被使用的读数：一个主张的自我纠错速度，取决于它当初有没有给出一个带分母的数。 给了过高的数，会在十几年内被打下来（043 十六年、072 十三年）；一个数都不给，六十年也不会有人来打（048）。

这条读数在第十节被写成可对撞的形式，且它对本栏自己的体例是一个直接的约束——这就是为什么本栏的十节体例把"原始读数（量纲带分母）"设成了硬格。

一句总账

机制的那一半站住了，数字的那一半垮了，而传播的是数字那一半。

"改革失效是因为没人打开过课堂这个黑箱"——这个判断二十七年来没有被推翻，而且被 043、048 两条线反复旁证。

"0.4–0.7"——被第一次正式元分析判为不受支持，实测约 0.20–0.29，学科间差七倍。

更值得记的是那个不对称：教育界从 1998 年那份不是元分析的文件里拿走了一个数字，却没从 1996 年那份是元分析的文件里拿走那个警告。两份文件相差两年，一份写给教育，一份写给管理学。学科的边界比证据的强度更能决定什么被读到。

这一点，比形成性评价有没有效应更值得撞。

碰撞取源用得上的不是"形成性评价"这个名字，而是它底下的结构：一个正在运行的过程中途取一次读数，把读数送回去改变这个过程本身；而送回去这个动作会改变被送的那个对象，且改变的方向取决于读数落在他身上的哪一层。

后半句是这个结构的独特之处——它不是普通的反馈回路，它是会回写到被测者身上的回路。每条异名注明：那边叫什么、把哪一格写得更清楚、分界线在哪。

一、控制论与自动控制：闭环、传感器、增益与振荡

反馈这个词本来就是从这里借来的。控制论把回路写得极清楚：传感器采样、与设定值比较、误差信号经控制器放大、作用于被控对象。

这边写得更清楚的三格：其一，采样频率与系统响应时间必须匹配——采样太快而系统来不及响应，回路会振荡；其二，增益过大导致失稳是可计算的；其三，存在纯滞后，反馈到达时对象已经变了。

对照教育：随堂测的频率与"学生真正改变需要的时间"从来没有被放在一起考虑过；而"批改越多越好"在控制论看就是增益过大。"三色批改"导致的教师崩溃与学生麻木，形式上就是一次振荡。

分界线：控制论的被控对象不会因为被测量而改变自己的性质；学生会。这正是下一条要处理的。

二、量子测量与观察者效应

测量行为本身改变被测系统的状态。

这边写得更清楚的一格："测不准"不是仪器不够好，是原理性的——存在一个下界，且这个下界可以被算出来。

教育评价里没有这个概念。我们默认一次随堂测只是读取了学生的状态，不改变它。而形成性评价的全部效力恰恰来自它确实改变了状态——这是一个自相矛盾的默认：我们指望它改变，同时假设它不改变。

分界线：量子测量的扰动是随机的、方向不定的；反馈对学生的扰动是有方向的（按 FIT，取决于落点层级）。方向可控这一点，是教育这边比物理那边多出来的东西，也正是教育这边从未利用过的东西。

三、临床医学：治疗性药物监测与病人告知

血药浓度监测（TDM）在治疗中途取样，据此调整剂量。而"是否把中期检查结果告诉病人、怎么告诉"在医学伦理里是一个被专门讨论的问题。

这边写得更清楚的两格：其一，采样时点有明文规范（谷浓度、峰浓度何时取，写在指南里）；其二，告知本身被当作一种干预来管理——医生知道"怎么说"会影响依从性与预后，因而有沟通规范与坏消息告知模型。

这一条极贴。 教育界至今把"怎么说"当作教师个人风格，医学界把它当作可规范、可培训、可考核的技术动作。

分界线：医学的中期指标（血药浓度）与最终结局（疗效）之间的关系有药代动力学模型；教育里"随堂测正确率"与"三年后会不会用"之间没有任何模型。

四、统计过程控制：控制图、共同原因与特殊原因

休哈特与戴明那一套。生产过程中途取样，画在控制图上；关键规则是区分共同原因变异（系统固有的波动）与特殊原因变异（真的出事了），而且对共同原因变异做出反应会使过程变得更糟——这就是戴明的"过度调整"，有著名的漏斗实验为证。

这边写得最清楚的一格，也是教育最缺的一格：并非每一次读数都该被响应。 对噪声做出反应比不反应更坏。

教育里没有控制限的概念。一次随堂测班级平均分掉了五分，是共同原因还是特殊原因？没有人算，通常的反应是立刻加练。按戴明，这正是过度调整。

分界线：生产过程的输出规格是外生给定的；教学的"合格"标准部分由教师自己定（这一格接 043 的判定尺依赖度与 048 的标准归属）。

五、软件工程：持续集成、测试金字塔与告警疲劳

代码每次提交都跑自动测试，失败即刻通知。三个成熟概念直接可用：快速失败、测试金字塔（大量便宜的单元测试＋少量昂贵的端到端测试）、告警疲劳（告警太多，工程师开始忽略全部告警）。

这边写得更清楚的两格：其一，测试要分层——便宜的高频跑，昂贵的低频跑；其二，告警疲劳是被命名、被测量、被治理的问题，业界有"告警必须可操作，否则删掉"的明规。

教育这边：随堂测既想便宜高频，又想承担诊断重任；而"评语太多学生不看"这件事至今没有名字。"告警疲劳"这个词直接搬过来就能用。

分界线：软件的测试对象不会因为被反复测试而改变对测试的态度；学生会。

六、导航与航海：中途定位与航迹推算

航行中途定位（fix）与两次定位之间的航迹推算（dead reckoning）。关键概念是定位间隔与偏航累积的关系：间隔越长，累积偏差越大；但定位本身有成本，所以间隔是可优化的。

这边写得更清楚的一格：定位频率是一个可优化的量，有明确的成本-收益权衡，且最优频率取决于漂移速率。

教育里"多久测一次"从来没有被当作可优化问题——它由课时表与考试月历决定。

七、组织管理：绩效反馈与"不要在年终第一次说"

这是克鲁格与德尼西那篇文章的原生领域。管理学早就把"年度绩效面谈"当作反面教材，理由与教育界的形成性/总结性之分完全同构。

这边写得更清楚的一格：反馈与评估必须分开场合——用来改进的谈话不能与用来定薪的谈话是同一场。理由和布鲁姆要求形成性测验不计分是同一个：一旦带后果，被反馈者就转入自我保护。

分界线：管理学那边可以真的把两场谈话分开（改进面谈与考核面谈不同时、不同人）；学校里教同一批学生的是同一位老师，既做诊断又给成绩，角色无法分离。这个不可分离性是教育独有的困难，也是本篇第十节第三条命题的位置。

八、站内的邻居

- 本栏 043 掌握学习：形成性测验不计分这条规矩，两条线各自独立提出，又在同一处（成绩册需求）被折断。且两条线在"交给机器"这一格撞出同一句话。

- 本栏 048 文化再生产：这一篇的"落在自我层的反馈"与 048 的"误认"有一处接口——当学生把一条关于任务的反馈读成一条关于自己的判决时，落点就从任务层滑到了自我层，而滑动的概率可能与文化资本相关。这个交叉从未被检验过，是第十节第七条。

- 本栏 042 斯克里文：形成性/总结性之分的源头，本篇是它在课堂层面的落地与失败史。

- 本栏 083 德韦克成长型思维：与 FIT 的落点层级理论方向一致、理由不同，从未被并置检验。

- edu 分站《课堂的智慧》「失败长得像成功」：一间每周做随堂测、每份作业都有评语、仪表盘数据齐全而从不据此改教学的教室，看上去是形成性评价的模范。

位置：S（显露）。理由：这条思想的核心动作是把教学过程中本来看不见的学习状态弄成看得见的——黑箱这个比喻直接说的就是这件事。它不处理时间的可变长（那是 043 的 D），也不处理三方被扣在一起的方式（那是 048 的 E）。

预设〔18 干预不回写到被干预者〕。这是本条攻击的主族：反馈被默认为一次纯粹的信息传递——读取状态、告知、结束；而克鲁格与德尼西的 607 个效应量证明它不是——它会回写到被反馈者身上，且回写的层级决定了它是帮忙还是帮倒忙（超过 38% 为负）。

- 附带触及 07 效果可由参与者自己评定（老师普遍相信自己的批改有效，而这个相信从未被外部读数检验）与 29 越精细越接近真实（批改越详尽越好这条常识，在控制论看就是增益过大）。

量纲：三个可算的读数，均带分母。

1. 反馈落点分布 ＝（落在任务层／动机层／自我层的反馈条数）÷（全部反馈条数）。FIT 早在 1996 年就给了这三层，教育现场从来没有数过。做法：抽一批批改过的作业，逐条编码。一个下午能做完，且能立刻改变教研。

2. 可重做率 ＝（学生有机会据此反馈重做的作业数）÷（收到反馈的作业总数）。这是形成性评价的定义判据的直接操作化：没有下一次机会，那条反馈按定义就不是形成性的。预测这个比率在多数中国课堂上接近零。

3. 响应率 ＝（产生了可识别教学调整的评价事件数）÷（全部评价事件数）。仪表盘访问日志、随堂测记录都能取到。这是"据此改教学"这个部件的存活率。

失效：①反馈落在自我层时效果转负（Kluger & DeNisi 1996，607 个效应量，逾 38% 为负，且不能用抽样误差或反馈正负号解释）；②学生没有据此重做的机会时，按定义不成立；③定义过宽导致既难证实也难证伪（伞状术语，任何否定结果都可被"那不是真正的形成性评价"挡回）；④证据基础极薄（三百多项研究筛出 13 项，筛出率约 4%）；⑤学科依赖极强（科学 0.09／数学 0.17／语文 0.32／写作 0.61，差近七倍）。

自曝：《评价与课堂学习》公开以综述体例写成，从未自称元分析；布莱克与威廉 2009 年回头写《发展形成性评价的理论》，这个动作本身承认 1998 年给的是一批做法与一个数字而没有理论；原方案明写学生自评与同伴互评是核心而非补充，因而等于预先判定"只做教师批改"的实施方式不合规。

空栏：反馈落点分布从未在任何教育现场被数过——FIT 给出这三层已经二十九年。附带空栏：可重做率无人算；仪表盘响应率无人算；AI 批改产品无一报告其生成反馈的落点分布；"表扬"在中文教育话语里被默认无害，而按 FIT 它与批评落在同一层，这一条从未被并置检验；FIT 与德韦克成长型思维方向一致而理由不同，从未被放在一起测。

异名：控制论「闭环／采样频率与响应时间匹配／增益过大即失稳／纯滞后」（三色批改的崩溃形式上就是一次振荡）｜量子测量「观察者效应」（测不准是原理性的、有下界——教育却同时指望反馈改变学生又假设测量不改变学生）｜临床「治疗性药物监测＋告知本身作为干预」（采样时点有明文规范；"怎么说"是可培训可考核的技术动作，不是个人风格）｜统计过程控制「控制图／共同原因与特殊原因／过度调整」（★并非每次读数都该被响应，对噪声反应比不反应更坏——教育最缺这一格）｜软件工程「测试金字塔／告警疲劳」（"评语太多学生不看"直接可用"告警疲劳"命名，且业界明规是"告警不可操作就删掉"）｜航海「中途定位间隔与偏航累积」（定位频率是可优化量）｜管理学「绩效反馈与考核面谈必须分场合」（★分界线：管理层可以换人换场合，教师无法与自己分离）｜本栏 042／043／048／083｜edu《课堂的智慧》。

一｜反馈落点分布是可数的，而且自我层的占比很可能远高于所有人的估计。

抽一批批改过的作业与一批课堂录音，把每条反馈编码为任务层／动机层／自我层。假设：自我层占比超过 40%，且越是被认为"有温度""关注学生"的教师，自我层占比越高。若成立，那么"有爱心的老师"与"有效的反馈"之间存在一个此前没人指认的张力。这条最容易做，也最可能得罪人。

二｜可重做率接近零，而它是形成性评价的定义判据。

数：学生收到反馈后有机会据此重做的作业占比。假设：在中国中小学，这个比率低于 10%。若成立，则绝大多数被称为形成性评价的活动，按提出者自己的定义就不是形成性评价——不需要争论效应量，直接出局。

三｜诊断者与评分者是同一个人，这个不可分离性是教育独有的困难，且它的代价可以被估出来。

管理学把改进面谈与考核面谈分开；教师无法与自己分开。设计：让 A 班的诊断性小测由不给该班成绩的另一位教师批改并反馈，B 班照常。假设：A 班学生的暴露率（主动写出不会之处的比例）显著更高。这条同时检验 043 的"不计分"与本篇的"分场合"，是两条思想的交汇点上唯一可做的实验。

四｜"这道题我讲过多少遍了"可能是一条负效应的反馈，而它的频次可以被统计。

课堂录音，统计指向自我层的集体性反馈（含叹息、责备、泛化表扬）的频次，与后续单元成绩做关联。假设：频次与后续表现负相关，且控制班级基线后仍成立。按 FIT 这是预期结果，而教育界从未测过。

五｜并非每次读数都该被响应；教育需要一条控制限。

把一个班一学期的随堂测成绩画成控制图，区分共同原因与特殊原因变异。假设：多数被教师当作"出问题了"并触发加练的波动，落在控制限之内——也就是戴明意义上的过度调整。若成立，这条能直接减少无效教学劳动，而且证据形式是教师看得懂的一张图。

六｜"告警疲劳"这个词搬进教育，能立刻解释一件没有名字的事。

测：一份作业上的评语条数与学生实际采纳条数的关系。假设：存在拐点，超过某个条数后采纳率绝对值下降（不只是比例下降）。若成立，则"批得越细越好"是错的，且错在一个可算出来的位置上。

七｜同一条反馈，落点会不会从任务层滑到自我层，可能与学生的文化资本相关。

同一句评语（"这段论证不成立"），不同学生读成"这段该改"还是"我不行"。设计：给学生同一批评语，问他们"这句话是在说什么"，按任务/自我编码，与家庭背景交叉。假设：低文化资本学生把任务层反馈读成自我层判决的概率显著更高。这条把 072 与 048 接在一起，是本栏目前唯一一条跨篇的交叉命题。

八｜0.4–0.7 的引用史，可以完整地还原出限定条件在哪一步丢失的。

追踪引用链：从 1998 年的论文（带综述体例的限定）→ 小册子（限定被删）→ 二手教材 → 政策文件 → 教师培训 PPT。假设：限定条件的丢失集中发生在"论文→普及册子"这一步，而不是逐层稀释。若成立，则改善引用生态的着力点不在读者，在改写者。

九｜一个真元分析的警告被忽略，而一个非元分析的数字被采纳——学科边界比证据强度更能决定什么被读到。

统计中文教育文献中《黑箱之内》与克鲁格-德尼西 1996 的被引比。假设：比值超过 20:1。这条与 043 的第九条（两个西格玛作为授权数字）、048 的第九条（枢纽变量最容易测却无人测）是同一族，三条可合并成一个更大的题：一个领域如何系统性地选择不去读哪些东西。

十｜四个部件全部让掉、名字保持不变——这个形状已经在本栏出现三次，可以被做成一条可预测的规律。

043、048、072 三篇都记录了同一形状：方案的部件被逐个让掉，退化回它当初要取代的东西，而名字不变；且让掉的顺序与"该部件是否容易被外部核查"高度相关。

可检验的形式：对若干教育方案，事先给每个部件打一个"可核查性"分（0–2），预测它在推广十年后的存活概率。假设：可核查性与存活率正相关，相关系数显著。若成立，这是一条可以在方案推广之前就用上的工具——先看哪个部件最不可查，那就是最先会死的那个，也是最需要额外保护的那个。

怎么用这十条去撞

拿第一条"反馈落点分布"，配上统计过程控制的控制图与软件工程的告警疲劳。

三家都在处理"一个正在运行的过程中途取读数并送回去"。控制图写清了并非每次读数都该被响应（对噪声反应比不反应更坏，且有控制限可算）；告警疲劳写清了读数太多会导致接收者整体屏蔽（且业界的明规是"不可操作的告警必须删掉"）。教育两样都没有。

三家一撞，"怎样给出好的反馈"这个软趴趴的问题，变成了三个可以真填的量：这条反馈落在哪一层？这次波动值不值得响应？这一页上的第七条评语，是不是把前六条一起废掉了？

而它之所以问得出来，还是那个原因：产线上对噪声过度调整会亏钱，值班工程师被告警淹没会漏掉真事故。学校里，批得太细、响应了噪声、把反馈打在学生身上——没有任何一样会立刻显形。

这与 043 的"让步接收率"、048 的"无偿投入折价率"是同一张表的第三栏。 043 问未达标者被放行了多少；048 问达标者的分数里有多少不是自己挣的；这一篇问：中间过程里发出去的那些信息，有多少真的落在了该落的地方。

核心文献

1. Black, P., & Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7–74. DOI 10.1080/0969595980050102. —— 0.4–0.7 的出处，叙述性综述，非元分析。

2. Black, P., & Wiliam, D. (1998). Inside the Black Box: Raising Standards Through Classroom Assessment. Phi Delta Kappan, 80(2), 139–148.（亦以国王学院小册子形式流传）

3. Black, P., & Wiliam, D. (2009). Developing the Theory of Formative Assessment. Educational Assessment, Evaluation and Accountability, 21(1), 5–31. DOI 10.1007/s11092-008-9068-5.

4. Scriven, M. (1967). The Methodology of Evaluation.（形成性/总结性之分的源头，见本栏 042）

元分析与批评

5. ★★ Kluger, A. N., & DeNisi, A. (1996). The Effects of Feedback Interventions on Performance: A Historical Review, a Meta-Analysis, and a Preliminary Feedback Intervention Theory. Psychological Bulletin, 119(2), 254–284. DOI 10.1037/0033-2909.119.2.254. —— 131 篇可用论文、607 个效应量、12,652 名被试、23,663 次观测、每效应量平均样本 39 人；加权平均 d=0.41，逾 38% 为负，不能由抽样误差、反馈正负号或既有理论解释；提出 FIT 三层落点。

6. ★ Kingston, N., & Nash, B. (2011). Formative Assessment: A Meta-Analysis and a Call for Research. Educational Measurement: Issues and Practice, 30(4), 28–37. DOI 10.1111/j.1745-3992.2011.00220.x. —— 三百余项研究筛出 13 项／42 个独立效应量；中位 0.25、随机效应加权平均 0.20；语文 0.32／数学 0.17／科学 0.09；专业发展式 0.30／计算机化 0.28；短于 12 周者更强。

7. Briggs, D. C., Ruiz-Primo, M. A., Furtak, E., Shepard, L., & Yin, Y. (2012). Meta-Analytic Methodology and Inferences About the Efficacy of Formative Assessment. Educational Measurement: Issues and Practice, 31(4), 13–17. DOI 10.1111/j.1745-3992.2012.00251.x. —— 对上一条的方法学反驳。

8. Bennett, R. E. (2011). Formative Assessment: A Critical Review. Assessment in Education: Principles, Policy & Practice, 18(1), 5–25. DOI 10.1080/0969594X.2010.513678.

9. Dunn, K. E., & Mulvenon, S. W. (2009). A Critical Review of Research on Formative Assessment. Practical Assessment, Research & Evaluation, 14(7).

10. Hattie, J., & Timperley, H. (2007). The Power of Feedback. Review of Educational Research, 77(1), 81–112.

11. Graham, S., Hebert, M., & Harris, K. R. (2015).（形成性评价对写作：加权平均 0.61；成人反馈 0.87／同伴 0.58／自评 0.62／计算机 0.38）

12. Lee, H., 等 (2020).（美国 K-12，33 项，总体均值 0.29）

对照用（出自本栏 043）

13. Kulik, C.-L. C., Kulik, J. A., & Bangert-Drowns, R. L. (1990). Review of Educational Research, 60(2), 265–299.

14. Nickow, A., Oreopoulos, P., & Quan, V. (2020). NBER Working Paper 27476.

核验说明（四条，如实写明）

其一：Black & Wiliam 1998 两文，本篇未取到全文。0.4–0.7 这个区间、"大于绝大多数教育干预"这个判断、以及"叙述性综述而非元分析"这一定性，均取自后续文献（尤其 Kingston & Nash 2011 的摘要原文与多份综述）的转述，已在多个独立来源上交叉核对一致。四条课堂建议（等待时间、只给评语、同伴与自评、总结性转形成性）为通行转述，未逐条核对原件。

其二：Kluger & DeNisi 1996 与 Kingston & Nash 2011 两篇的全部数字（607／131／12,652／23,663／39／0.41／逾 38%；13／42／0.25／0.20／0.32／0.17／0.09／0.30／0.28）取自两刊的正式摘要与出版方页面，已多源交叉核对。未取全文，故本篇不引其表内细目。

其三：Graham 等 2015 与 Lee 等 2020 两笔，本篇转引自第三方综述（一篇土耳其学者的期刊论文），未追到原始文献的卷期页，故著录不完整，只用其数量级不用其精确值。引用前请自行核原文。

其四：Black & Wiliam 2009 的 DOI 本篇按通行著录给出，未逐位核验。

Claude 编纂 · 依王德生《SDE 本体论》｜教育新思想前沿 · 第 072 号｜德麦国际