给问题打分：评题量规
好问题不靠感觉，靠一把公开的尺子——拿量规给问题打分、改到高分。
学习证据 学完后，怎么核对？
把学习结果留在一个可以回看、可以复做的动作里；这一区只写学生能自己检查的证据。
如何核对
- 论证拆解或量规评分
- 来源核验记录
适用边界
论证与证据框架是检查工具；不能替代学科方法、原始材料或专业审查。
最后复核
这是内容复核日期，不是学习截止日期。
讲
例子两位老师，谁的打分更可信
同一个学生问题，两位老师评：甲说「嗯，这问题挺好的，很有深度」；乙说「它在功能轴是 3 级（在探作者假设），但真实性只有 1 级（其实指向确定答案），接续 2 级」。换个人再评一次，谁的结果更可能一致？
乙。「挺好的」是印象分——换个老师、换个心情，结论就飘。
名词乙手里那把尺叫量规：把评价拆到四条轴、每轴对照可查的级别。不同的人用同一把尺子能得到接近的结果，这叫评分者信度——量规的全部价值就在这：把「好」从一个人的品味，变成一群人可复现的判定。
定义量规＝四轴 0–3 ＋ 三件制度
尺子本体就是上一子模块装好的四轴判据表（功能／深度／真实性／接续，各 0–3）。让尺子不走样的，是三件制度：
| 制度 | 怎么做 |
|---|---|
| 判例式定档 | 不背定义，援引锚点例句——「为什么是这档、不是上一档」必须说得出口，像法官援引判例 |
| 双盲校准 | 两人独立评同一批问题 → 算一致率 → 分歧处就是描述模糊处 → 改写量规 → v2（量规信度的通用做法，见 Jonsson & Svingby 2007 的综述） |
| 起点预期 | 心理学家 Kuhn 访谈过大量普通人（《The Skills of Argument》1991）：多数人——包括成人——分不清「我主张什么」和「我有什么证据」，也想不出像样的反方理由。所以 0–1 级扎堆是常态起点不是失败；这类技能不会自然长出来，但可教可练（《Education for Thinking》2005）——盯升档幅度，不盯绝对分 |
泛化量规的两个下游
给自己：有了尺子，「练提问」才有练的对象——本主题最后一课会用它做整套复盘工作流。给 AI：把量规原文发给 AI，让它当教练：「用这套四轴量规评我接下来的每个问题，指出最低的轴，并示范怎么拉高一档。」这类指令，只有先有量规才写得出来——尺子在，AI 才能从答题机器变成陪练。
例
补充三例——两个常见用法，一个易错。
小雨和朵朵拿同一批问题做双盲互评，其中一问是：「如果把《红楼梦》后四十回换成别人续写的另一版，主题会变吗？」两人独立打分后对表：
- 功能轴：都给 3（探假设与蕴含）——一致。
- 深度轴：都给 3（要综合全书多线索评判）——一致。
- 真实性轴：小雨给 3，朵朵给 1——分歧。
吵了两分钟发现：小雨按「答案空间」判（无预设答案，值得重新论证＝3）；朵朵按「利害」判（「这答案又不改变你做什么」＝1）。分歧不是谁错了，是量规上「真实性＝答案空间×利害」这行描述太模糊——两个分量没说清怎么合。她们改写成「两个分量分别打分、取平均」，记为 v2。下一批问题的一致率立刻上去了。
这就是双盲校准的完整一轮：分歧是尺子送来的维修单，不是争吵的理由。顺便注意她们的自评起点：第一批 10 个问题里 7 个停在 0–1 级——完全正常，两周后再评，升档的幅度才是要盯的数。
小舟把四轴量规原文发给 AI：「用它评我接下来的每个问题，指出最低的轴，并示范怎么拉高一档。」他随口问「氧化还原反应的重点是什么」，AI 按量规回话：「功能轴 0 档——索取已知信息。示范拉高：课本说氧化是失电子——那干电池的两极，哪边在发生氧化？我该拿什么证据判断？（功能升到探证据，深度进单线推理。）」同一把尺，评完自己还能调教 AI——没有量规，这条陪练指令根本写不出来。
小组互评时阿凯手速最快：「感觉挺深」就给 3，「一般般」就给 1——对表时他和谁都对不上；追问「为什么是 3 不是 2」，他答不出。错在哪：量规的可复现性全靠判例式定档——每个分数都要援引锚点例句、说得出「为什么不是上一档」。跳过援引直接给数，只是给印象分穿上了数字的马甲。修法很朴素：先指锚点，再落档位——慢一点的分，才是能对表的分。
做
第一次用量规自评，你 10 个问题里 7 个落在 0–1 级。这说明什么？
- 从你的 AI 对话记录里挑 5 个自己问过的问题，抄成一张清单。
- 找一个同学（或家人），两人独立用四轴量规给这 5 问打分——不许商量。
- 对表算一致率：20 格里对上几格？分歧最大的那格，说出各自援引的锚点。
- 把分歧处的量规描述改写一句，记为你们的 v2。（找不到搭档？自己评完隔两天再盲评一次，和自己对表。）
怎么算过关：有一致率数字；至少找到一处分歧并说清「分歧出在量规哪句描述」；v2 改写落在纸面上。
卡
让量规不走样的三件制度是什么？
判例式定档（援引锚点，说得出为什么不是上一档）、双盲校准（独立评→算一致率→分歧处改写）、起点预期（0–1 扎堆是常态，盯升档不盯绝对分）。
- 「挺好的」是印象分；带锚点的四轴分，换个人评也接近——这叫评分者信度。
- 分歧是尺子送来的维修单：改写模糊描述，量规就升级一版。
- 把量规喂给 AI，它就能按轴推你——尺子在，陪练才成立。