当“能力”也变成考试指标：如何避免教育再次被指标异化
——回复法海收费，也是历史教育理论的一次补充
我之前写过一篇文章：
《历史教育应该怎么改？——别把孩子当硬盘，把历史课的这笔账算清楚》
文章的核心观点，是历史教育不应该把大量时间用于单纯记忆历史事实，而应该逐渐从：
事实 → 原因 → 机制 → 反事实 → 未来选择
也就是说，历史教育真正应该培养的，不只是“知道发生过什么”，而是：
面对历史资料，能够理解为什么发生、比较不同解释、判断证据可靠性，并形成自己的判断。
这篇文章发布以后，看到“法海收费”的一段回复，我觉得非常值得继续讨论。
他说到了一个很重要的问题：
古德哈特定律。
当一个指标成为目标以后，人们就会开始针对指标进行优化。
于是，本来想测量“能力”，最后可能测量的却是：
谁更会研究考试。
这实际上击中了教育改革中一个非常隐蔽的问题：
我们不能只是把旧指标换成新指标，然后宣布教育改革完成。
因为新指标同样可能被异化。
一、如果不考记忆，难道就考“因果分析模板”吗？
这是一个非常现实的问题。
假设我们认为：
死记硬背不好。
于是考试改革：
不再考历史年份，而是考历史原因。
学生马上就会研究：
历史原因题怎么答？
然后总结出模板：
政治原因、经济原因、社会原因、思想原因……
如果这样还能拿高分，那么学生真正学会的不是历史思维，而是：
如何在考试中表现得像一个会历史思维的人。
于是教育再次陷入循环：
背事实
↓
背结论
↓
背二级结论
↓
背答题模板
↓
背“因果分析方法”
↓
研究评分标准
最后，教育者越来越聪明，学生也越来越聪明。
但大家的聪明，都用来解决同一个问题：
怎样最大化考试分数？
这就是古德哈特定律真正可怕的地方。
它并不是说：
指标没有意义。
而是说：
一旦指标直接成为目标，指标与原目标之间的关系就可能被破坏。
二、所以真正的改革不是“换一把尺子”，而是改变考试任务
这让我重新思考上一篇文章提出的：
“历史应该考什么？”
如果只是把：
记忆能力
换成：
因果分析能力
还不够。
因为“因果分析能力”也可能被做成考试模板。
真正应该改变的是：
考试所要求学生完成的任务。
比如，历史考试可以给学生一个完整的“历史研究包”。
里面包括：
- 原始史料；
- 不同历史人物的记录；
- 不同学者的解释；
- 时间线；
- 地图；
- 人口、经济、军事等数据；
- 相互矛盾的证据；
- 不同角度的历史观点。
学生可以在规定资料范围内查询。
不要求他提前把这些资料全部背下来。
然后提出一个问题：
为什么这件事情会发生？
这时候，学生面对的就不再是：
“你记不记得标准答案？”
而是：
“面对一组不完全一致的证据，你能不能构建一个解释？”
这是完全不同的能力。
三、允许查资料，并不会降低考试难度
很多人可能第一反应是：
如果考试可以查资料，那还考什么？
其实恰恰相反。
现实中的历史研究，本来就不是靠一个人把所有资料背在脑子里。
真正重要的是：
找资料
→ 判断资料
→ 比较资料
→ 建立解释
→ 检验解释
→ 修正解释
如果考试允许查询，那么记忆的价值下降了，但理解和判断的价值反而上升了。
因为资料就摆在那里。
问题变成：
你会不会用？
这和现实世界非常接近。
一个医生不需要把医学数据库里的所有论文背下来。
一个工程师也不需要把所有技术参数背下来。
一个历史研究者更不可能把所有史料背下来。
真正重要的是：
当问题出现时，你能不能找到需要的信息，并判断它能不能支持你的结论。
所以：
查询能力不是学习的对立面。
在信息极度丰富的时代，它本身就是学习能力的一部分。
四、历史考试甚至可以给学生多个互相竞争的解释
例如考试给出四种解释：
解释A：经济原因是主要因素。
解释B：政治制度是主要因素。
解释C：思想变化是主要因素。
解释D：外部环境是主要因素。
不要问：
“正确答案是哪一个？”
而是问：
请根据资料，对四种解释进行大致排序。
然后要求学生回答：
为什么A比B更可靠？
哪些证据支持A？
哪些证据削弱A？
A能解释哪些现象？
A解释不了哪些现象？
这时候，学生学到的已经不是：
“正确答案是A。”
而是：
“一个解释为什么比另一个解释更可信？”
这是科学思维、历史思维乃至日常决策都需要的能力。
五、甚至可以允许学生提出自己的因果链
比如一个学生认为：
A → B → C → D
那么老师不应该首先问：
“你的答案是不是教材上的标准答案？”
而应该问：
A为什么导致B？
B为什么导致C？
C为什么导致D？
每一步有什么证据？
有没有其他因素也能解释这个结果？
有没有反例？
如果没有A，B是否仍然可能发生？
这就把我们上一篇文章中的：
事实 → 原因 → 机制 → 反事实
真正落实成了一个考试过程。
而且学生完全可能得到一个与教材重点不同的解释。
只要：
证据充分；
因果链通畅；
逻辑自洽；
能够解释更多事实；
能够回应反例；
那么它就应该获得合理的评价。
这比判断：
“你有没有背到标准答案”
高级得多。
六、最有意思的考试题：攻击你自己的解释
我甚至认为，这可以成为历史考试中非常重要的一类题。
学生提出：
“A导致了B。”
下一道题直接问：
请攻击你刚才提出的解释。
也就是说：
什么证据出现以后，你会承认自己的解释可能是错的？
要求学生寻找：
- 反例；
- 第三变量；
- 相反证据；
- 时间顺序问题；
- 替代解释；
- 因果链中的薄弱环节。
这时候，考试真正测量的就不是：
“你能不能证明自己正确？”
而是：
“你有没有能力发现自己可能错误？”
这其实是更高级的能力。
因为真正的科学研究，从来不是：
我要找到所有证明我正确的证据。
而是：
我要知道什么证据能够推翻我的模型。
七、真正的因果思维，不是相信因果，而是不断检验自己的因果
这里还有一个更深的问题。
我们通常会说：
人天生具有因果思维。
但严格说，这句话也需要修正。
人天然会寻找：
“为什么？”
儿童很早就会问：
“为什么下雨？”
“为什么妈妈生气？”
“为什么我做了这个以后，那个就发生了？”
所以：
寻找因果关系是人的自然倾向。
但是：
人并不天然知道什么是真正的因果关系。
我们看到的首先只是：
A发生了。
B也发生了。
或者：
A之后发生了B。
至于：
A到底是不是B的原因？
这需要进一步建立模型、寻找证据、排除其他解释。
所以教育真正要做的，不是到了大学才告诉学生：
“世界上存在因果关系。”
而是从小学开始逐渐提高：
因果模型的精度。
小学可以问：
如果没有A，会不会还有B？
初中可以问：
是A直接导致B，还是A通过C导致B？
高中可以讨论：
A和B同时变化，是因果还是相关？
更高阶段可以进一步讨论：
如果改变A，B会发生多大变化？
也就是反事实和因果贡献。
因此：
教育的任务不是教会因果，而是不断提高因果推理的精度。
八、历史考试还可以直接考“分析一个最新事件”
这可能是最难被模板化的一种考试。
例如：
给学生一篇当天或者近期的新闻，以及一组相关数据。
然后问：
这个事件为什么发生？
学生可以查询规定范围内的资料。
然后：
提出至少两个可能解释。
再：
判断哪一个解释目前证据更充分。
再：
指出你的解释最薄弱的地方。
最后：
如果未来出现什么证据，你会改变自己的判断？
这时候，学生面对的是一个：
没有教材标准答案的问题。
而这恰恰是现实世界最常见的问题。
因为现实世界根本不会告诉你：
“本题考查第三章第二节。”
九、考试可以从“一次定终身”变成“多次观察”
还有一个问题：
为什么一个人的能力一定要通过一次考试决定？
一次考试存在巨大的偶然性。
学生当天的状态、题目的类型、是否恰好熟悉这个领域，都可能影响结果。
如果我们真正想测量的是：
历史分析能力
那么完全可以设计多个不同任务：
历史事件解释
史料比较
因果链构建
反事实分析
观点攻击
新闻分析
陌生问题迁移
形成：
$$ S_1,S_2,S_3,\ldots,S_n $$
然后采用中位数等稳健统计方法进行综合评价：
$$ S=\operatorname{median}(S_1,S_2,\ldots,S_n) $$
这样，一次发挥失常不会决定一个学生的命运。
更重要的是：
学生也没有必要把一次考试当成生死战。
这会从根本上降低应试教育的博弈强度。
十、而且“评分老师”也必须接受评价
这里才真正进入我自己的理论框架。
假设学生写了一条因果链：
A → B → C → D
老师给了70分。
学生可以问：
为什么只有70分？
老师必须回答：
A→B的证据不足。
B→C存在因果跳跃。
C→D缺少反事实支持。
这时候，老师的评分本身就必须是：
可解释的。
甚至可以让不同评价者对同一答案进行匿名评价。
如果不同老师给出的分数分别是：
95、70、55、90、60
那么我们就应该反过来问：
到底是学生的问题，还是评分尺子的问题？
这就是我一直强调的一个元原则：
测量者必须被测量。
不能只有学生接受评价。
老师需要接受评价。
课程需要接受评价。
考试制度也需要接受评价。
甚至：
评分标准本身也需要接受评价。
十一、这也是解决古德哈特定律的另一条路
我们不可能设计出一个：
永远不会被钻空子的考试。
因为只要考试存在，学生就会适应考试。
所以真正成熟的制度不应该幻想：
找到一把完美的尺子。
而应该建立：
尺子不断被检查、比较和更新的机制。
今天发现：
学生开始背因果模板。
那么明年就增加陌生材料。
后来发现：
学生开始背“如何反驳”。
那么就要求学生面对实时变化的新资料。
又发现：
学生开始研究评分规律。
那么就增加多评价者、多任务、随机资料和迁移任务。
于是教育制度不再是：
我找到一个标准，你们所有人永远按照这个标准竞争。
而变成：
我们不断检查这个标准是不是还在测量我们真正想培养的能力。
这才是真正意义上的“反古德哈特设计”。
十二、这和“六把尺子”其实是同一个问题
六把尺子理论一直强调：
尺子不是世界本身。
一个指标只是我们观察世界的一种方式。
因此：
分数 ≠ 能力
工资 ≠ 贡献
价格 ≠ 价值
成绩 ≠ 学习
排名 ≠ 人的价值
一旦把“尺子”当成了“被测量对象本身”，异化就开始发生。
教育也是一样。
本来：
分数是为了帮助我们了解学习。
后来变成：
学习是为了获得分数。
这就是目标倒置。
更进一步：
本来是为了培养因果思维而设计考试。
后来：
学生为了分数而训练“因果思维的考试表现”。
这同样是目标倒置。
所以：
$$ \boxed{\text{指标是目标的代理，而不是目标本身}} $$
而一旦代理成为目标：
$$ \boxed{\text{优化代理，就可能破坏代理与目标之间的关系}} $$
十三、所以历史教育真正需要保护的，不只是“问为什么”
我越来越觉得：
“保护孩子问为什么”还只是第一步。
更重要的是保护孩子：
自己提出为什么。
再进一步：
自己寻找证据。
再进一步：
自己建立解释。
再进一步：
自己寻找解释的漏洞。
最后：
当新的证据出现时，敢于修改自己的解释。
这才是一条完整的认知能力链：
$$ \boxed{ 为什么 \rightarrow 寻找证据 \rightarrow 提出解释 \rightarrow 建立因果链 \rightarrow 反事实检验 \rightarrow 攻击自己的解释 \rightarrow 根据新证据修正 } $$
如果一个学生毕业以后还能够这样思考，那么即使他忘掉了某个历史年份，他也没有真正失去历史教育。
因为：
历史已经从他的记忆，变成了他的思维工具。
十四、“历史像逛街一样学习”并不意味着没有结构
法海收费说：
“让一个学生像逛街一样，自由地在历史长河中探索未知，去问为什么、去构建历史的因果关系一定是最好的。”
我基本赞同。
但我想再补充一句：
真正的自由探索，并不是把学生扔进一片信息海洋。
而是给他足够好的工具。
时间线、地图、史料、数据、不同观点、人物关系、制度变化……
这些东西就像一座巨大的历史实验室。
老师的角色，也就不再只是：
告诉学生答案。
而更像：
帮助学生学会使用实验室。
学生可以自己提出问题。
自己搜索。
自己比较。
自己构建解释。
自己攻击解释。
自己修改解释。
这才是真正的历史教育。
十五、这也重新回答了“为什么很多人说历史要到大学才能真正学”
我认为，这句话其实包含了两个不同问题。
如果说的是：
复杂历史研究需要较高的知识储备、抽象能力和专业训练。
当然有道理。
但是如果说：
儿童不能进行因果思考，只能到了大学才开始问为什么。
我并不赞同。
一个小学生就可以问：
为什么这个人这么做？
一个初中生可以问：
如果当时不这么做，会怎么样？
一个高中生可以问：
有没有其他因素？
到了大学，可以进一步讨论：
如何建立更严谨的反事实模型？
所以不是：
小学没有因果思维 → 大学才有。
而应该是：
同一种因果能力，在不同年龄阶段不断提高精度。
教育不是等待孩子“长到足够大以后才开始思考”。
而应该：
从他已经能够思考的地方开始，不断提高思考的质量。
十六、历史教育最终应该从“知识考试”走向“认知实践”
如果把这套思路再向前推进一步，我认为历史课可以逐渐变成一种非常有趣的实践活动：
给学生一个历史问题。
给他资料。
给他不同观点。
让他查询。
让他提出解释。
让他建立因果链。
让他寻找反例。
让他攻击自己的解释。
让其他同学质疑。
再根据新的证据修改。
最后评价：
你的解释为什么比刚开始更加可靠？
这时候，历史课实际上已经变成了一种：
以历史知识为材料的认知实践。
知识仍然重要。
但知识不再是终点。
知识成为：
进行推理、验证、比较和选择的材料。
十七、这也是教育面对AI以后更重要的方向
过去：
人知道，AI不知道。
所以考试强调：
你记住了多少。
现在：
AI可以迅速找到大量信息。
那么教育如果还主要考：
谁记得更多？
其实是在和机器竞争记忆。
真正应该提高的，是：
谁能提出更好的问题？
谁能判断资料是否可靠？
谁能发现两个解释之间的差异？
谁能找到自己的模型漏洞？
谁能在证据变化以后改变观点？
这些能力，才是真正能够与信息检索区分开的人的能力。
十八、所以我想对“法海收费”的回复，最后落在这里
你提醒我的古德哈特问题非常重要。
教育改革最大的风险之一，确实不是：
我们没有找到新的评价方法。
而是：
我们找到新的评价方法以后，又把它变成了新的应试目标。
所以我现在更愿意把上一篇文章的观点进一步修正成：
历史教育不是从“背历史”变成“背因果分析”。
而应该是：
从记忆已经完成的答案，转向参与一次又一次小型的历史研究。
考试也不应该问：
“你记住了什么？”
甚至不应该只问：
“你会不会因果分析？”
而应该把学生放进一个相对真实的认知环境：
给你资料。
给你不同解释。
允许你查询。
允许你提出自己的解释。
要求你说明证据。
要求你比较解释。
要求你攻击自己的解释。
允许你根据新证据修改答案。
通过多次不同任务观察你的稳定能力。
这样，我们测量的就不再是：
“学生是否掌握了考试套路。”
而更接近：
“这个人面对未知问题时，能不能建立一个暂时可靠、并且愿意被证据修正的世界模型？”
这可能才是历史教育真正应该培养的能力。
最后，再回到“六把尺子”的元原则
六把尺子并不是要求我们找到六个更好的分数。
恰恰相反，它提醒我们：
任何尺子都有可能异化。
因此，一个成熟的制度必须同时观察：
被测量的人；
测量的方法；
测量方法改变以后人的行为；
以及人的行为改变以后，测量方法是否还具有原来的意义。
所以：
$$ \boxed{ 目标 \rightarrow 指标 \rightarrow 行为 \rightarrow 反馈 \rightarrow 重新检验指标 } $$
这才是一个能够自我纠错的评价系统。
而这与“测量者必须被测量”其实是一回事：
如果我们要求学生不断检验自己的因果模型，那么教育制度也必须不断检验自己的评价模型。
教育真正需要防止的，不只是学生不会思考。
还包括：
我们为了测量“思考”，最后却把思考本身变成了一套新的标准答案。
真正好的教育，不是找到一把永远正确的尺子。
而是建立一个：
尺子可以被质疑、被检验、被修正，而人的探索能力不会因此被牺牲的系统。
这也许才是我们真正需要的：
$$ \boxed{\text{不是更聪明的考试，而是更会自我纠错的教育。}} $$