凡是在高校待过的人，都知道评教是怎么回事。学期末，系统里跳出一张表，学生给你从一到五打分，分数汇总成一个小数点后两位的数字，这个数字会进你的档案，有时还会进你的职称材料。于是所有人都心照不宣地学会了一件事：把课上得让人舒服。这不是阴谋，也不需要谁去教，它就是这套装置的自然产物——你用什么量，人就长成什么形状。
我最近有篇论文发在 Perspectives on Medical Education 上，里头有张不起眼的表，正好是这件事的一个反例。我盯着它看了很久，因为它让我有点难堪。
我们做了件不新鲜的事
设计一点都不花哨。一节 110 分钟的课，塞进本来就有的肿瘤学选修课里，不额外占学生时间——这一条很重要，凡是要学生”另外抽时间参加”的教学创新，最后测到的都是积极性，不是设计。
先由一位肿瘤外科医生当众想一个头颈部肿瘤的病例，把推理过程出声讲出来。然后二十一个学生各自做一个虚拟病人的案子，一半人拿到一个病人，另一半拿到另一个，年龄、合并症、临床表现都不一样。做完把两拨人交叉配对，发一组”如果……会怎样”的问题让他们互相盘问：如果这个病人是八十岁的女性呢？如果她有糖尿病史呢？最后两张纸质病例，一张还是头颈部的，看东西能不能挪动一小段距离；一张换成肺癌，看能不能挪一大段。
然后问他们感觉如何，按两位外科肿瘤专家一起定的评分表给答案打分，再拉八个人做访谈。
那张让我难堪的表
整体体验，4.48（满分 5）。专家示范，4.44。多样案例练习，4.35。学生自己觉得”我能迁移了”，4.33。
“如果……会怎样”的讨论：3.76。
全场都是四点几，只有那个逼着他们为一个并不存在的病人跟同学争论的环节掉到了三点几。而且这一项的离散度是全研究最大的。学生不是温和地不喜欢它，他们是彼此之间吵得很开。
然后是访谈。问他们”哪一段让你明白了为什么，而不只是是什么“，八个人一头扎进那个讨论环节就不出来了。有人说，他是在发现自己选的治疗方案套到同伴那个病人身上完全不成立的那一刻，才第一次看清自己当初到底依赖了什么。有人说，那些问题把他逼到必须回答”如果肿瘤长在肺里，这项检查凭什么还有必要”。没有一个人这样评价专家示范——他们给专家示范打了高得多的分，并且形容它”很清楚”。这个形容是准确的。清楚是它的优点，也是它的全部。
成绩这边的走向，和访谈对得上。做那张同为头颈部的近迁移病例，总分没有显著提高；做那张肺癌的远迁移病例，提高了。拆到题目层面，长进落在”肿瘤分期的推理”和”对病人的初始判断”上，没有落在”选哪些检查”和”选哪种治疗”上。一百一十分钟没让这帮学生变成更好的肿瘤科医生——真这么写我自己都不信。它让他们在”必须说出为什么”的那一格上变强了，而且是在一间他们没进过的房间里。
3.76 这个数字到底在测什么
最省事的解释是：学生打的是舒适度。看专家推理很舒服，齿轮一个个咬合上；自己做完一个案子有成就感；而被人拿一个问题把你刚才的答案照得处处偶然，一点都不舒服。这种时候还肯给四分以上，需要一种谁也不欠我们的体育精神。
这个解释我信，但它解释不了离散度。一件整齐地让人不舒服的事，应该得到一个整齐的低分，大家都挤在均值附近。我们拿到的却是分歧——而我们自己写的局限那一节里就有答案：那个讨论是学生自己主持的，两人一组，质量必然参差。有的组真吵起来了，有的组是两个人客客气气地互相同意了二十分钟。这两拨人填的是同一份问卷。
所以 3.76 大概根本没在测那个活动。它测的是那个活动被执行得有多不均匀。这是另一回事，而且是一件能动手修的事。”学生给这一项打了 3.76”，这句话请你把它砍掉；”学生给这一项打了 3.76，离散度全研究最大，而访谈说理解就是从这儿来的”，这句话请你把引导手册重写一遍。同一个数字，两个相反的决定。
我得把话说窄一点
写到这里我必须提醒自己：我是第一作者，由我来论证”我最偏爱的那个环节其实最重要”，这事天然可疑。所以诚实的说法要窄得多。
这个设计是整体的——示范、变式练习、讨论、迁移任务，一串下来，我们没有办法把任何一节单独摘出来说它贡献了多少。二十一个人是小样本。一百一十分钟是短干预。访谈是八个自愿报名的人。这些都不允许我写出”‘如果’讨论导致远迁移”这句话。论文里也没有这句话。
能站住的是关于量具的那个警告：评教测的是一个环节让人感觉如何；它经常被当作在测这个环节管不管用。在我们这组数据上，这两个量指向相反的方向。假如我们只发了那份问卷——而世界上绝大多数的教学评价就只有那份问卷——我们会得出”讨论环节是薄弱环节”的结论，第二年安安静静地把它砍短。
我不是要说评教无用。我是说它是一个测舒适度的仪器，被长期当作测质量的仪器在用，而这两者在最该分开的地方恰好会分开：任何一个真正要求学生动脑子的环节，都会在舒适度上扣分。一套只看分数的制度，会以完美的效率把这些环节一个一个清理干净，全过程没有任何人做错事，每一步都有数据支持。
所以看到低分时，先别急着抡斧子，多问两句：离散度多大？打低分的人自己说发生了什么？有时候答案是这东西确实办砸了。有时候答案是，那是整个下午唯一对他们提出要求的一段。
论文是开放获取的，附录也全放出来了，包括那组”如果”问题和讨论引导手册。谁想照着做一遍都可以，顺手把我们的组织方式改好一点——这不难。
Li, Z., Asoodar, M., Keulers, T., Joosten-ten Brinke, D., & Dolmans, D. (2026). Ensuring Knowledge Transfer: The Critical Role of “What-If” Discussions in Virtual Patient Simulation. Perspectives on Medical Education, 15(1), 633–643. DOI: 10.5334/pme.2363