你大概见过这种场面：两份材料摆在面前，都说自己的方法「研究表明有效」。一份写着效应值 0.8，一份写着 0.1。或者更常见——两份都没写数字，只留下三个字：有效。
「效应值」这个词，在我们的报告里出现过很多次，写着写着就默认大家都懂了。其实它很具体：一句话就能算出来，也可以一句话就读错。而一旦读错，后面全错。
这篇不讲某一项研究，只讲这把尺子怎么用。看完你应该能回答一个问题：别人递给你一个 0.3，你知道它是大还是小。
导图速读
这是什么：两个群体的差距，除以这一群人内部人和人之间本来就有的差距。就这么一句话。
怎么读：把它翻成「随机抽两个人比一比，前者赢的概率」。0.1 是 52.8%（跟抛硬币差不多），0.8 是 71.4%（十次赢七次）。
现实多大：真实教育实验的中位数只有 0.10，四分之一的结果是零或负。所以 0.2 在教育里已经算大。
和「显著」的关系：p 值管「像不像巧合」，效应值管「有多大」。显著不等于重要。
本文目录
一、先做一道身高题
两个班，A 班平均身高 165 厘米，B 班 164 厘米。差 1 厘米。
这 1 厘米算大吗？
这要看班里高矮散得多开。
如果 A 班的人都差不多高，挤在 163 到 167 之间，B 班也挤在 162 到 166 之间，那这 1 厘米就是一条清清楚楚的分界。随便从两个班各抽一个人出来比，A 班那个大概率更高。
可如果两个班都从 150 长到 190 都有，高矮散得很开，那这 1 厘米谁也看不出来。你从 A 班抽一个矮的、从 B 班抽一个高的，B 班那个照样比 A 班这个人高。
同样差 1 厘米，一个比得出输赢，一个比不出输赢。差别不在那 1 厘米，在这两个班的人本来散得多开。
「散得多开」是可以量出来的，而且量法很朴素。A 班大多挤在 163 到 167，随便抓一个孩子，他离班平均大概就差一两厘米；换成从 150 到 190 都有的班，随便抓一个，离平均要差十几厘米。
这个「平均而言，一个人离平均有多远」的数，就叫标准差。
名字听着像统计课本里的东西，其实就是这么一件事——它是「散得多开」的刻度。数值小，说明大家都差不多；数值大，说明人跟人差得远。你不用会算它，只要记住它量的是什么。
再说一遍它是谁的：它是这个班的属性，不是哪个孩子的分数。 班里换一批人，这个数就跟着变。
这就是效应值的全部想法，一句话：
群体间的差距 ÷ 群体内人和人之间本来就有的差距
1 厘米是绝对差距。分母上那个「人和人本来差多少」，用标准差来表示——也就是这个班的人平均离平均有多远。除完之后，得到的是一个比例：这个差，相当于人群本身差异的多少。
身高只是个比方，因为它人人有体感。研究里最常算的，是分数。
二、换成分数：同样的 5 分，能算出两个结果
两个班上同一份卷子考数学。A 班平均 78 分，B 班平均 73 分，差 5 分。卷面从 50 到 100 都有人，班里分数散得开，平均每个人离班平均 15 分——这就是刚才说的标准差，15 分。
先看清这 5 分是谁的。它不是哪个学生的分数，是两个班各自平均之后的差——A 班这一群人，比 B 班这一群人，整体高 5 分。
15 分也不是谁的分数，它是这个班自己散开的程度。
两个数，一个是一群人对一群人的差，一个是这一群内部人和人的差。都不是某个具体孩子的成绩。所以：
5 ÷ 15 ≈ 0.33
换一份卷子。题目简单些，分数挤在一起，班里学生彼此只差 10 分左右，标准差 10 分。同样是两个班的平均分差 5 分：
5 ÷ 10 ＝ 0.50
同一件事——「A 班平均比 B 班高 5 分」——在两份卷子上，一个读 0.33，一个读 0.50。
0.33 这个数，也不是「某个学生进步了 0.33」。 它说的是两群人之间的差别，由全班的平均分和全班的松散程度算出来。同一个班里，有人提高得多、有人没动、有人还退了两名——这些都被平均掉了。想知道某一个小明到底怎么样，这个数回答不了。
所以「提高了 5 分」这句话，单独看没有意义。5 分算多算少，取决于大家本来差多少。 一个班里如果所有人分数都在 76 到 80 之间，5 分是天壤之别；如果从 50 到 100 都有，5 分淹没在噪声里，只抽一两个人来比，结论很可能正好反过来。
除完之后，单位也没了。0.33 不是 33 分，也不是 33%。它只是一个比例。
标准差本身也不是分数。这里说「15 分」，不是「离及格线还差 15 分」那个意思——60 分说的是卷面的高度，标准差 15 分说的是这个班里的人彼此拉开多远。两个「分」不是一回事，只是碰巧都有个单位。
正因为没有单位，数学卷的 0.33、阅读卷的 0.33、注意力测验的 0.33，才能放到同一张桌上比。这是这个工具唯一的用处，也是它全部的野心。
一个必须马上说清的误会
0.5 不是「提升了 50%。」
它说的是：两群人的分布，被拉开了半个「人与人之间的常见差距」。
半个身位。听起来不大，但它在教育研究里，已经是个相当拿得出手的数。这个下面会讲。
三、把它翻成一件事：抽两个人来比
0.33、0.5、0.8 还是不够有体感。有个特别好用的翻法：
从两组里各随机抽一个人，比一比，受过干预那个更好的概率是多少。
这张表比任何定义都好用。
看到 0.8，脑子里应该是「十次里赢七次」，不是「效果 80%」。
看到 0.1，脑子里应该是「跟抛硬币差不多」，不是「有一点点用」。
它也顺手把那个最常见的错清掉了：一个 0.5 的干预，抽两个人比，是 64% 对 36%。三个孩子里，仍有一个可能什么都没得到。 一个 0.8 的干预，也不过是十次赢七次。
这不是打击。是让你把期待对准。
四、报告里那个「显著」，是另一件事
研究报告里经常成对出现两个词：「差异显著（p < 0.05）」和「效应值 0.x」。很多人把它们当成一回事，其实它们回答的是两个不同的问题。
「显著」回答的是：这个差别像不像运气。 比较两组人，本来就有起伏——这次高 5 分，可能只是碰巧。p 值管的就是这件事：它说「这么大的差别，碰出来的可能性很小」。
效应值回答的是：就算不是巧合，这个差别到底有多大。
两件事不互相保证。样本够大的时候，哪怕只差 0.5 分——学生自己都感觉不出来——统计上也能「显著」；样本很小的时候，效果再好也可能「不显著」。所以有一句话值得记下来：
显著不等于重要；不显著不等于没效果。
一句话记住分工：p 值管「像不像巧合」，效应值管「这事有多大」。 就像体检报告，「有异常」说的是不像偶然，异常到什么程度是另一栏。一份材料只告诉你「显著」、不给你效应值，相当于体检只写「有异常」、不写严重程度——你其实什么都还不知道。
顺带一提：效应值不止一种。教育研究里常用的这种叫 Cohen's d；研究「两个因素相关不相关」用的是相关系数 r；医学里比较「谁更容易得病」用的是风险比。名字不同，干的都是同一件事：把「差多少」换成能一起比较的数。
五、现实里的效应值，比你想象的小
这里有个反差，很值得知道。
几十年来，大家用的是同一套老刻度：0.2 算小，0.5 算中，0.8 算大。
这套刻度是统计学家 Jacob Cohen 在上世纪六十年代给出的。来源是一批社会心理学的实验室实验——被试大多是大学生，操纵强，条件干净，跟你孩子坐在教室里遇到的事，离得有点远。
真实的学校里不是实验室。
2020 年，布朗大学的教育政策研究者 Matthew Kraft 做了一件很直接的事：把 747 项教育实验、1,942 个效应值收起来，只看「标准化考试成绩」这一个结果，然后画出分布。
中位数是 0.10。
还有一句更值得记住：四分之一的研究，效应值是零或者是负的。 也就是说，真实世界里，多数教育干预的效果很薄，相当一部分干脆没效果，还有一小部分更差。而期刊更愿意发表「有效」的结果，所以真实情况只会比这个数更难看。
拿这个分布当底，同一个 0.2 就有两种读法：
在老刻度上，它是「小」，是「基本可以忽略」；
在教育干预的真实分布里，它是「大」，是这个领域里最好那一档。
不是谁在撒谎。是参照系不同——一把尺比的是实验室里的强操纵，一把尺比的是真实学校里做成过的事。
你判断一个课程、一个方法、一份报告，应该用后一把。
给 0.1 一个能摸得着的锚
0.09 有多大？听着小得可怜。
Kraft 给了一个换算：0.09 个标准差，大约等于「一位普通老师」和「一位比四分之三同行都好的老师」之间的差距（准确说，是第 73 百分位）。
换句话说：一项效应值 0.09 的干预，大致相当于把一个孩子从普通老师手里，交到这样一位老师手上。
这个数不大。但「换一位好老师」这件事，在家长心里值多少，你自己有数。
这就是为什么 0.10 不能叫「没用」。 它只是小。在所有真实做成的教育干预里，它是中位数——一半比它大，一半比它小。
六、四个最常见的读错
到这一步，尺子已经摊开了。下面是它最容易被用错的地方。这四条不是学术洁癖，每一条都对应一种你真的会遇到的句式。
一、把效应值当百分比
句式：「效果量 0.5，意味着提升了 50%。」
0.5 不是百分比，它没有单位。真翻成概率是 64%，不是 50%。而「提升 50%」听起来比 64% 更唬人——这就是为什么这种说法总出现在宣传里，不出现在论文里。
二、拿两个不同研究的数直接比
句式：「A 课程 0.8，B 课程 0.3，所以 A 更好。」
只有测量方式、孩子情况、对照条件、实施质量都一样，两个数才能比。换一样就不成立：用家长问卷测出来的数，通常比用实际行为观测出来的大一截；对照组是「什么都不做」时算出来的数，比对照组是「另一种有效做法」时大得多。
数字相同，含义可以完全不同。
三、几十个孩子做出 1.2
句式：「我们做了 30 个孩子，效果量 1.2。」
这不是造假，是一个很稳的统计现象：样本越小，效应值越容易被放大。
原因有两个。一是抽样波动大，恰好抽到一批效果好的孩子，数字就上去了。二是发表偏倚，小样本研究只有结果好看，才容易被发出来、被引用、被做成宣传页。
所以看到一个漂亮的数字，先问：几个班？几所学校？几十人的研究给出 1.0 以上，先别激动。
四、把相关说成因果
句式：「上过这个课的孩子 0.6，说明这个课有效。」
相关研究里算出来的差距，混着「谁选择了这个课」这一层。愿意花时间上这个课的家庭，本身可能就在别的地方投入更多。
只有随机分组——谁上谁不上由抽签决定——算出来的数，才能干净地说「是这个造成的」。
这一条最要紧，因为它是唯一一条你看数字看不出来的。数字一样是 0.6，一个来自抽签分组，一个来自自愿报名，分量差得远。
七、看到一个数字，问三句
尺子会用了，接下来是：拿到一个数，怎么落地。
三句话。
第一句：跟谁比？
有对照组吗？对照组是「什么都不做」，还是「照常上课」，还是「另一种有效做法」？
对照组越弱，数越好看。一份宣传页如果只说「我们学员进步明显」，不说比什么，这个数字就没有分量。
第二句：测什么？
测的是家长填的问卷，还是孩子的实际行为，还是标准化测验？
同一个干预，用自评问卷测出来的效果，通常比用行为观测测出来的大一截。这不一定是造假，是测量工具本身的性质——问卷问的是感受，行为记录的是发生。
第三句：多少人？
几十人还是几千人？一个班还是几十所学校？参加的人是自己报名的，还是被随机分组的？
前两个决定这个数稳不稳，后一个决定它是不是因果。
三句问完，你大概能判断这个数字能承担多大的结论。
如果三句都问不出来——没有对照组、没说测什么、不说多少人——那「研究证明有效」就只是一句话。 它不假，只是什么都没说。
反过来说也成立：一个 0.09、几千人、随机分组、测标准化成绩的结果，比一个 0.8、三十人、家长问卷、没有对照组的结果，可信得多，也可用得多。数字小的那个，往往是更靠得住的那个。
八、它读不出来的三件事
最后说清这个工具管不到的地方。
第一，它是群体平均，不是对你家孩子的承诺。
0.10 里面，有人受益很多，有人一动不动，有人还更差一点。平均值把这些全抹平了。一个孩子在某个干预里没得到好处，不能反过来说这个干预没用；反过来，一个干预平均有效，也不保证你的孩子就是受益的那一个。
第二，它依赖测量。
换一份卷子、换一个量表、换一个观察的人，同一个干预的数就会变。这不是研究不严谨，是任何测量都有的边界。所以「0.5 就是 0.5」这句话也不成立——它是「在某一次测量下的 0.5」。
第三，它不告诉你成本。
一个 0.2 的干预，如果每个孩子每年要花三万块、还要占掉每天两小时，它未必比一个 0.09 的、几乎零成本、全校都能做的干预更划算。
效应值只回答「多大」，不回答「值不值」。 判断值不值，还得看代价、看能不能推广、看这件事对谁有效。
回到开头那两份材料。
一份 0.8，一份 0.1。现在你大概不会直接选 0.8 了。你会先问：跟谁比的，测的什么，多少人。然后你会想：0.1 那个，如果能全校覆盖、几乎不花钱，它可能才是更值得做的那个。
一个概念被用得多，它就更需要被用准。
说明：文中「747 项实验、中位 0.10、四分之一为零或负」这组数字，来自 Kraft 2020 年发表在《Educational Researcher》上的汇总分析；0.2 / 0.5 / 0.8 的老刻度出自 Cohen 1988 年的《统计功效分析》；概率换算按正态分布的标准做法得出。其余为通用统计学常识。这些数字不是我们自己做的研究，也不构成对任何具体课程、产品或疗法的效果判断。
相关阅读
环境变了，人没变：一份写给现代人的「环境错配」说明书
不是反应太大，是关不掉：为什么有些压力过去很久，身体还在响
