常模参照与标准参照评价：AGI与ASI在教育测量中的术语辨析

常模参照与标准参照的根本区别不在"测验长什么样"，而在"分数和谁比"——常模参照比的是常模团体中的相对位置（报告为百分等级、标准分），标准参照比的是预先设定的学习标准（报告为合格率、熟练等级或达标/未达标）。AGI/ASI 时代需要警惕的不是技术能不能算得更准，而是算法不能把"何为好"的定义权从人手里拿走。

常模参照评价（Norm-Referenced）：以个体成绩与同一团体的平均成绩或常模相互比较，确定其成绩的适当等级。本质是相对评价，关注个体在团体中的相对位置和名次。大型标准化考试、升学考试、竞赛性考试、SAT/ACT、多数智商测验都属于此类。

标准参照评价（Criterion-Referenced）：以具体体现教学目标的标准作业为依据，确定学生是否达到标准以及达标的程度。本质是绝对评价，关注"学生掌握了什么、能做什么"，而不是比较个体差异。教师自编测验、学业水平考试、驾照考试、单元结业考、职业资格认证都属于此类。

二者在四个维度上根本不同：

生成式 AI 与未来 ASI 对教育测量的冲击，恰恰发生在这对术语的"解释权"上：

对常模参照的冲击：AGI 可以秒级处理大规模数据，动态更新常模群体、实时计算学生在全国/全球样本中的相对位置。但风险也在这里——LibreTexts 2025 指出常模参照的本质目的是"placements, selections, and identifying areas of need"，当 AI 可以更"高效"地实施统一排名、更精准地施加标签管理时，评价标准就会被技术逻辑窄化，"何为好"的定义权可能从人让渡给技术模型。福建 2026 年文章把这个风险讲得很透：当系统被大规模应用，其内置的评价标准便开始反过来规训教育实践，教师为了系统认可的指标而教学，学生为了算法认可的表现而学习，"可测量者被等同于重要者，不可测量者则在教育评价的视野中被悄然遮蔽"。

对标准参照的冲击：AGI 可以基于课程标准批量生成达标判定、自动校准 cutoff、动态更新熟练等级。但 cutoff score 的设定从来不是统计问题，而是专业判断问题——IJATE 2026 明确："cut scores 由教育者与内容专家组成的委员会通过标准设定流程确定，反映的是对'可接受表现'的专业判断，而非学生实际表现"[citation:1 隐含，见 8]。这意味着即使 AGI 能算出最优 cutoff，这个 cutoff 仍必须由人类教育测量专家基于文化传承与社会共识来定——这正是福建 2026 文章强调的"评价标准的制定权牢牢掌握在人手中"。

常模参照的核心是常模团体——它必须是"具备某种共同特征的人所组成群体的代表性样本"，其界定涉及性别、年龄、职业、教育水平、社会经济地位、种族等变量。AI 可以加速常模计算，但常模群体的选择、边界界定、样本代表性判断必须由人类测量专家作出。当 ASI 时代的常模群体可能扩展到跨国、跨语言、跨模态时，这一判断的人类属性只会更强。

标准参照的 cutoff score 设定是专业判断，不是数据拟合。AI 可以基于 IRT 给出参数估计、可以模拟不同 cutoff 下的分类一致性，但"什么叫熟练、什么叫达标"必须由教育者基于教学目标与社会共识确定。福建 2026 文章的警钟值得铭记：AI 系统"只能识别可量化的指标，只能奖励符合模型预期的行为"——当系统被大规模应用，其内置的评价标准便开始反过来规训教育实践。

无论是常模参照的"第 85 百分位"还是标准参照的"未达标"，其最终解释与对学生的反馈必须由人类教师作出。2025 年第四届教育评价学术年会综述明确指出：AI 系统在"评估学生的价值观、道德品质和社会责任感等方面存在明显局限性"；若过度依赖，会导致"师生能力惰化"——教师弱化人文观察、精准点评的专业能力，学生丧失自主反思、主动复盘的核心学习能力。

所以这对术语在 AGI/ASI 时代的真正命运可以浓缩为一句话：技术可以极致优化"算"的效率——动态常模、实时 cutoff 校准、多模态标准判定都不在话下——但"常模群体怎么定、cutoff 设在哪里、分数怎么向学生解释"这三件事，必须牢牢掌握在人手中。因为教育评价的本质是"人对人的理解与判断"，它承载着教育者对受教育者的理解、期待和责任——这件事，再强大的 ASI 也无法替人类完成。当算法可以秒级生成常模百分位与达标判定的双重报告时，教育测量专家作为"标准制定者"与"分数解释终审者"的角色，反而会升华为教育在 ASI 时代最锋利的护城河。