何谓一篇作文的“好”：从评分达标到“判准回写余量”
——公司金融与治理 × 保护生物学与生物多样性 × 软件安全与隐私工程的三学科对撞
研究论文 研究对象：研究对象：作文评价中的“好”
摘 要：一篇作文何以被称为“好”，似乎是语文教育中最熟悉、也最难重新发问的问题。长期以来，内容充实、中心明确、结构完整、语言准确、表达生动、立意深刻等判准，构成课堂教学、考试评分、范文生产与自动作文评价的共同词汇。问题在于：这些判准一旦被公开、反复教学、用于训练并进入生成式人工智能的优化回路，它们就不再只是外部测量作文的尺子，而会反过来成为作文生产的目标。于是，高度“像好作文”的文本与真正完成写作任务的文本可能发生系统性脱钩：学生可以学习评分特征，模板可以复制评分特征，AI更可以低成本地同时满足大量显性特征。本文依照三学科对撞法的What型三维度工序，从「新思想前沿」文库选取三门与语文教育距离较远、且在选源初筛中未检出被作文评价系统吸收的学科：S位的公司金融与治理、D位的保护生物学与生物多样性、E位的软件安全与隐私工程。公司治理研究显示，治理指标公开并被市场学习后，原先的异常收益关联可以消失，说明“指标被采用”本身会回写指标含义；IUCN绿色状态把“避免灭绝”与“恢复分布和生态功能”分开，说明没有失败并不等于已经达到正向功能；控制流完整性研究则要求在明确威胁模型、合法目标集合和豁免清单后判断系统是否安全，说明正常条件下的表现不能替代对抗性边界中的成立。三家碰撞共同击穿作文评价中的一个隐含前提：判准是稳定、外在且不会因被教学和优化而改变诊断意义的。本文由此提出新对象“判准回写余量”（Criterion-Feedback Residual, CFR）：在作文已满足最低任务合法边界后，当显性评价判准已经公开并进入教学、练习与AI优化，控制这些显性判准的达成程度，文本在未用于训练和评分的保持性任务、变体情境与独立读者中仍能稳定产生的文体功能增量。本文进一步给出“显性判准达成度×判准回写余量”的2×2辨别格、CFR研究读数与课堂简化版清点手册，并以写作评价中的效度、washback、Goodhart式指标异化、自动作文评分及2026年AI生成作文实证作为敌意近邻进行划界。结论是：好作文不是评分项目的总和，也不是脱离判准的神秘整体感；它是在最低合规之后，面对判准已经被学会、被模仿、被优化这一事实，仍保有可重复、可迁移、不可由表面合规完全替代的功能余量。
关键词：作文评价；语文教育；三学科对撞；判准回写余量；评价回写；生成式人工智能；写作教学
Abstract: What makes an essay “good” becomes harder to define once evaluative criteria are no longer external to writing but are explicitly taught, practiced, optimized, and increasingly reproduced by generative AI. This paper uses the What-type S/D/E collision procedure of 本文方法 and brings together three distant fields selected from the SDE Universes Frontier: corporate finance and governance (S), conservation biology and biodiversity (D), and software security and privacy engineering (E). The first shows that a public indicator can lose its original predictive association after market participants learn and price it; the second separates mere avoidance of extinction from recovery of distribution and ecological function; the third evaluates security only within an explicit threat model and legal control-flow boundary. Their collision rejects the assumption that writing criteria remain diagnostically stable after they become production targets. The paper proposes Criterion-Feedback Residual (CFR): after an essay satisfies a minimum task-admissibility boundary and after explicit scoring criteria have entered teaching and optimization, CFR is the reproducible genre-specific functional gain that remains across held-out tasks, prompt variants, and independent readers after controlling for visible criterion compliance. A 2×2 diagnostic grid, an operational counting manual, falsification tests, and classroom implications are provided. Good writing, on this account, is not the sum of rubric traits; it is the functional remainder that survives the feedback of the rubric into the production process.
Keywords: writing assessment; Chinese language education; criterion feedback; rubrics; generative AI; interdisciplinary collision
| 核心命题 好作文 ≠ 评分项目之和。好作文 = 最低任务合法边界成立 + 判准被公开并回写生成之后，仍可重复、可迁移、不可由显性合规完全解释的功能余量。 |
|---|
| 位 | SDE前沿取源 | 可引核心判断 | 本文占位 | 选源初筛 |
|---|---|---|---|---|
| S | 公司金融与治理：治理指数异常收益消失 | 指标公开并被市场学习后，原先的收益关联可消失；采纳行为会回写指标含义 | 对象显露/信号意义 | 干净；厚 |
| D | 保护生物学与生物多样性：IUCN Green Status | 避免灭绝≠恢复；恢复包含分布、存续、生态功能、依赖和潜力 | 变化轨迹/正功能 | 干净；厚 |
| E | 软件安全与隐私工程：控制流完整性 | 正常运行≠对抗安全；须写明合法目标集合、威胁模型、豁免与绕过 | 条件场/鲁棒边界 | 干净；厚 |
“什么是好作文”通常被处理成列举题。教师会说内容真实、中心突出、材料具体、结构严谨、语言流畅；考试量表会把这些词拆成若干等级；写作软件会把其中一部分转成可以计算的特征；生成式人工智能则能够按要求同时执行“观点明确、层次清楚、过渡自然、句式有变化、结尾升华”等指令。列举越细，看起来越接近科学评价。然而，一个更困难的问题随之出现：如果学生已经知道评分表，如果教师围绕评分表反复训练，如果范文把高分特征稳定展示出来，如果AI可以把这些特征即时补齐，那么这些特征还是原来意义上的“好”的证据吗？
这不是说评分标准没有用。相反，没有共同判准，作文评价会退回私人品味；没有明确的任务要求，学生会面对不可见的权力。问题发生在第二步：教育评价的尺子会被被评价者看见，并被当成行动目标。一条原本用于识别质量的特征，经过长期教学以后，可能变成可以单独生产的表面信号。五段式结构最初可能与清晰论证相关；当“五段式”本身成为训练目标，结构完整就可以在论证薄弱时独立存在。细节描写最初可能与具体经验相关；当“必须有动作、语言、心理、环境”成为操作口诀，细节数量就可以在经验贫乏时迅速增加。结尾的思想提升最初可能来自全文生成；当“最后一定升华”成为评分预期，一句抽象价值判断可以被贴到几乎任何故事之后。
生成式AI把这种长期存在的现象推到了极端。ETS关于e-rater的说明显示，自动作文评分会利用内容词汇、词汇复杂度、语法与用法错误比例、风格、组织与发展等特征来预测写作表现；而2026年Zhong等对AI生成GRE作文的研究报告，AI文本在不少语言相关特征上强于人类基线，同时e-rater对AI生成作文的评分系统性高于人类评分。这里最重要的并不是“机器不如人”，而是一个更基础的评价学事实：过去在人类写作样本中能够间接指向深层能力的特征，在生成机制改变之后，其诊断关系可以变弱。语法准确、组织整齐、词汇成熟仍是文本属性，但它们与推理深度、证据质量、思想生成之间不再保持原来的统计绑定。
因此，本文不准备再增加第六个、第七个或第八个“好作文标准”。如果旧标准已经成为生成目标，再加一条标准，只会把新标准也送入同一个回路。真正需要解释的是一个二阶问题：当评价判准已经被公开、被教学、被训练、被模板化、被AI优化以后，“好”还能以什么方式成立？这意味着研究对象必须从“作文有哪些好特征”转向“判准进入生成回路之后，还剩下什么无法被判准本身解释的质量差异”。
这一转向也使本文与What1“作文是什么”的对象论分开。作文的身份可以讨论作者、文本与读者之间如何构成一个写作事件；但“好”是另一个问题：即便两篇文字都毫无疑问是作文，也都能被读者理解，它们仍可能在质量上有根本差异。本文的任务不是再次证明文本能够承载作者意图，而是寻找一种能够解释“同样高分、同样流畅、同样结构完整，为什么仍有一篇明显更值得称为好”的新判据。
本文方法首先要求题型判别。本文问的是“何谓一篇作文的好”，答案形状不是一条操作路线，也不是一个单一驱动力，而应当是一个可以被指认、比较和证伪的对象。因此采用What型三维度：S、D、E三家不能都回答同一个局部问题，而要分别占据对象显露、变化过程和成立环境三个位置。若三家只是共同证明“作文要有内容”“作文要真实”“作文要考虑读者”，那仍是三条赞成票，不会逼出新对象。
本文先冻结一个占位句：一篇作文的“好”，应当是在显性评价指标已经进入写作生成之后，仍不能被这些指标的达成所穷尽的质量。 这句话暂时不算结论，它只用于寻找“日常就在处理同类困难”的远距学科。我们需要三类材料：第一类必须处理“指标被公开和采用以后，指标与对象关系会不会改变”；第二类必须处理“没有失败与真正达到正向功能之间有没有不可省略的距离”；第三类必须处理“一个对象在正常环境中通过检验，为什么仍不足以证明它在关键边界上成立”。
按照这一占位句，本文从「新思想前沿」文库中选出公司金融与治理、保护生物学与生物多样性、软件安全与隐私工程。它们不因为“作文像公司、像物种、像软件”而被选择；恰恰相反，类比越像越危险。选择它们的理由是三门学科各自在自己的硬问题中发展出了一套不能彼此替换的判决规则，而这些规则恰好对作文评价的共同前提形成斜向冲击。
本文方法在选源之前增加“源的未吸收度”和“理论厚度”两道闸。前者防止把语文教育早已吸收的理论重新包装为跨学科创新，后者防止使用只有新名词、没有争论史和反例传统的薄学科。本文的检索不是要证明世界上“从来没有任何人”把这些领域与写作并列，而是检查一个更严格也更可操作的问题：作文评价的主流理论是否已经系统吸收这三家的核心判决机制，使本文的碰撞可以被既有写作概念1:1替换。
对公司金融与治理，检索组合包括“corporate governance / governance index + writing assessment / essay rubric / 作文评价”，以及治理指数、市场学习、指标异常收益消失与写作评价的交叉词。检到的主要是“公司治理课程本身怎样用rubric批改学生作业”之类偶然同页，而未检到把“治理指标被市场学习后预测关联消失”作为作文质量理论的系统迁移，故判为“干净”。理论厚度判“厚”：其奠基层有治理指数与股东权利测量，内部有治理条款究竟代表什么、内生性如何处理的争论，反例有治理—收益关联在后续样本中消失，且已经形成稳定的公司治理、资产定价与公司金融研究传统。
对保护生物学与生物多样性，检索“IUCN Green Status / species recovery + writing assessment / essay / 作文评价”等组合，没有发现其“避免灭绝不等于恢复；恢复必须含分布、存续、生态功能及对保护行动的依赖”被语文教育系统吸收，判为“干净”。理论厚度判“厚”：从IUCN红色名录到绿色状态有明确标准、历史基线争议、功能定义争议、依赖与反事实评估，并已有全球标准和实际物种试评估。
对软件安全与隐私工程，检索“control-flow integrity / CFI + writing assessment / essay rubric / 作文评价”等组合，没有发现把“合法目标集合、威胁模型、豁免清单和对抗绕过”作为作文质量对象论的系统引入，判为“干净”。理论厚度同样为“厚”：CFI至少从Abadi等2005年的工作起形成长期研究链，既有细粒度与粗粒度的实现分歧，也有JIT-ROP、control-flow bending等反例传统，还有编译器、二进制重写、硬件支持与现实部署中的兼容性问题。
三家的S/D/E落位也不能互换。公司金融与治理占S位，因为它直接改变“一个可见分数还显露什么对象”的判断：同一个治理指数，在被市场广泛学习之前和之后，作为收益信号的含义不同。保护生物学占D位，因为绿色状态把物种从“没灭绝”推进到“在历史范围内可存续并履行功能”的恢复轨迹，并进一步追踪保护依赖、未来增益和恢复潜力。软件安全占E位，因为控制流完整性从不在真空中宣称“安全”，而是在攻击者能力、允许目标集合、运行环境和豁免条件被写明之后判断结论是否成立。三家分别卡住信号、轨迹、场，因此位置三分成立。
2003年，Gompers、Ishii与Metrick以24项公司治理条款构造治理指数，并报告基于强弱股东权利组合的交易策略在其样本期存在显著异常收益。这个发现的重要性不只在公司金融内部：它展示了一个常见的现代评价理想——把复杂质量压缩成可见指标，再利用指标预测更远处的真实结果。作文评分同样依赖这个理想。我们不会因为一篇作文“用了三个比喻”就说它好，而是假定某些可评分特征与更深的表达、思考和沟通质量保持稳定关系。
真正有碰撞价值的是后续变化。Bebchuk、Cohen与Wang把观察期延长后发现，治理指数与异常收益的关联在2000—2008年不再存在，并给出与“市场参与者学习了治理差异”一致的证据。原文摘要的关键句是治理指数“was no longer associated with abnormal returns during the period of 2000-2008”。这里发生的不是简单的测量误差，而是指标进入市场知识以后，市场行为改变，原先可利用的关系被吸收。指标被更多人知道，本应让评价更成熟；但恰恰因为更多人知道，指标原来的信息优势反而衰减。
把这条因果脊迁入作文评价，第一层冲击是“公开判准不只是信息，它还是干预”。教师把“中心明确”写进量表，学生就会在开头和结尾重复中心句；把“细节丰富”写进量表，学生会增加可计数的动作、语言、心理；把“高级词汇”作为高分迹象，训练与AI就会提高词汇复杂度。此时判准不再站在作文外面观察作文，而是进入作者的行动函数。评价制度越成熟、范例越公开、反馈越即时，文本越可能被塑造成评价者希望看见的形状。
第二层冲击更关键：被塑造出来的特征仍然是真的，但它不再具有原来的诊断强度。 AI生成的语法准确是真准确，结构清楚也是真清楚；问题不是这些属性“假”，而是它们对深层写作质量的证据权重改变了。正如治理指数在后期仍可与公司价值和经营表现相关，却不再产生原来的异常收益，同一作文特征在新生成环境中可能仍有价值，却不能继续承担过去那样强的替代性判断。
因此S位给出第一条反常识命题：好作文不能定义为若干“长期与好相关”的可见特征，因为一旦这些特征被制度化为生产目标，它们与深层质量之间的关系本身就成为需要重新估计的变量。 一项判准越成功地进入教学，它越不能自动保持“未经教学时”的诊断意义。评价的成功可能侵蚀评价的证据结构。
保护生物学长期以灭绝风险为核心对象，这是极其重要的工作，但风险下降并不等于恢复完成。一个物种可以依靠圈养、极小范围保护或持续人工干预避免灭绝，却仍然缺席于大部分历史分布区，也没有恢复原有生态功能。IUCN绿色状态的转向恰恰把这种“成功中的失败”写进评价：评价不仅问物种是否还活着，还问它是否在空间单元中可存续、是否履行生态功能、目前状态多大程度依赖持续保护、未来还能恢复到哪里。
Akçakaya等2018年的工作把这一方向概括为需要建立“an objective and ambitious definition of species recovery”。2021年Grace等对全球标准进行测试，进一步强调绿色状态将功能纳入物种恢复评估。这里有一个对作文教育极有价值的结构：红色名录并没有因为绿色状态出现而“错误”。避免灭绝仍是必要目标，只是它回答的是“怎样不掉出底线”，而不是“怎样达到完整正功能”。
作文评价中大量指标其实也具有“红色名录”性质。跑题、病句、错别字、材料空泛、结构断裂、论据与观点无关，都是需要排除的风险；中心明确、层次完整、基本连贯则常常构成“避免失效”的条件。问题在于，我们经常把“风险降低”直接写成“质量提高”。一篇没有明显病句、结构完整、开头结尾照应、材料贴题的文章，确实可能已经避免了许多失败，但这些成功还不能证明它完成了更强的正向功能。
D位迫使本文把“好”从错误的反义词中解放出来。坏作文的反面首先是“合格作文”，而不是自动等于“好作文”。好作文需要某种正功能完成：叙事需要让关系、变化和事件意义在文本推进中成立；说明需要使读者获得可迁移的对象模型；议论需要使主张、证据、理由与反条件形成可检验的推理结构；抒情和经验性写作需要把无法用通用套话替代的感受组织成可传递的形式。不同文体的功能不同，但它们共同具有一个特征：功能不是“没有错误”的总和。
绿色状态还贡献第二个更尖锐的变量——依赖。一个物种当前看似稳定，如果一撤去保护行动就迅速崩塌，那么“稳定”与“自主恢复”必须区分。迁入作文教育后，我们得到“判准依赖”：如果一篇文章的高质量表现只有在持续提供范文、句式、段落模板、AI改写或明确评分提示时才存在，而一换题、一换文体、一撤掉即时提示就消失，那么当前高分包含了外部支架的贡献。支架并非坏事，教学本来就需要支架；但把支架支持下的表现直接当成学习者已拥有的稳定写作质量，会把“保护依赖”误写成“已经恢复”。
因此D位给出第二条命题：好作文必须有正向功能读数，并且要把对评分脚手架、模板和即时优化的依赖单列，而不能用“没有明显失败”替代“已经产生功能”。 这使“好”第一次拥有了时间和迁移方向：它不是一次评分现场的静态状态，而是面对条件变化仍能保持多少功能。
软件安全中的控制流完整性（CFI）处理一个非常具体的问题：程序运行时的间接跳转，能否被限制在静态分析允许的合法目标集合内。Zhang与Sekar在2013年的USENIX Security论文中指出，CFI是一项低层安全属性，其实施可以抵御大量控制流劫持攻击。「新思想前沿」文库对这一转向的概括非常适合本文：不要只问攻击者“猜不猜得到地址”，而要问运行时跳转是否落在允许集合。
这里最值得迁移的不是“白名单”这个比喻，而是安全研究的判决方式。软件在普通测试中运行顺畅，不能推出它在攻击者主动寻找薄弱路径时仍然安全；一个防御机制写着“已启用”，也不能推出它足够强，因为目标集合的粒度、豁免模块、攻击者能力、依赖版本和运行环境都会改变可绕过空间。后续研究反复说明，粗粒度CFI、地址随机化或某些现实妥协可以被攻击路径绕过。安全结论因此总是带着条件：在什么威胁模型下，禁止了哪些路径，放行了哪些路径，哪些例外必须单列。
作文评价的“正常运行”情境是什么？通常是学生面对熟悉题型、明确量表、有限时间、教师训练过的段落范式进行写作；评价者再按同一套已知判准打分。这样的环境当然有现实意义，但它天然偏向展示“被训练过的合法路径”。如果我们要判断更强意义的好，就需要加入保持性或对抗性条件：题目表面类型变化、材料组合变化、读者任务变化、评分提示撤去、允许使用AI但更换未公开功能测试，或者把两篇显性评分几乎相同的文章进行盲配对。此时，真正被检验的是文本与写作者是否只会走已标出的得分路径。
E位还提醒我们，不应该用“越难骗越好”取代作文评价。安全系统需要合法目标集合，因为系统仍要工作；如果为了阻止攻击而禁止所有跳转，程序也失去功能。同理，为了防止学生迎合评分而把评价标准全部隐藏，会制造新的不公平与权力任意。本文因此把显性判准区分为两类：一类是最低任务合法边界，必须公开，例如是否回应题目、是否达到基本可理解、引用与事实规则、考试工具规则；另一类是用来区分“好到什么程度”的诊断特征，它们可以公开教学，但研究者必须承认公开本身会改变其证据权重，并以未用于优化的保持性任务重新校验。
由此E位给出第三条命题：好作文不是在单一、友善、已知的评分环境中表现优异，而是在写明任务合法边界之后，其关键功能能在预设的变体和压力条件下保持；任何“好”的结论都必须同时写明它在什么情境下会失效。 这不是把写作变成攻防游戏，而是阻止我们把一次顺利通过当成普遍能力。
三家第一次碰撞时似乎在说三件完全不同的事：金融谈市场学习，保护生物学谈物种恢复，软件安全谈攻击路径。如果只做一阶类比，可以得到三句常识——“评价指标会失真”“作文要有功能”“评分要考虑情境”。这些话都对，却不足以构成新理论。三学科对撞要求继续追问：三家为什么都必须改变原来的评价方式？它们共同假定过什么，后来又由自己的材料推翻了什么？
第一层共有前提是：可见指标与目标对象之间的映射在评价过程中保持稳定。 治理研究最初相信指数与收益关系可以在后续使用中延续；红色名录式风险读数容易被误读为整体保护成功；软件的“已加固/能运行”容易被当作安全状态。三家后续都发现，同一可见结果并不能自动保持同一含义。
第二层共有前提更隐蔽：评价行为本身只是观察，不进入被评价对象的因果链。 这正是公司金融材料亲自推翻的地方。治理指标和研究结果被市场看到后，市场学习、定价与套利改变了后续关系；“公布指标”不再是观察之外的动作。迁入作文场景，量表、范文、点评和AI评分同样是干预：它们改变学生注意什么、练习什么、文本生成器优化什么。只要判准可以被行为主体感知，评价系统就不是外部相机，而是生产环境的一部分。
保护生物学随后给这个新问题补上方向：当旧指标因为被优化而越来越容易达标，我们不能只寻找更难达标的指标，而要把目标从“避免失败”推进到“恢复功能”。软件安全再补上边界：功能结论必须在明确的压力场中检验，不能只在训练环境里成立。于是三家共同逼出一个作文评价账本从未稳定记录的字段：显性判准已经回写生成以后，文本还剩多少正向功能？
这个字段既不是“创新性”，也不是“真情实感”，更不是“教师整体印象”。创新性可以被评分表公开并被策略性制造；真情实感很难直接测量，而且优秀虚构写作并不要求事实经历真实；整体印象把问题重新交还给评价者，却没有处理评价者本身也可能被范式训练。新字段必须能够在显性得分大致相同的文本之间继续产生可复核差异，并且这个差异要来自未被同一判准直接训练的功能任务。
因此本文把新对象命名为“判准回写余量”。“判准”指已经被公开并实际进入教学或评分的特征集合；“回写”指这些特征从测量端返回生产端，改变作者、教师、模板或AI的生成策略；“余量”不是神秘剩余，而是控制显性判准后，在保持性条件中仍可重复观测到的功能增量。这个名称刻意不用“真正质量”“深层质量”，因为后两者容易成为不可证伪的价值宣言；“余量”要求我们说清楚：相对于哪套判准、在哪些未训练条件、用什么功能任务、剩下多少。
本文将判准回写余量（Criterion-Feedback Residual, CFR）定义为：对于一篇已进入任务合法集合的作文，在一套显性评价判准已经被公开、教学或用于生成优化之后，控制该作文对这些显性判准的达成水平，其在未用于训练与直接评分的保持性任务、题目变体和独立读者中，仍能稳定产生的文体功能增量。
定义中有五个不可删条件。第一，先有“任务合法集合”。跑题、无法理解、违反明确引用规则或未满足任务必需条件的文本不能仅凭某个神奇余量越级成为好作文。第二，判准必须是真的“已暴露”——写在评分表上、被教师明确教过、被训练软件反馈过、被AI提示词直接优化过，才叫进入回写。第三，要控制显性判准达成，不能把语言更流畅造成的优势冒充余量。第四，功能测试必须至少有一部分未被用于原评分训练，否则只是换一种方式重复旧量表。第五，余量必须可重复：至少跨两个独立读者组或两个变体任务方向一致，单一评价者的惊艳感不算稳定证据。
研究层面的一个可操作读数为“CFR保持率”。先在同一题目、同一文体内，为目标作文寻找显性量表得分相近的匹配作文；再设计三项不直接写入原评分表的保持性任务。每一项任务让独立读者完成可计数结果，例如：议论文读后能否在新案例中正确应用其论证边界；说明文读后能否回答一个需要迁移而非原句复述的问题；叙事文读后能否在若干相近因果解释中稳定识别文本真正建立的关系。目标作文在某一任务上显著优于匹配基线记1，否则记0；CFR保持率＝通过的保持性任务数／全部有效保持性任务数。
为遵守单一口径律，本文预注册研究阈值：三项保持性任务中至少通过两项，且两个独立读者组的方向一致，记为“CFR阳性”；只通过一项记为“不确定”；三项均未通过记为“CFR阴性”。这里的2/3不是宇宙常数，而是本文第一轮研究方案的裁决阈值，后续可通过数据校准，但同一研究中正文、证伪条款和结论必须使用同一个阈值。
若需要连续量，可进一步使用标准化残差形式。设显性判准向量为C，保持性功能表现为F，在历史人类样本上估计F̂=g(C,T)，其中T表示题目与文体；目标作文的功能残差r=F−F̂。在至少三个保持条件k中取r的中位数并标准化，得到CFR-z。CFR-z大于0表示该作文在同等显性判准水平下产生了高于预期的功能表现，小于0则表示显性得分高于其保持性功能所支持的水平。课堂不需要计算z值，但研究可以用它区分“高分来自显性特征”与“高分之外仍有功能”。
这一定义故意允许CFR随评价制度变化。同一篇文章放在不同教育生态中，判准是否已经被广泛教会不同，其“余量”可以不同。有人会认为质量应该是文本固有属性，怎么能随环境变化？三家碰撞恰恰要求放弃这个假设：当评价标准已经成为生成过程的一部分，“好”的证据结构本来就与环境相关。CFR不是宣布文本本体随人任意变化，而是承认我们用什么证据称它为“好”，必须考虑这些证据是否已经被系统性生产出来。
把横轴设为“显性判准达成度”，纵轴设为“判准回写余量”，可以得到四种过去经常被一个总分压扁的文本类型。
第一格是低显性达成、低CFR，可称“基础失效”。它既没有满足任务与常规表达要求，也没有在保持性任务中产生额外功能，传统评价与本文评价基本一致。
第二格是高显性达成、低CFR，可称“合规拟态”。这是本文最关心的隐藏失败：文章中心清楚、结构完整、词语成熟、段落均衡，甚至自动评分很高，但在新情境迁移、理由边界识别、机制理解或延迟读者任务中不优于同分基线。模板作文与部分AI高分文本可能落在这一格，但“AI参与”本身不是判定条件；人类也完全可以写出合规拟态，AI也可能帮助形成高CFR文本。
第三格是低显性达成、高CFR，可称“异格有效”。它可能不符合某套既定量表，却在保持性任务中产生很强功能。例如一篇极简叙事没有典型的开端—发展—高潮—结尾，却让读者对人物关系形成高度稳定且可迁移的理解。教育评价不能因此自动给它高分：若其违反明确任务要求，仍应在任务合规上扣分。但这格提醒我们，量表可能发生构念漏失，不能把“量表未捕获”直接写成“文本没有质量”。
第四格是高显性达成、高CFR，可称“稳健好文”。它既满足任务、语言和组织等显性要求，又在这些要求被控制后仍表现出可迁移的功能优势。本文所说的“好作文”主要指这一格，但需要再加一个最低合法边界：若文章事实欺骗、严重跑题或违反明示的任务规则，即使某项功能很强，也不能作为该任务中的好作文。
这个2×2最重要的用途不是制造新评分表，而是强迫评价者承认两个维度不可互相代替。传统总分主要集中在横轴；CFR提供纵轴。如果纵轴最终与横轴高度相关到几乎没有独立信息，本文理论应被削弱甚至放弃；如果出现稳定的高横低纵与低横高纵样本，则说明“好”确实存在一个被传统量表压缩掉的方向。
为了防止新概念只在抽象层面漂亮，本文预设五个场景，并要求CFR给出不同答案。
场景一：学生独立写作，教师事先只给任务要求，不给细化量表。文章显性得分高，保持性任务也高。这里高分与CFR都提供正证据，可判为稳健好文。场景二：学生接受一个月“高分作文模板训练”，结构、过渡、结尾和细节指标显著提高，但同分匹配后保持任务不升。这里应判“合规进步，但未证明CFR进步”，而不能把分数上涨全部解释为写作质量增长。
场景三：学生先形成完整观点、证据与反例，再使用AI改善语句、删冗和调整段落。最终显性分数上升，保持性功能也保持或提高。CFR不因AI介入自动归零；只要功能余量仍在，而且任务规则允许工具使用，就可以是好作文。场景四：学生只输入题目，让AI按评分表一次生成，再做少量换词。文本显性得分很高，但在新案例迁移和反条件识别中表现一般。此时应判高显性、低CFR。这里批评的不是“机器写”这个身份，而是评分信号与功能脱钩。
场景五：一篇风格非常陌生的文章在常规量表上组织分低，却在两组读者的保持任务中显著优于同题文本。此时不能直接宣布它是考试中的好作文，因为最低任务合法性和评分公平仍存在；但研究者必须把它记入“异格有效”，并检查量表是否漏掉一种真实功能。新理论若只奖励标准作文，就没有发现新维度；若一见怪异就奖励，也会退回审美浪漫主义。
其中至少两个场景受到外部资料反向修正。第一，Cambridge近年的写作评价讨论明确指出，评分标准既是质量的心理模型，也会变化，并强调评估后果与公平，因此本文不能声称“写作评价从未考虑评价的回写”；本文只保留更窄的主张：现有讨论通常把回写放在测验效度、教学后果或公平层面，而没有把“控制显性判准后剩余的文本功能”定义为作文之好的对象。第二，2026年AI生成作文研究说明，AI文本并非简单“质量低”：部分先进模型的人类评分本身已经不低。于是本文不能把CFR写成“人类好、AI坏”的身份判据，而必须坚持功能与条件判据。
新概念最容易失败的方式不是逻辑错误，而是早有人用另一个名字说过。本文因此主动把最危险的近邻摆进来。
第一类是分析性评分量表。它把“好”拆成内容、组织、语言、论证等维度，优点是透明、可训练、可提高评分一致性。但它通常把维度当作稳定证据，没有把“维度一旦公开后被策略性生产”设成对象变量。CFR不是多加一个评分维度，而是询问现有维度进入生产后还有多少解释剩余。
第二类是整体评分。整体评分允许评价者对文章总体质量作综合判断，似乎天然能捕捉“量表之外”的东西。但整体感本身也会受到范文、考试文化、语言风格和评价者训练塑造，而且不能自动区分“我喜欢”与“功能保持”。CFR要求匹配显性分数并使用独立保持任务，因此不是整体印象的技术化改名。
第三类是构念效度与构念覆盖。ETS长期研究提醒自动评分必须覆盖写作构念，现代写作评价也反对把表层语言当作全部写作能力。这是极危险的占位者。分离线在于：构念效度的中心对象是“分数解释是否支持我们想做的推断”；CFR把判决对象换成“文本在判准回写以后还保留多少功能”。前者可以发现量表漏测，后者还要求把判准暴露本身作为生成条件并做保持测试。
第四类是washback与后果效度。它们直接研究考试怎样改变教学和学习，确实已经承认评价不是中性的。这一近邻迫使本文大幅收窄创新主张。CFR不声称发现“考试会反过来影响学生”，而是把这种影响继续推进一步：一旦washback已经发生，原先判准的诊断含义要重新估计；作文的“好”必须在控制被回写的特征后再裁决。
第五类是Goodhart定律与Campbell定律。它们指出指标成为目标后会被腐蚀，几乎与公司金融S位同脊。若本文只说“不要唯分数”，创新就失败。CFR的新增结构在三处：一是为作文建立最低任务合法集合，防止反指标主义；二是引入保护生物学的正功能/依赖区分，要求测量“好起来”而非只识别指标失真；三是引入安全工程的保持性压力条件和豁免边界，使理论可以被课堂与研究实测。
第六类是写作过程评价与作品集评价。它们强调构思、修订、反馈和多次作品，避免一次成品代表全部能力。CFR可以与过程数据结合，但两者不是同物：一个拥有完整过程记录的作品仍可能高度围绕已知量表优化；反之，一篇无法获取过程数据的匿名文本也可以研究其判准回写余量。
第七类是自动作文评分的对抗鲁棒性研究。此类工作测试评分器能否识别跑题、胡言、句序扰乱或AI生成文本，关注“评价器会不会被骗”。CFR关注的是另一端：“文本即使让评分器满意，它在未训练的功能任务上还剩什么”。评价器鲁棒而文章CFR低、评价器脆弱而文章CFR高，两种组合都可能出现。
第八类是修辞效果、读者反应与真实写作。它们早已强调写作应面向真实受众和真实目的。这些理论提供重要前史，但常把效果放在具体读者—情境关系中。CFR并不取代它们，而是增加一个二阶控制：当“面向受众”“有感染力”“有证据”等效果性判准也已经被教成套路时，仍需要用未参与训练的任务检验其保持性。
按本文方法的敌意拓宽要求，再向历史与应用内部寻找占位者：1961年Diederich、French与Carlton对大量评价者判断因素的归纳，是现代写作量表维度化的重要前史；1970年代Campbell关于社会指标被高压使用后易受腐化的论述，则提供指标回写的一般社会科学前史。应用领域内部，ETS的e-rater构念覆盖与2026年AI作文研究、Cambridge对写作评价公平与效度的最新讨论，都直接构成比抽象理论更危险的近邻。经过这些近邻后，本文不再把“指标被优化”“评分有后果”当创新点，只保留“以判准暴露为条件、以控制显性判准后的保持性功能残差定义好”的新对象。
为了避免“先写结论、再挑文献支持”，本文把公开资料检索设计成一条可以让新概念失败的反证跑。预注册的第一条杀死条件是：如果写作评价文献已经明确把作文质量定义为“在评分标准被公开并进入教学后，控制这些标准达成度，在未训练任务中剩余的功能表现”，那么CFR只是改名。检索结果没有发现完全同构定义，但发现washback、后果效度、rubric批评和Goodhart式讨论已经覆盖“标准会影响教学与行为”。因此本文删除了“过去评价把尺子当纯外部观察者”这种过强表述，改为“现有研究已经看见回写，但通常没有把回写后的功能余量设为作文之好的对象”。这是第一处收窄。
第二条杀死条件是：如果AI生成文本在显性语言特征上更优时，人类对整体写作质量也同步同幅提高，那么“显性指标与功能脱钩”的现实必要性会减弱。Zhong等2026年的结果相反：AI生成作文在语法、用法、机械准确性等语言特征上表现强，而e-rater相对人类评分对AI文本给出更高分。这个结果支持“特征—深层判断关系随生成机制变化而重估”，但同时也显示先进模型的人类评分并不低。因此本文删除“AI作文只是表面漂亮”的简单说法，改为：AI是一种使旧特征权重发生变化的生成环境，具体文本仍需逐篇判定CFR。这是第二处收窄。
第三条杀死条件针对“隐藏判准”。如果CFR要求评价者永远保留秘密标准，理论会与公平原则冲突。Cambridge关于写作评价的讨论强调，透明标准有助于减轻学生对不可见目标的焦虑，评价标准应与任务、教学和时间条件相关。本文因此明确：最低任务边界必须公开，显性评价维度也可以公开；保持性任务不是教师秘而不宣的“真正标准”，而是研究和教学中轮换的、预先说明其存在但不把具体答案教成模板的迁移检查。CFR反对的不是透明，而是把“透明后被学会的信号”继续当作未经回写的纯测量。这是第三处收窄。
这次反证跑还有一个不利结果：Goodhart思路在写作教育中并非空白，近年来已有直接把公式化写作与Goodhart联系起来的讨论，2026年的语言复杂度自动评价研究也明确提到指标可能被策略性操纵。由此，本文若把创新点放在“评分标准成为目标就会失真”，I维应当判低。新对象必须依赖三家共同提供的额外结构：回写之后测什么正功能、怎样区分支架依赖、在什么压力场中保持、如何对同分文本计算余量。
为了让CFR不沦为新的漂亮词，本文给出最小清点手册。
第一步，确定评价制度版本。记录具体评分表、发布时间、学生何时看到、教师是否逐项教学、是否存在范文、是否使用自动反馈或AI辅助。没有“判准暴露史”，就不能谈回写。表头至少包括：文本编号、题目、文体、评分表版本、暴露时长、训练方式、AI/模板使用规则。
第二步，定义最低任务合法集合L。L只包含任务成立的硬边界，而不承担优秀程度排名。例如“回应指定材料”“达到基本可理解”“遵守引用与工具规则”“满足规定文体的最低交流任务”。L最好用0/1记录，并由两名评价者复核。把“文采好”“立意深”塞进L，会让余量在进入测试前就被旧标准吞掉。
第三步，记录显性判准向量C。若现有量表有内容、组织、语言、论证四维，就原样保留，不自行美化。研究中为每篇目标作文寻找C相近的匹配文本：总分差不超过量表总分的5%，且核心维度不跨越一个等级。找不到匹配项的文章不进入“余量”比较，而应单列为不可匹配。
第四步，为文体建立三个保持性任务。保持性任务要满足四条：不直接重复评分表措辞；需要读者使用文本完成一个新动作；答案可以计数；任务难度对同题文章基本公平。议论文可用“新案例适用判断、最强反条件识别、证据—结论错配检测”；说明文可用“新情境预测、机制缺口定位、近似概念区分”；叙事文可用“因果关系辨别、人物选择在新情境中的一致性预测、关键细节消融后的关系识别”。
第五步，至少两个独立读者组，每组不少于3人。读者不知道原评分，也不知道哪篇是目标文本。每项保持任务按预注册答案或一致性规则计0/1。若任务本身允许多个合理答案，应在正式实验前用一小批文章校准，不允许看到结果后再移动正确答案。
第六步，计算CFR保持率。目标作文在一项任务上的平均表现若比匹配组高至少一个预注册最小差（课堂探索可设10个百分点，正式研究应通过功效分析确定），记“通过”；三项中≥2项通过且两读者组方向一致，CFR阳性。若三项结果分裂或读者组方向相反，记“不确定”，禁止硬判。
第七步，记录依赖。把AI改写、教师逐句修改、固定模板、实时自动评分等支持作为D变量，而不是道德标签。可通过“撤支架变体”观察功能是否保持。CFR高但高度依赖支架的作品可以被称为“高功能协作文本”，却不能自动推断学生已经独立形成同等写作能力。
第八步，保留失败与豁免。无法匹配、读者分歧过大、题目不适合迁移、保持任务与评分表实际上同义、文本太短导致任务无法执行，都要进入退出日志。只保留可顺利计算的样本，会像保护生物学漏掉未调查单元、软件安全漏掉豁免模块一样，把看不见的问题从分母里删除。
研究读数可以复杂，课堂不能把每篇作文都变成实验。CFR对一线教学最有价值的部分，是把修改和评价的注意力从“再满足一个指标”转向“指标已经满足以后还有没有功能”。教师可以保留原有量表，但在讲评或二稿环节加入四个问题。
第一问：如果把这篇文章最容易得分的部分换成同样合格的版本，文章还剩下什么不可替代的作用？ 例如把漂亮开头换成普通开头、把三个高级词换成常用词、把标准升华句删掉。如果核心判断、读者理解或新情境迁移几乎不变，说明这些高分迹象更像装饰信号。
第二问：换一个相邻问题，这篇文章建立的东西还能工作吗？ 议论文不只是“这个题目有观点”，而是理由能否处理一个边界案例；说明文不只是“把原文说明白”，而是读者能否用文章给出的机制解释一个新例子；叙事文不只是“读懂发生了什么”，而是人物关系和选择逻辑能否支持对新场景的合理预测。
第三问：同分作文之间，谁让读者完成了更多原量表没有直接要求的任务？ 教师可以随机挑两篇总分相近的作文，遮住作者和分数，让同伴读者完成一个迁移问题。学生会第一次看到：评分表相同不等于文本效力相同。这比不断告诉学生“要有深度”更可操作，因为“深度”被转成具体的保持性任务。
第四问：这次表现有多少是外部支架代做的？ 这不是为了惩罚AI或教师帮助，而是为了决定下一步教学。如果文章在AI整理后CFR很高，说明人机协作产出了好文本；若目标是训练学生独立能力，就需要安排下一次在较少支架下重跑保持任务。如果文章在撤支架后仍保持功能，才说明能力开始转入学生自身。
这样处理后，评分量表不必被废除。量表负责最低规范、共同语言和可解释反馈；CFR负责量表被教会之后的二阶校验。前者告诉学生“哪些东西值得学习”，后者防止教师把“学生终于学会了老师教的评分特征”误认为“写作的所有重要东西都已经出现”。
第一，范文教学要从“找得分点”改成“做消融”。过去读范文常让学生圈好词好句、概括结构、总结开头结尾方法。CFR框架要求再做一步：删掉或替换一个显性得分点，看文章的关键功能是否下降。若一个被反复赞美的排比句删除后对理解、迁移、判断毫无影响，它可以是审美增益，却不应被误教成所有好作文的必要成分。
第二，修改教学要增加“保持性修改”。一稿按公开量表修改后，二稿不要立刻再按同一量表打分，而给一个相邻任务。比如议论文写“竞争是否促进成长”后，不再只问论点是否鲜明，而给一个“合作与竞争同时存在”的案例，让作者说明原理由在何处失效。能处理边界，说明论证结构真的形成；只能重复原中心句，说明高分可能停在题面。
第三，评价要保留“轮换测试槽”。教师可以公开告诉学生：课程会检查迁移、反条件、机制理解或叙事关系，但每次不使用完全相同的具体问题。这样既不制造秘密标准，又避免把单一保持任务本身迅速教成模板。软件安全的经验在这里非常重要：防御不是永远藏规则，而是不断把攻击面、目标集合与绕过路径重新纳入检查。
第四，AI辅助写作要从“允许/禁止”二元争论改成“支架依赖账本”。如果任务允许AI，教师记录AI承担了哪一层：想法生成、证据寻找、结构整理、语言润色、反例测试。最终文本可以很好，但学习者能力判断要通过撤支架后的保持任务另测。文本质量与作者能力是两个对象，不能用一把尺子同时裁决。
第五，作文评分研究要从“更高一致率”推进到“回写后校准”。一个自动评分器与教师相关达到很高，并不意味着特征权重永远稳定。只要生成环境发生变化——学生大规模使用某类模板、AI工具或特定训练课程——就应该重新估计显性特征与保持性功能之间的关系。未来自动作文评价需要版本化：不仅记录模型版本，也记录写作者生态版本。
在没有生成式AI时，很多评分特征之所以有用，是因为它们昂贵。一个学生能够持续保持语法准确、段落连贯、词汇多样、论证结构完整，通常意味着他投入了相当的写作训练；这些表面特征因此可以作为深层能力的代理。AI改变的不是“语言标准突然不重要”，而是生产成本结构：过去昂贵的迹象变得廉价，代理变量的证据权重就必须更新。
这与公司金融S位高度同构。一个公开的市场异象在被普遍认识以前可以带来超额收益；被普遍认识以后，市场参与者围绕它行动，收益空间被吸收。作文中的“高分迹象”被AI普及后，也可能从稀缺能力信号变成基础设施输出。教师若仍按旧权重解释，会把“工具能够稳定提供”误读为“学习者已独立形成”。
但AI也使CFR更容易实施。过去教师很难为每篇文章生成多个题目变体、反条件问题和读者任务；现在AI可以根据同一作文快速生成相邻案例、反例、概念辨别题，再由教师审核。也就是说，AI既加速了判准回写，也降低了保持性评价的成本。真正的教育创新不应是与AI比赛谁更会识别“机器味”，而应重写评价单元：从一篇成品的显性特征，扩展到文本在变体任务中的功能保持。
这也解释一个常见误区：为了防AI，有人主张不断增加“个性化”“独特经历”“个人声音”等评分维度。这些维度一旦公开，同样可以被提示工程优化；AI可以制造拟真的个人细节、口语停顿与不完美句式。任何固定可见特征都有被学习的可能。CFR因此不是最后一条永不失效的新标准，而是一种评价制度的自更新原则：凡已成为生产目标的特征，都要降低其未经校验的证据权重，并用未参与该轮优化的功能任务重新验证。
因此，AI时代“好作文”的稀缺性从“能不能做出漂亮文本”转向“漂亮文本之外，是否还有能够在新条件中继续工作的结构”。这不必神秘化成人类灵魂。AI文本也可以拥有这样的结构；人类文本也可以没有。判决点落在作品的功能保持，而不是作者身份。
一个新理论如果只能扩大适用范围、不能说自己在哪里不该用，通常只是概念扩张。本文给出三条反向约束。
第一，CFR不能取消透明评分。对高风险考试、未成年人课堂和存在权力差异的评价，任务要求、基本评分维度、学术诚信规则必须尽可能公开。保持性任务可以轮换，但“将存在迁移与保持检查”应被告知。若教师把CFR变成“我心里还有一套不告诉你的标准”，它违反公平边界，理论应用失败。
第二，CFR不能把所有套路化都判坏。某些约定俗成的结构是语言共同体降低沟通成本的基础设施。新闻、学术论文、考试议论都有稳定格式。只要格式没有替代核心功能，使用模板不降低CFR。相反，一个故意反模板、极端陌生的文本若让读者无法完成任务，也不能凭“原创”获得余量。本文的价值排序因此是：功能保持高于形式新奇，任务合法高于反规则姿态。
第三，CFR不能直接等同学生能力。高CFR文本可能由多人协作、教师深度指导或AI共同完成。文本“好”与作者“会写”必须分开。若研究目的是能力评价，必须另加支架依赖与独立重测；若目的是作品评价，则无需追问每个词由谁敲出。这个区分尤其重要，否则理论会把关于作品质量的发现越界成对人的道德判断。
第四，CFR不适合所有写作目的。纯私人日记、艺术实验、无意面向公共读者的自由写作，未必存在可统一的任务功能；某些文学文本的价值还可能通过长期历史阅读才出现。本文主要适用于语文教育中具有可陈述任务、可比较文本和教学评价目的的作文，不把文学价值整体纳入。
第五，CFR并不保证评价成本更低。相反，它增加读者任务、匹配与变体设计，研究成本高于一次打分。因此课堂版只建议抽样使用：单元末、代表作、量表已训练成熟以后，用少量保持任务校验，不要求每篇作文都全套运行。若把CFR变成新的高频考核表，它自己也会进入回写并快速被套路化。
CFR具有自反危险：它一旦被学校写进正式评分，学生就会开始针对CFR训练，新的保持任务也会变成显性目标。理论不能假装自己免疫于回写。因此本文提出三条伦理条款。
其一，不把单次CFR结果用于高风险惩罚。它首先是研究与形成性教学工具，用于发现量表可能漏掉的质量，不适合作为一次考试中决定升学的秘密加分项。其二，任何用于学生评价的保持任务必须经过可理解性与群体公平检查，尤其避免把特定文化经验、家庭资源或阅读背景当作“迁移能力”。其三，必须给学生申诉与展示替代证据的通道；若某一保持任务误读了文章，学生可以通过解释、另一个变体任务或写作过程证据进行复核。
更深的伦理要求是定期让指标“退役”。当某个保持性任务在一个学校已经被反复练到成为固定套路，它就不再适合承担未训练测试的角色，应被移入显性教学库，并开发新的变体。这里的“隐藏”不是永久保密，而是时间上的轮换：今天的未知测试，明天可以成为公开课程；课程进步以后，再创造下一轮迁移情境。评价系统因此从静态量表变成动态校准机制。
如果本文主张成立，它不能只靠“三学科对撞、回写余量、控制流”等新词显得创新。把这些显性术语删掉，论文至少还要完成三项保持性任务。
第一项是解释一个旧量表解释困难的反例：为什么两篇内容、组织、语言分数相近的作文仍可能有稳定质量差异？CFR给出的答案是，显性分数匹配后，两篇文本在未训练的功能任务中可能产生不同保持率。第二项是解释生成环境改变：为什么AI出现后，同一套语言特征的评分权重可能需要重估？CFR通过“判准已进入生成回路”解释特征—深层质量关系变化。第三项是产生一个可被否证的研究设计：如果匹配显性分数后，CFR保持任务无法提供任何稳定增量，或者所谓增量完全可以被已有评分维度重新预测，本文核心对象就没有独立必要。
按本文自己的2×2，当前论文最多只能被放在“概念合法、CFR待实证”的位置。它已经给出显性定义、操作阈值和公开资料反证跑，但还没有完成大规模中文学生作文的前瞻性实验。因此不能把“理论可测”写成“理论已被验证”。这是一条有意保留的不利结论，也是后续研究的入口。
本文提出四条可证伪命题。
命题1：在显性评分维度匹配的作文对中，至少存在一部分文本在预注册保持性任务上表现稳定不同；若大样本中这些差异接近随机，CFR作为独立对象失败。
命题2：随着某一评价特征被更明确地公开教学和自动反馈，该特征与保持性功能之间的零阶相关可能上升、稳定或下降，但其“控制训练强度后的增量预测力”不会被保证恒定；若跨多年、跨不同生成工具和不同暴露强度都保持完全稳定，回写假设被显著削弱。
命题3：单纯提高显性量表得分的干预，与提高CFR的干预可以分离。若任何能提高量表得分的教学都同比提高保持性任务，且从无高显性低CFR样本，本文2×2中的“合规拟态”格将被经验上清空。
命题4：在允许AI辅助的情境中，AI参与比例不能单独预测CFR方向；若在控制题目、能力和使用方式后，AI比例几乎决定CFR高低，那么本文“身份不作为第一判据”的边界需要重写。
写死赌注如下：到2028年8月31日前，若能获得至少三个学校、每校不少于100篇中文中学生议论文的匿名数据，使用统一显性量表并预注册三项保持性任务，本文预计会观察到至少10%的“高显性达成—CFR阴性”样本；并且在解释独立读者迁移表现时，加入CFR变量应在交叉验证中提供超出显性评分维度的增量预测。什么不算命中：事后改变“高显性”的阈值、只挑AI文本、只用教师主观印象充当保持任务、把原量表换个说法重新问一遍，都不算支持本文。
第一项是“判准暴露纵向实验”。研究不需要故意降低任何学生的教学质量，而可以利用不同班级已经存在的评分表公开程度、范文训练强度与AI辅助方式差异，连续收集同一批学生三个时间点的作文。每次既按学校现行量表评分，又保留若干不写进评分表的保持性任务。若显性指标随训练稳定上升，而保持性功能先升后平、甚至下降，就说明我们确实观察到了“判准回写”与“功能增长”两条并不重合的曲线。反之，如果两者始终高度同步，CFR作为独立对象的必要性会明显下降。这项研究的关键不是比较哪个班“更会考试”，而是直接追踪同一套判准进入生成回路后，指标的诊断含义是否发生漂移。
第二项是“等分匹配压力测试”。从同一题目中抽取一批在现行评分表上得分接近的文章，最好同时包含学生独立写作、教师深度修改、模板训练和合规使用生成式AI辅助的不同来源，但在盲评时隐藏来源。随后给独立读者实施本文预注册的三个保持性任务，并做关键段落或细节消融。若等分文章在CFR上出现稳定分层，尤其出现大量“高显性达成—低CFR”的合规拟态格，就说明总分压缩掉了一个具有教育意义的差异；如果等分后差异极小，则本文的核心主张受到直接削弱。这里必须强调，来源不是判决依据：AI文本、人工文本、模板文本都只能按同一套CFR程序接受检验，不能把技术身份偷偷写成质量标签。
第三项是“判准轮换与退休实验”。很多作文教学的默认做法是：发现旧评分点被套路化以后，再加一个新评分点，例如从“细节”加到“真情实感”，从“立意”加到“思辨”，最后评分表越来越长。CFR提出另一种可能：与其不断增项，不如把部分已经高度可优化的判准暂时退出显性训练，在保持最低任务边界的前提下，轮换未知保持性任务，观察学生能否把同一篇文字的功能迁移到新情境。如果一个班只有在老师预告“这次考反例”时才会写反例，而换成未预告的新案例适用判断就迅速失效，那么教学得到的可能是新的判准顺从，而非更稳健的写作功能。相反，如果经过一段训练以后，学生对未预告任务也越来越稳定，才更接近本文所谓的正向余量。
三项研究共同构成一条故意对本文不友好的验证路线：第一项问余量会不会随着判准暴露而与显性分数脱钩，第二项问同分文本能不能被余量重新分开，第三项问不再增加评分点时功能能不能迁移。如果三项都失败，最合理的结论不是继续发明更复杂的CFR版本，而是承认现有作文评分已经足以承担“好”的主要判决；只有当这些实验反复发现稳定、可复制、跨学校仍存在的剩余差异时，“判准回写余量”才有资格从一篇概念论文成长为语文教育的有效研究对象。
本文从一个看似朴素的问题出发：何谓一篇作文的“好”？传统回答不断增加正向属性，却较少处理一个二阶事实：评价标准会被教会，被练习，被模板化，被自动反馈，被生成式AI直接优化。一旦如此，“符合标准”与“标准原来试图指向的质量”之间就不能默认保持同一关系。
公司金融与治理让我们看到，公开指标会进入参与者学习并改变后续关联；保护生物学让我们看到，避免灭绝只是底线，恢复还必须包含分布、功能和依赖；软件安全让我们看到，正常运行与鲁棒安全之间必须隔着威胁模型、合法集合和绕过测试。三家并非分别给作文增加一条比喻，而是共同逼出一个新的评价单位：判准回写以后仍保留的功能余量。
因此，本文的核心定义可以压缩成一句话：一篇作文的“好”，是在满足最低任务合法边界之后，当显性评分判准已经被公开并反向塑造写作时，文本在未参与该轮优化的变体任务与独立读者中仍能稳定保持的文体功能余量。 本文称之为“判准回写余量”（CFR）。
这个定义不会让教师放弃评分表，恰恰要求评分表更诚实：哪些是底线，哪些是当前有效的代理指标，哪些已经因为长期训练而需要降权，哪些功能必须去新的情境里验证。它也不会把AI排除在写作之外，而是把问题从“谁敲了这些字”推进到“这些字在标准被学会以后还完成了什么”。
如果这个理论最终成立，作文教育评价的核心动作将发生一次变化：从“把好拆成更多可教的项目”，转向“每当一个项目被成功教会，就主动检查它是否还在指向原来的东西”。真正成熟的评价制度不是拥有一张永远正确的好作文清单，而是拥有更新清单的能力。好作文也不再是“标准的完成品”，而是标准已经成为环境的一部分之后，仍然有结构、有功能、有余量在继续工作。
| 源 | 检索词（节选） | 检索结果 | 判定 |
|---|---|---|---|
| 公司金融与治理 | "corporate governance" + "writing assessment"；governance index + essay rubric；治理指数 + 作文评价 | 未检到治理指标“被学习后关联消失”作为作文评价理论的系统引入 | 干净 |
| 保护生物学与生物多样性 | "IUCN Green Status" + "writing assessment"；species recovery + essay；绿色状态 + 作文评价 | 未检到“避免灭绝≠功能恢复/保护依赖”作为作文评价对象论的系统引入 | 干净 |
| 软件安全与隐私工程 | "control-flow integrity" + "writing assessment"；CFI + essay rubric；控制流完整性 + 作文评价 | 未检到合法目标集合/威胁模型/豁免机制被系统用于作文质量定义 | 干净 |
| 新概念命名 | "判准回写余量"；"criterion-feedback residual"；"criterion feedback residual" writing | 未检到同名概念；检到大量washback/Goodhart近邻，已在正文划界 | 名称暂过 |
| 象限 | 名称 | 判决 |
|---|---|---|
| 低显性 / 低CFR | 基础失效 | 既未满足常规要求，也没有保持性功能 |
| 高显性 / 低CFR | 合规拟态 | 显性高分，但未训练功能不优于匹配基线 |
| 低显性 / 高CFR | 异格有效 | 量表可能漏测真实功能；仍受任务合法边界约束 |
| 高显性 / 高CFR | 稳健好文 | 显性合规与保持性功能同时成立 |
下表不把所有碰撞结果都提升为概念。其作用是显示新对象不是直接从任一家搬运，而是在重复交叉中由多个中间对象收敛而来。至少八个有效涌现物包括：合格—好二分、判准依赖、任务合法集合、合规拟态、回写后二阶评价、撤支架保持、文体功能模块、双层判准制、自反退役机制，最终收敛到“判准回写余量”。
| 脊A | 脊B | 碰撞判断 | 涌现物 |
|---|---|---|---|
| S1 治理指标原有效 | D1 存活≠恢复 | 高分可是真的，但“高分”只证明避免部分失败，不证明正功能 | 合格—好二分 |
| S1 治理指标原有效 | D2 功能进入恢复 | 原先代理指标要由更接近目标功能的读数校验 | 功能保持测试 |
| S1 治理指标原有效 | D3 保护依赖 | 高分需区分自主持有与支架维持 | 判准依赖账本 |
| S1 治理指标原有效 | E1 合法目标集合 | 评价先划最低合法边界，再谈质量 | 任务合法集合L |
| S1 治理指标原有效 | E2 威胁模型 | 评分有效性必须注明生成环境与读者条件 | 评价环境版本 |
| S1 治理指标原有效 | E3 豁免/绕过 | 高分系统中的异常路径必须进入分母 | 退出与豁免日志 |
| S2 发表后关联消失 | D1 存活≠恢复 | 判准越被优化，越要从“没错”转向“有功能” | 回写后二阶评价 |
| S2 发表后关联消失 | D2 功能进入恢复 | 原指标被吃掉后，用未训练功能任务恢复诊断力 | CFR雏形 |
| S2 发表后关联消失 | D3 保护依赖 | 训练成功可同时增加分数与依赖，需分开记账 | 高分依赖态 |
| S2 发表后关联消失 | E1 合法目标集合 | 判准被学会不等于废除规则；底线规则仍公开保留 | 反反指标主义 |
| S2 发表后关联消失 | E2 威胁模型 | 指标意义变化要在新生成环境中重校 | 生态版本校准 |
| S2 发表后关联消失 | E3 豁免/绕过 | 模板与AI可能走规则允许却未想过的高分路径 | 合规拟态 |
| S3 采纳动作回写 | D1 存活≠恢复 | 教学判准是干预，达标只是干预后的表型 | 判准回写 |
| S3 采纳动作回写 | D2 功能进入恢复 | 回写之后必须测正功能剩余，而非再加一个表面指标 | 判准回写余量Z |
| S3 采纳动作回写 | D3 保护依赖 | 撤掉提示/模板后的功能保持成为关键 | 撤支架保持 |
| S3 采纳动作回写 | E1 合法目标集合 | 公开最低边界与动态诊断标准可同时存在 | 双层判准制 |
| S3 采纳动作回写 | E2 威胁模型 | 同一文本的质量证据要随评价生态注明条件 | 条件化好 |
| S3 采纳动作回写 | E3 豁免/绕过 | 任何新CFR指标被制度化后也会被优化，必须轮换 | 自反退役机制 |
| D1 存活≠恢复 | E1 合法目标集合 | 底线合规是必要条件，但安全/质量不能停在底线 | 最低合法+正功能 |
| D1 存活≠恢复 | E2 威胁模型 | “没出错”只在当前条件成立，换条件需重测 | 保持性压力测试 |
| D1 存活≠恢复 | E3 豁免/绕过 | 均值良好可能掩盖关键失败路径 | 尾部失败入账 |
| D2 功能进入恢复 | E1 合法目标集合 | 功能必须在允许任务空间内实现，反规则不等于好 | 异格有效边界 |
| D2 功能进入恢复 | E2 威胁模型 | 不同文体功能需要不同保持任务，不能一张总表 | 文体功能模块 |
| D2 功能进入恢复 | E3 豁免/绕过 | 功能评价需主动寻找“看似达标但可绕过”的文本 | 敌意样本 |
| D3 保护依赖 | E1 合法目标集合 | 支架允许与否属于任务规则，不能事后道德化 | AI/支架合规分离 |
| D3 保护依赖 | E2 威胁模型 | 撤支架是能力测试条件，不是所有作品质量条件 | 作品/能力双对象 |
| D3 保护依赖 | E3 豁免/绕过 | 长期依赖可藏在一次成功后，需连续版本追踪 | 回写依赖曲线 |
| 场景 | 显性达成 | CFR | 判型 | 解释 |
|---|---|---|---|---|
| 独立写作，少量显性训练 | 高 | 高 | 稳健好文 | 高分与保持功能相互支持 |
| 模板强化后量表分上涨 | 高 | 低 | 合规拟态 | 记录“合规进步”，不把全部涨分解释为质量增长 |
| AI润色但观点/证据由学生形成 | 高 | 高或不变 | 可为好文 | AI身份不直接取消CFR |
| AI按量表从题目直接生成 | 高 | 低/未知 | 需保持测试 | 不能由表面完备自动判好 |
| 异格文本量表分较低但迁移强 | 低 | 高 | 异格有效 | 触发量表构念漏失检查，不自动改考试分 |
| 近邻 | 它已经解决什么 | 为何不能1:1替换CFR |
|---|---|---|
| 分析性评分量表 | 把质量拆成维度、等级，强调透明与一致 | 通常不把判准暴露后的策略性生成作为对象变量 |
| 整体评分 | 以整体印象评定作品水平 | 无显性控制与保持任务，难分整体感与功能余量 |
| 构念效度/构念覆盖 | 问分数是否支持对写作能力的解释 | 中心对象是分数解释；CFR中心对象是回写后的文本功能残差 |
| Washback/后果效度 | 研究考试对教学与学习的反向影响 | 已看见“回写”，但通常不把回写后余量定义为好作文 |
| Goodhart/Campbell | 指标成为目标后可能被腐蚀 | 一般原理；缺少作文的正功能、合法边界、支架依赖与保持读数 |
| 过程评价/作品集 | 扩大证据到构思、修订和多篇作品 | 完整过程仍可高度围绕已知量表优化；对象不同 |
| AES对抗鲁棒性 | 测试评分器对异常、跑题、攻击文本的稳健性 | 关注评分器会不会被骗；CFR关注高分文本还剩什么功能 |
| 修辞效果/读者反应 | 强调受众、目的与实际效果 | 未必控制判准暴露，也未必测显性得分之外的保持性增量 |
| 真实性/真情实感 | 强调经验、声音或主体真实 | 难操作，且虚构与协作写作可好；CFR不以作者身份裁决 |
| 原创性/创造力 | 强调新颖、非模板 | 新颖本身可失效；CFR以功能保持高于形式新奇 |
| 字段 | 含义 | 编码 | 规则 |
|---|---|---|---|
| text_id | 文本匿名编号 | 字符串 | 唯一且不可反推学生身份 |
| task_id / genre | 题目与文体 | 分类 | 同类匹配 |
| rubric_version | 显性量表版本 | 版本号 | 必须可追溯 |
| exposure_level | 判准暴露强度 | 0–3 | 0未见；1见过；2系统教学；3实时反馈/直接优化 |
| L | 最低任务合法集合 | 0/1 | L=0不进入“好”判定 |
| C1…Cn | 显性评分维度 | 原量表分 | 不得事后重权 |
| support_type | 支架类型 | 多选 | 教师/模板/AI/同伴/无 |
| H1,H2,H3 | 三项保持任务 | 0/1或比例 | 任务事先注册 |
| CFR_rate | 保持率 | 0–1 | 通过任务数/有效任务数 |
| CFR_class | 余量判型 | 阳性/不确定/阴性 | ≥2/3且双读者组同向=阳性 |
| exit_reason | 退出原因 | 文本 | 不可匹配/任务无效/读者分歧等 |
[1] Abadi, M., Budiu, M., Erlingsson, U., & Ligatti, J. (2005). Control-flow integrity. Proceedings of the 12th ACM Conference on Computer and Communications Security, 340–353.
[2] Akçakaya, H. R., et al. (2018). Quantifying species recovery and conservation success to develop an IUCN Green List of Species. Conservation Biology, 32(5), 1128–1138. https://doi.org/10.1111/cobi.13112
[3] Bebchuk, L. A., Cohen, A., & Ferrell, A. (2009). What matters in corporate governance? Review of Financial Studies, 22(2), 783–827. https://doi.org/10.1093/rfs/hhn099
[4] Bebchuk, L. A., Cohen, A., & Wang, C. C. Y. (2013). Learning and the disappearing association between governance and returns. Journal of Financial Economics, 108(2), 323–348. https://doi.org/10.1016/j.jfineco.2012.10.004
[5] Campbell, D. T. (1976). Assessing the impact of planned social change. The Public Affairs Center, Dartmouth College.
[6] Diederich, P. B., French, J. W., & Carlton, S. T. (1961). Factors in judgments of writing ability. ETS Research Bulletin RB-61-15. Educational Testing Service.
[7] Flor, M., & Cahill, A. (2025). Automated scoring of open-ended written responses: Possibilities and challenges. In Innovative Digital-Based International Large-Scale Assessments (pp. 265–279). Springer. https://doi.org/10.1007/978-3-031-90951-1_11
[8] Gompers, P., Ishii, J., & Metrick, A. (2003). Corporate governance and equity prices. Quarterly Journal of Economics, 118(1), 107–156. https://doi.org/10.1162/00335530360535162
[9] Grace, M. K., et al. (2021). Testing a global standard for quantifying species recovery and assessing conservation impact. Conservation Biology. https://doi.org/10.1111/cobi.13756
[10] Mace, G. M., Collar, N. J., Gaston, K. J., et al. (2008). Quantification of extinction risk: IUCN’s system for classifying threatened species. Conservation Biology, 22(6), 1424–1442. https://doi.org/10.1111/j.1523-1739.2008.01044.x
[11] Odendahl, N., & Deane, P. (2018). Assessing the writing process: A review of current practice (Research Memorandum RM-18-10). Educational Testing Service.
[12] Powers, D. E., Burstein, J., Chodorow, M., Fowles, M. E., & Kukich, K. (2014). Comparing the validity of automated and human essay scoring. In The Research Foundation for the GRE revised General Test. Educational Testing Service.
[13] Quinlan, T., Higgins, D., & Wolff, S. (2009). Evaluating the construct-coverage of the e-rater scoring engine (RR-09-01). Educational Testing Service. https://doi.org/10.1002/j.2333-8504.2009.tb02158.x
[14] Snow, K. Z., Monrose, F., Davi, L., Dmitrienko, A., Liebchen, C., & Sadeghi, A.-R. (2013). Just-in-time code reuse: On the effectiveness of fine-grained address space layout randomization. 2013 IEEE Symposium on Security and Privacy, 574–588.
[15] Xu, X., Ghaffarinia, M., Wang, W., Hamlen, K. W., & Lin, Z. (2019). CONFIRM: Evaluating compatibility and relevance of control-flow integrity protections for modern software. 28th USENIX Security Symposium.
[16] Zhang, M., & Sekar, R. (2013). Control flow integrity for COTS binaries. 22nd USENIX Security Symposium, 337–352.
[17] Zhong, Y., Hao, J., Fauss, M., Li, C., & Wang, Y. (2026). AI-generated essays: Characteristics and implications on automated scoring and academic integrity. Educational Measurement: Issues and Practice, 45(1), e70013. https://doi.org/10.1111/emip.70013
[18] 王德生. (2026). 公司金融与治理·新思想前沿. SDE Universes.
[19] 王德生. (2026). 保护生物学与生物多样性·新思想前沿. SDE Universes.
[20] 王德生. (2026). 软件安全与隐私工程·新思想前沿. SDE Universes.
本文的核心构念是「判准回写余量」：在文本已满足最低任务合法边界之后，当显性评价判准已经公开并进入教学、练习与机器优化，控制这些显性判准的达成程度，文本在未用于训练和评分的保持性任务、变体情境与独立读者中仍能稳定产生的功能增量。
本文正文已与 Goodhart 式指标异化、Campbell 定律、washback 反拨效应、自动作文评分与量表批评逐一交手，并且自己写明：若把创新点放在「评分标准成为目标就会失真」，其不可还原性应当判低。这份自认是准确的，编者只补两位它没有点名、而与它同一条线上的正主。
其一，Messick 的后果效度（consequential validity）。教育测量学在二十世纪八九十年代把效度从「测得准不准」扩展为一个统一概念，其中明确纳入分数使用所带来的社会后果与价值含义——一项测验的效度论证必须包括「这样使用它会造成什么」。本文所说的「判准进入优化回路之后不再是纯测量」，正是这一支的核心关切。分离线：后果效度问的是分数的解释与使用是否正当，其裁决对象是测验方案与使用主张；本文问的是在判准已被学会之后，文本还剩下什么功能，其裁决对象是文本本身，并且给出了一个可清点的余量读数。前者是效度论证的一部分，后者是一个新的被测量。
其二，分数膨胀与不可迁移（score inflation）。教育测量学有一整支实证工作显示：同一批学生在高利害测验上的分数持续上升，而在未用于问责的平行测验上的成绩几乎不动——分数涨了，能力没涨。这一现象与本文的核心主张同形，而且是已有实测支持的版本。分离线：那一支比较的是两套测验之间的分数差，单位是群体与年份；本文比较的是同一篇文本在保持性任务中的功能增量，单位是文本，并要求匹配显性判准达成度之后再比。因此那一支能证明「膨胀存在」，本文要回答的是「在一篇具体的作文上，膨胀之外还剩多少」。
两位都不取消本文，但补上它们之后，本文的位置更清楚：它不是又一次指出指标会失真，而是在指标已经失真这个前提之上，提出一个仍可被清点的剩余量。
本文与《文心探幽·卷一 何谓作文》第二章（篇章定相体）共享「用预注册的变换检验对象」这一方法形状，但所测不同：第二章测的是同一性——变换之后它还是不是这一篇；本文测的是功能余量——在显性判准被控制之后还剩多少。判决性对照：一篇作文可以在保相变换下完全保持同一性（第二章判为同一对象），而其回写余量为零（本文判为高度合规、低功能）。
与卷一第五章（写成事件）的分离线在问什么：第五章问那几处高杠杆裁决由谁完成，属归属问题；本文问文本在判准之外还能做什么，属功能问题。同一篇作文可以结算权完整而余量为零，也可以余量很高而关键裁决由他人作出。
本文原稿的方法工序标签（三学科对撞的内部版本号、选源初筛的编号、专栏体例声明）已在编入时统一改写为学术表述，正文论证一字未改；一条指向内部方法文件的参考文献条目已删除。三门源学科的公开文献与检索记录原样保留。
本附论由编者增补，不计入本文评分。