《中共中央关于全面深化改革若干重大问题的决定》提出，要推进考试招生制度改革，逐步推行普通高校基于统一高考和高中学业水平考试成绩的综合评价多元录取机制。［1］作为中央部署全面深化改革的重大举措之一，《国务院关于深化考试招生制度改革的实施意见》（以下简称“《国务院实施意见》”）［2］于2014年9月正式发布，提出要完善高中学业水平考试。同年12月，教育部发布《关于普通高中学业水平考试的实施意见》（以下简称“《教育部实施意见》”），要求学生学完必修内容参加普通高中学业水平合格性考试（以下简称“合格性考试”）。［3］根据文件精神，目前启动高考综合改革的29个省份均已设置合格性考试。
合格分数线认定方法是确保合格性考试成绩真实可信［4］的关键，但现行合格分数线认定方法的历史局限性愈加显现。本文意在基于新一轮考试招生制度改革框架中合格性考试的功能，探索符合我国国情的合格分数线认定方法的综合模式。
2014年《国务院实施意见》的发布，标志着我国启动了自1978年恢复高考以来，最全面、最系统、最深刻的一次考试招生制度改革。在此背景下，除了为学生毕业提供依据，合格性考试还承载着两大功能：一是在解决“一考定终身”问题中发挥评定功能。高校招生录取总成绩由统一高考的语文、数学、外语3个科目成绩和3个选考科目成绩组成，而报考选考科目的前提是合格性考试成绩须合格［5］，这表明合格性考试也是新高考的有机构成，成绩合格成为录取的先决条件。目前，部分专科层次的招生已直接使用合格性考试成绩，如上海的试点方案便采用合格性考试成绩与职业适应性测试成绩相结合的录取模式。［6］二是在保障教育教学质量中发挥诊断功能。合格性考试主要检验学生是否达到学业合格标准。按照《教育部实施意见》，教育行政部门要加强对考试结果的研究与分析，做好教学反馈与指导，帮助学校准确把握学生的学习状况，推动高中教学质量提升。［7］
现实中，合格性考试的上述功能未能充分发挥。成绩合格的高通过率，使得合格性考试对于考生不构成挑战，直接导致学校在非选考科目上的资源投入、教师教学的积极性和学生学习的动力严重不足，更遑论促进教学改进。近年来，伴随着高考科目合格成绩认定问题的凸显，合格性考试的存废也持续引发热议。本文针对376名高校教师、中学教师和教研员的问卷结果显示，78%的调研对象认为只有合乎国家要求的学生才能毕业，这关乎国家的人才培养和科教兴国战略的实施；合格性考试不仅要检验学生的学习成效，也要检验教师的教学质量，让相关主体重视考试的利害关系；同时也要发挥评价的指挥棒作用，鞭策学生认真对待每门课程，促进其全面发展；而由省级统一组织合格性考试，可以保证考试的严肃性与公平性。这些诉求进一步证实了当前合格性考试所面临的现实困境。
问题症结在于我国现行合格分数线的认定方法。若要改变现状，就必须对认定方法加以重构。重构过程主要受到三个因素的影响，分别涉及效度问题、成本问题和考试的文化惯性问题。围绕这些因素，本文拟研究如下内容：
第一，合格分数线的可解释性。这里的“可解释性”特指合格分数线的内涵与预设解释（即学业合格标准）的契合程度。可解释性越高，表明认定结果效度越高。以此为质量标准，哪种认定方法更科学？
第二，认定方法的可操作性。这里的“可操作性”包括可执行性、复杂度和学科性三重内涵。在可解释性强的前提下，哪种方法相对简单易行？是否存在认定方法的学科性差异？如果存在，又该如何解决？
第三，认定结果的可接受性。这里的“可接受性”包括对于认定结果有效性的认知和敏感性两重内涵。不同群体的认知差别和敏感性表现有哪些？是否已经内化为文化惯性，成为人们对认定工作的共同价值观念？
合格分数线是学业合格群体的最低分数，在测量学术语中，对于合格分数线的认定被称为“标准设定”，这里的“标准”就是区分合格与不合格考生的分数线。［8］合格分数线认定是遵循一套既定的、合理的规则或程序，从而得出一个数字，以区分两种或多种表现的过程。［9］
（一） 我国现行的合格分数线认定方法
目前，我国的合格分数线认定主要采用传统的百分比法，细分为规定不合格率法、统计学特异值法和卷面分数得分率法。有21个省份采用规定不合格率法，不合格率一般控制在1%至5%之间。这种认定方法所需投入的时间短、人力少，无需专业人员参与，合格分数线依据原始总分的频数划定。该方法的优点在于效率高，但是存在让不应合格的考生合格，或让本应合格的考生不合格的可能。规定不合格率法的本质是常模参照，其假设前提是每场考试中必定有且只有规定量的考生不合格，易造成合格分数线脱离学业合格标准的问题。也有省份采用“正态分布中的2个标准差以外的数据为特异值”［10］的统计学原理进行认定，本文称之为“统计学特异值法”，其实质也是规定不合格率法，只是未固定不合格率而已。然而，该方法将统计学指称的“特异值”简单解释为学业不合格，这一逻辑值得商榷。
卷面分数得分率法是一种规定学业合格考生应获得的最低分数或该分数的卷面分数占比的认定方法。在我国，“60分合格”的观念已根深蒂固，目前有6个省份采用该方法，其投入成本与规定不合格率法相差无几。然而，使用该方法的省份仍然背负着控制不合格率的沉重负荷，为了让大多数考生合格，命题不得不降低难度，使得合格分数线的内涵解释极有可能偏离预设的学业合格标准。
目前，国内已有相当一批学者关注到国际上较为流行的安戈夫（Angoff）法和书签法（Bookmark）及两者的混合法［11-12］，但是相关研究成果尚未正式用于大规模教育考试实践。
（二） 国际上流行的合格分数线认定方法及其研究
国际上有关合格分数线认定的方法丰富而多元，这些方法一般包括5个步骤：组建评判专家组、界定合格表现标准、培训评判专家、组织评判、综合评判结果并做出关于划界分数的决策。方法之间的差别在于评判内容、过程组织及决策规则等。［13］概括而言，这些方法具有以下两个特征：
1. 以心理测量学为核心，强调合格分数线的可解释性
合格分数线认定方法的设计主要包含评判内容、参照对象两个维度（见图1）。杰格尔（Jaeger）根据评判内容将其区分为两类：一类以考试内容为中心，依据考试内容作出评判；另一类以考生为中心，依据考生表现作出评判。［14］齐泽克（Cizek）根据参照对象将其区分为两类：一类是常模参照法，依据考生成绩百分位数认定分数线；另一类是标准参照法，参照学业绝对标准而非相对人群进行认定。［15］
图1 合格分数线认定的两个维度
基于对认定结果效度的考虑，大部分认定方法均融合了上述两个维度的多个核心要素。凯恩（Kane）提出，合格标准表达了对合格考生的期望，合格分数线是期望的现实表征。［16］学业合格标准要能有效解释合格分数线的内涵，合格分数线也应足以表征考生符合学业合格标准。由此，可将认定方法概括为三种类型。
第一种是传统百分比法，这种方法在形式上与我国现行认定方法相似，如将合格分数线设定在应答正确率60%，或者设定在参照人群的第98个百分位数。但是这一方法有其使用前提：要有证据表明试卷的编制始终与学业合格标准调整一致，并且每届考生的表现保持稳定。［17］本质上，这一方法是在常模参照法的框架中融入了标准参照法的思想。
第二种是评判临界考生（指分数最低的合格考生）应答情况法，包括内德尔斯基（Nedelsky）法、埃贝尔（Ebel）法、安戈夫法和书签法等。安戈夫法是使用最广泛，被认为最具说服力的方法之一。［18］该方法要求评判专家依据学业合格标准独立判断临界考生在每道试题上的预期分数，然后经过数轮统计、反馈和交流，直至所有评判专家达成一致。累加的预期分数，即为合格分数线。传统安戈夫法并不依赖于考后数据，而实证研究表明在评判的最后轮次向专家提供实际的试题得分率、频数等描述性统计结果，将有助于其作出更清晰的判断。这一结论被修正或扩展后的安戈夫法所吸纳。［19］书签法也是一种较流行的方法。该方法要求运用项目反应理论模型统计每道试题各分数等级的难度（不包括0分等级），并按照由易到难排序制成试题册。评判专家以0.8、0.67或0.5概率为衡量标准，判断临界考生在哪个分数等级上的得分概率正好低于衡量标准。［20］这一方法完全依赖于考后数据。在方法属性上，安戈夫法和书签法都要求依据学业合格标准进行评判，遵循标准参照法优先、常模参照法为辅的原则；在评判维度上，书签法则偏重以考试内容为中心、辅以考生为中心的逻辑。
第三种是根据考生行为表现分类的方法，这种方法以专家对考生充分熟悉为前提，更适用于基于题库的标准设定，包括临界分组法、对比组法和原型组法三类。临界组法将考生分为合格组、临界组和不合格组，以临界组分数分布的中位数为合格分数线。［21］对比组法将考生分为掌握组和非掌握组，其确定合格分数线的统计方法有两种，一是分别计算两组分数分布的中位数（或平均数），并将分数线定义为这两个中位数（或平均数）的中间值；二是使用逻辑回归法，将使考生归入任一组别概率为0.50的原始分数作为合格分数线。［22］原型组法要求专家分别找出最具代表性的合格与不合格的考生，将其作为两类群体的原型，再运用拉希模型（Rasch Model）估算这些考生的能力值，最后使用逻辑回归法确定合格分数线。［23-24］
综上可见，无论是以考试内容为中心，还是以考生为中心，合格分数线的认定都以学业合格标准为起点，且最终仍需依据标准解释分数线的内涵。
2. 立足公共政策，呈现兼顾考试社会性的趋势
学界普遍认为，合格分数线的认定对考生、家庭、学校和社会有着广泛的影响。一是结果的利害性，合格分数线的认定结果是衡量考生学业合格，甚至毕业的重要依据；二是结果的敏感性，如果不合格率过高就会加重教师和学校压力，增加补救教学的成本，甚至引起社会不稳定。
基于此，认定方法设计在追求高效度的同时，需要兼顾考试的社会性，这一特征在贝克（Beuk）和德·格鲁伊特（De Gruijter）提出的折中类方法中已有所体现，他们要求每位评判专家都要对合理的分数线和合适的通过率作出判断，并对两种判断结果进行加权。［25-26］如今，分数线的认定“基本上是一种政策制定活动，可以参考专家判断和利益相关者的意见，并非全然由任何实证研究决定”［27］。这一观点已经成为共识，因为合格分数线认定的主体是教育行政部门，评判工作组的工作源自这些部门的授权，他们的工作是为合格分数线的认定提供建议，而非最终决策者。海特尔（Hartel）、贝默斯（Beimers）和迈尔斯（Miles）的简报法提供了一种兼顾多元主体诉求的认定方法。该方法包括编制简报和召开合格分数线决策会议两个阶段。第一阶段的简报内容包括：（1）选定一组（约10个）可能分数线，这些分数线来源于教育行政部门的指导意见，与教师、学校等利益相关者的协商结果，以及评判专家判断的结果。一般以累积分布函数图表示，横坐标表示得分率，纵坐标表示达到该得分率的合格率，按得分率和合格率的上限与下限，分别画平行的垂直线和水平线，两对平行线所界定的方框内的曲线，代表了最终合格分数线的合理区间；（2）为每个分数线推导出相应的分数解释；（3）提供每个可能分数线认定结果的效度证据、成本预测等。第二阶段召开决策会议，审查任何一个可能分数线的所有相关证据并展开讨论，最终协商作出决策。［28］简报法的优势在于在认定伊始便让各方充分表达利益诉求，包容了他们的共同认识，即文化惯性。同时，以效度证据作为决策依据，使方法本身具备灵活性，又使最终的合格分数线具备较高的可解释性。
文献综述对于重构我国合格分数线认定方法，具有如下启示：
（1）合格分数线认定是合格性考试开发的关键环节，认定必须依据学业合格标准，同时也受考试目的、考生群体特征等因素约束。不仅要考虑效度问题，更要平衡不同利益主体的诉求，了解他们对于认定工作的理解和期待，例如对于安戈夫法或者书签法的接受程度等。认定方法的设计应尊重所有利益相关者已经形成的文化惯性。
（2）认定的合格分数线的质量取决于能否有效控制两类错误发生的概率，最重要的是合格分数线能否解释为学业合格标准。每个合格分数线都会包含一定的分类误差，关键是要将误差控制在可承受范围内。不可能存在唯一的绝对正确的认定结果，应允许专家推荐一组分数线供决策。决策结果还应有充分的效度证据支持，不能单纯以专家认定结果为最终依据。
（3）教育部颁布的各学科2017年版普通高中课程标准，已经明确学业标准是以学科核心素养及其表现水平为主要维度，结合课程内容，对学生学业成就表现的总体刻画［29］，规定了各学科学业合格应达到的标准。这为合格分数线的认定提供了标准参照，使借鉴安戈夫法或书签法组织专家评判成为可能。
（4）截至2010年，与单一认定方法研究热度下降形成对比的是，组合式认定方法的研究呈现上升趋势，表明合格分数线认定逐步抛弃定法，趋向多样化。在借鉴各种方法思想实质的基础上，把握分数可解释性和利益综合性原则，探索认定方法的综合模式具备充分可行性。
本文对合格分数线认定方法设计的影响因素展开研究，在此基础上提出重构方案。研究设计包括两个部分：（1）通过对多种认定方法的比较，特别是安戈夫法和书签法的认定过程，实证比较方法的可解释性与复杂度等，提炼可资借鉴的内容；（2）通过问卷，调研不同群体对于方法可操作性和结果可接受性的态度，提炼认定方法重构中的文化惯性。
（一） 合格分数线可解释性的比较
1. 涉及科目及考试项目
研究选取某年S市合格性考试中的语文、数学、英语、物理、思想政治、信息技术（机考）科目，以及该年高考的语文、数学、英语科目，共涉及2个考试项目中的9份试卷。合格性考试和高考各科目的满分分别为100分和150分（特指语文、数学和外语）。
2. 认定方法
聚焦我国现行的规定不合格率法、统计学特异值法和卷面分数得分率法，另选择安戈夫法和书签法进行对比。之所以选择这两种方法，一是我国的大部分省份合格性考试的开发不具备题库支撑，缺乏等值基础，不适宜使用根据考生行为表现分类的认定方法；二是安戈夫法和书签法是目前应用最广泛的方法，研究文献多，理念及其程序较为成熟，其中安戈夫法还有简单易行的特征。
3. 工作组
共组建6个科目的9个工作组，为比较同一方法由于人群不同造成的认定结果的差异，物理、思想政治和信息技术分别组建2个工作组。每个工作组平均人数为11人，由高校教师、中学教师、教研员构成，其中包含部分参加当年试卷命制的命题人员，具有群体代表性，也便于比较命题经验对于认定过程、结果的影响。
4. 评判标准
（1）若分类质量指标达到0.8及以上，即表明合格与不合格的分类一致性和分类准确性处于可接受范围。（2）若有证据证明合格分数线能够表征学业合格标准，且其内涵能够有效解释为该标准，则说明该合格分数线可解释性较强。
5. 研究过程
第1步，综合国内外经验，分别编写安戈夫法和书签法合格分数线认定操作手册。［30-32］对认定工作主持人进行专项培训（本文作者几乎都以主持人的身份参与认定工作），并按照“操作手册”准备相应材料。第2步，由学科秘书主持，实践两种认定方法，获得认定结果并保留工作中所有原始材料。其中，运用安戈夫法开展9场认定工作，书签法开展4场（不含语文、数学和英语），共13场。第3步，计算我国现行认定方法的认定结果。规定不合格率法设定5%不合格率；卷面分数得分率法设定60%的得分率标准；统计学特异值法取平均分减去2个标准差的差值作为合格分数线。第4步，统计五种方法的分类结果，包括考生的不合格率和分类质量指标。不合格率的统计依据各项原始总分频数分布，累加小于合格分数线以下的频数。分类误差的统计采用Rudner方法，该方法基于项目反应理论模型估计，统计结果主要包括两项核心指标。一是分类一致性PC，指如果考生重复参加该项考试，被相同地划分为学业合格或不合格的概率，又称分类信度；二是分类准确性PA，指根据考生在考试中得到的观察分数所做的合格或不合格的决定和根据其真分数所做决定的一致性。［33］
（二） 认定方法可操作性和认定结果可接受性的调研
1. 调研对象
共有376名来自高校、中学和教研部门的代表参加调研。包括：（1）参加多种方法实践比较的工作组成员90名，其中中学教师占48.89%、教研员占18.89%、高校教师占27.78%、学科秘书占4.44%。在90名成员中，参与当年试卷命制的命题专家和非命题专家各占50%；（2）作为非工作组成员的中学教师和教研员代表286名，其中中学教师占76.81%，教研员占23.19%。各学科调研对象均覆盖全市16个区。
2. 调研方法
所有工作组成员通过问卷星回答问题；作为非工作组成员的中学教师和教研员代表在现场回答纸质书面问题；语文、数学和英语科目工作组成员也以纸质书面方式回答问题。调研题目包含选择题和半开放式问题。在调研结束后，一方面统计选择题每个选项的选择频率，另一方面编码半开放式问题的应答并统计词频。
3. 调研内容
针对所有对象，征询他们对于合格性考试功能的诉求。除此之外，针对工作组成员，调研其对于认定方法科学性、认定结果影响因素、安戈夫法和书签法的可操作性等方面的观点。针对非工作组的中学教师和教研员代表，重点调研其对于五种方法的认定结果和不合格率的敏感程度，以及对安戈夫法和书签法的可接受程度。针对语文、数学和英语工作组成员，重点调研高考科目如何认定合格分数线。
（一）可解释性的比较结果
1. 若将安戈夫法与书签法归为一类，四种方法认定结果差异较大
四种方法认定的合格分数线差异悬殊。其中，差异最小的是语文合格性考试，统计学特异值法的认定结果最低，卷面分数60%法的结果最高，两者相差8分。而物理合格性考试的内部差异最大，同样是统计学特异值法认定结果最低、卷面分数60%法最高，分数线相差达47分。即便考虑高考满分因素，合格分数线差异未表现出与科目或考试项目的相关性，即不存在某一科目的各种方法认定的合格分数线均偏高或偏低的情况，也不存在因高考或合格性考试性质的不同而出现分数线高低差异的情况。同样，机考科目信息技术与其他笔试科目之间、文科与理科科目之间均不存在明显的规律性差别。
2. 分类一致性指数PC和分类准确性指数PA均表现良好
分类一致性指数PC和分类准确性指数PA受到合格分数线在分数分布中的位置影响，越是远离平均分的指数越高，越是靠近平均分的指数越小。语文、思想政治有5个分数线几乎与平均分等值，导致分类一致性指数PC低于0.8，其他数据均逼近0.9，且分类准确性指数PA均高于分类一致性指数PC。数据表明，分类误差统计指标并不能直接反映五种方法的认定结果质量。
3. 包含命题专家的同一工作组，运用安戈夫法与书签法的认定结果较为接近
6个科目中，物理和思想政治实践了书签法。在物理科目上，同一群体运用安戈夫法和书签法认定的平均值分别为53.1和55，中位数分别为52和54。在思想政治科目上，同一群体运用安戈夫法和书签法进行了两次认定，第一次的平均值分别为54.62和51.42、中位数分别为54和51，第二次的平均值分别为59和56.89，中位数分别为61和57。然而，在信息技术科目上，运用书签法认定的平均值和中位数分别为44.44和36，差值较大的原因在于中位数所在分数等级的b值（项目反应理论下的试题难度指标）所对应的原始分数偏低。经过再次研讨，工作组成员一致认为，不能越过该分数等级提高对临界考生的要求。这一过程暴露了书签法在运用项目反应理论时可能遭遇的困境。
（二） 可操作性的调研结果
1. 方法的可执行情况
92.22%的工作组成员认为，试卷本身的难易程度会影响合格分数线的认定。他们认为影响判断的因素有：难度预估、学业合格标准、实际考试数据统计结果、预期不合格率、专家团队和特定考生群体。在运用安戈夫法认定的过程中，受到难度预估影响的成员最多，为65.56%。总体上，受学业合格标准影响的成员占48.89%，命题专家受标准影响较大，占57.78%。认定过程中成员之间的影响力占20%。也有4.44%工作组成员参考实考数据，4.44%受到预期的不合格率干扰。与安戈夫法相比，书签法受到学业合格标准和成员互动的影响明显下降，试题册所反映的实考结果的影响有所上升。虽然难度预估的影响下降到32.22%，但其仍然是书签法认定的最大影响因素。概括而言，两种方法受难度预估的影响远胜于学业合格标准。82.25%的教师和教研员代表在预判合格率时首先考虑试题难度，14.86%的代表综合考虑试题难度与学业合格标准，只有1.09%的代表仅以学业合格标准为判断依据。综合来看，如何深入领会和自觉使用学业标准，淡化对试题试卷难度的关注，建立高度的学业标准意识，是执行安戈夫法和书签法面临的主要障碍。
2. 方法的复杂度
规定5%不合格率法、统计学特异值法和卷面分数60%法简单易行，时间和人力投入较少。相对而言，安戈夫法和书签法较为复杂，但两者之间也有差别——书签法前期准备的投入明显大于安戈夫法，主要在于试题册的制作过程，包括数据整理，运用项目反应理论模型进行统计，按照分数等级的难度由易到难编排成册。认定程序上，安戈夫法和书签法都以平均3次的认定达到收敛，形成认定结果。其中，安戈夫法每次都为独立评分，书签法包含1次集体商讨。集体商讨是指在最后一次评分讨论中，专家能够商讨达成一致意见而无需再独立评分的情形。这是对原有工作程序的调整，在某种程度上也是书签法耗时少于安戈夫法的主要原因。若工作组不包含命题专家，则认定工作的耗时将增加1至1.5倍。
3. 方法的学科性
关于能否根据高考结果认定合格分数线的问题，100%的英语组成员认为可行，100%的数学组成员则认为不可行，而语文组成员仅有8.33%认为可行。然而，语文和数学工作组成员，却都以安戈夫法对高考试卷的合格分数线进行了认定，以实践证明了其可行性。关于如何命制合格性考试试卷的问题，85.71%的英语组成员认为可以依据学业合格标准，从高考试卷中抽取部分试题，针对这部分试题及其考试结果进行认定；14.29%的成员认为需要依据学业合格标准，进一步调整部分试题的分值及其评分标准。而语文和数学组成员坚持认为合格性考试试卷需要单独命制。关于高考与合格性考试的认定结果是否可以类推的问题，85.71%的英语组成员认为可以将基于高考的合格认定结果类推到合格性考试；但极少有语文和数学组成员认可此做法，大部分认为不可行。
以上形成了两种截然不同的看法。英语组成员支持根据高考结果认定合格分数线的理由主要有：依据标准命题，确保一定比例合格水平试题，具有理论上的可行性，这种方式可以简化程序，减轻学生负担。同时，教学过程和评价都是循序渐进的，高考试卷对语言微技能实现了全覆盖，试题难易结合且基础知识及基本语言技能的考核占比高，部分试题已符合学业标准水平一的要求。然而，语文和数学组成员持反对意见，认为课程标准要求不同，考试目标和考试内容不同，高考试卷难度大，考生群体反差巨大，没有类比性。
（三） 可接受性的调研结果
1. 对认定结果科学性的认知
以减少对考生学业合格的误判为标准，工作组成员对五种认定方法的科学性由强到弱进行排序。44.44%的工作组成员认为安戈夫法和书签法科学性最强，其次是选择统计学特异值法，41.11%的工作组成员认为卷面分数60%法的科学性最弱。在安戈夫法与书签法的科学性比较中，总体选择不分伯仲，其中命题专家更加认可书签法。然而，非工作组的中学教师和教研员代表的选择倾向与工作组成员截然相反。针对“你认为较理想的合格分数线的认定办法”这一题，61.96%的中学教师和教研员代表明确认可规定5%不合格率法，其次是卷面分数60%法，选择统计学特异值法、安戈夫法和书签法的代表分别只有20%左右。值得注意的是，在未告知所列分数线对应认定方法的盲选场景中，学科教师针对“你认为这份试卷的合格分数线”进行选择，统计显示9份试卷中选择率最高的分数线里，有5份试卷的分数线来自规定5%不合格率法，3份来自卷面分数60%法，2份来自安戈夫法与书签法的标准设定。这一盲选结果与他们主动选择的倾向不谋而合，说明教师最为了解考生，但也反映出他们对学业合格与不合格的判断已形成了固化认识。两个群体中都有教师不认可单一的认定方法，建议设计组合方案。工作组认为应取安戈夫法与书签法之长，而中学教师和教研员代表的方案中包含了规定百分比法。结合上述调研结果可见，规定百分比法已是该群体最为认可的方法。
2. 认定结果的敏感性
本文以合格分数线的波动幅度和不合格率的大小作为认定结果的敏感性指标。采用统计学特异值法认定的合格分数线均明显偏低，对应的不合格率也最低，一般不超过5%；而采用卷面分数60%法认定的合格分数线均为最高，不合格率也相应最高。除语文外，其他科目不合格率基本在30%以上，物理甚至高达64.9%。不合格率将引起强烈的敏感反应。调研数据显示，96.67%的工作组成员表示能接受每年合格分数线的波动，35.56%的成员能接受的波动范围是1—5分，30%的成员能接受6—10分的波动，只有4.44%的成员能接受10分以上的波动。73.19%的教师和教研员代表可承受的不合格率为1%—5%，11.59%的代表能承受6%—10%的不合格率。总体上仅有1.81%的教师能承受30%以上的不合格率，其中物理和数学科目教师的占比略高。
（一）认定方法的影响因素模型
基于研究结果，本文完成对合格分数线认定方法影响因素模型的构建，并明确综合模式是认定方法重构的方向。如图2所示，影响因素来自合格分数线内涵、认定方法、认定结果三个维度。
图2 合格分数线认定方法的影响因素模型
1. 合格分数线内涵的可解释性
学业合格标准是合格性考试的考试目标，合格分数线的预设解释就是学业合格标准，合格分数线内涵与学业合格标准一致是判断合格分数线认定方法有效与否的重要证据。这一证据应作为重构的首要考虑因素。一方面，并不是所有方法的认定结果都能解释为学业合格标准。各种方法认定的合格分数线并不一致，意味着这些方法之间不具有内在逻辑，不可能达成统一的分数解释。即便出现相同分数，也因参照系不同而不能作出相同的解释。另一方面，合格分数线的可解释性是判断分类决策的必要条件。Rudner统计结果表明，对于有质量保证的大规模教育考试而言，分类一致性信度指标只是分类决策的充分条件。作为效度指标［34］，分类准确性指标需要经验验证，即由专家对合格分数线内涵作出解释。综合来看，安戈夫法和书签法的认定结果具有较强的可解释性。两种方法都依据学业合格标准进行认定，且工作组包含熟悉标准的命题专家，以致认定结果更为接近。因此，重构合格分数线认定模式时应至少使用其中一种方法。若条件允许可以考虑综合两种方法，其积极意义在于能有效解决类似信息技术科目在合格线分数认定过程中遭遇的困境，甚至借鉴简报法的精髓，以两种方法的认定结果界定合格分数线的合理区间，从而丰富决策依据。
2. 认定方法的可操作性
可操作性涉及可投入的人力资源和时间成本，简单易行并不是方法取舍的唯一标准。研究表明，我国现行三种方法成本低但认定结果的可解释性弱。在满足可解释性的前提下，综合考虑可执行性和复杂度，本文建议优先使用安戈夫法，同时可以借鉴书签法编制试题册。工作组应保证命题专家的占比，这类人员更为熟悉试题和试卷且了解学业合格标准内容，有助于提高认定过程中的工作效率，强化团队的标准意识。在方法的学科性方面，应尊重学科自身规律，由学科自主决定合格性考试试卷的组卷方式。但是，由于考生人群不同、试卷内容不同，不建议将基于高考的认定结果类推到合格性考试，反之亦然。对于只参加高考的考生和只参加合格性考试的考生，应按照规定的方法分别认定合格分数线。
3. 认定结果的可接受性
无论是对结果科学性的认知，还是对结果敏感性的反馈，都反映了业已形成的文化惯性。调研对象普遍可接受的合格分数线年际波动范围是1—5分，而可承受的不合格率是1%—5%，至多不超过20%，加之“60分合格”的普遍观念，这些都应转化为合格线认定方法重构的约束指标。认定方法的综合模式是重构的方向，关键在于如何在传统认知、标准参照和常模参照之间找到平衡点。可以设想的是，在没有题库支持的情况下，可考虑预设合格分数线，将分类误差控制前移至命题阶段，而非传统的考后阶段。同时，将安戈夫法、书签法嵌入综合模式，向决策部门推荐合格分数线的合理区间，而非由其最终认定。要根据梅西克（Messick）的统一效度观，勾勒认定结果效度验证的证据框架，为决策提供基础。此外，要加强专业队伍的培养：认定方法的设计者应能言说理论基础，优化工作流程，明确职责分工等；各子程序的操作者应树立系统观念，以育人理念为引领，积极协同配合；专家、教师以及教育管理者都须具备专业眼光与能力，成为可投入实践的专业力量。
（二）构建合格分数线认定方法的综合模式
基于以上影响因素模型，借鉴简报法的经验，本文提出“命题控制+专家论证+行政决策”合格分数线认定的综合模式。该模式打破考后认定思维，以合格分数线内涵与预设解释相一致为质量标准，要求命题端控制预设合格分数线，并由专家进行考后论证与微调，由行政部门进行平衡决策。
1. 命题部门承担重要角色
这要求从考试设计伊始至命题过程，都要有意识地控制认定结果。这里需要解决三个问题。
其一，解决认定标准问题。［35-36］考试设计时应依据合格水平的学业标准，编制针对本地区临界合格考生的素养表现，形成“临界合格学业标准”。合格性考试的重要功能是鉴别学业合格与不合格考生，临界考生是考试设计重点关注的群体。而课程标准规定的合格水平标准内部包含了由高到低的不同层次，使得命题和合格分数线认定缺乏聚焦临界考生的依据，86.67%的工作组成员对此感同身受。临界合格学业标准的存在，将更有效地控制试题复杂度，有助于增加适宜鉴别临界考生的题量，确保临界合格区间的测评信息量足够大，从而增强合格分数线的可解释性，以更好地发挥考试评价的作用。临界合格学业标准具有两大特征：一是关联试题复杂度，需对此作更为细致的描述。试题情境的结构良好程度和完整度、应答要求开放程度等都会对考生产生层次更为丰富的刺激，同时评分颗粒的粗细也会对试题鉴别功能造成影响。二是在不脱离合格水平标准框架的同时，应充分结合地区教育发展实际，并且随着区域教育进步适时调整，从而有序推进课程标准的落实。
其二，预设合格分数线范围。分数线范围的预设是多元利益平衡的结果。首先，依据临界合格学业标准，以安戈夫法和书签法模拟认定近两年合格分数线，观察本地区合格分数线是否稳定。然后，通过调研了解包括教育行政部门在内的不同利益主体对于合格分数线、不合格率的承受力，如果不合格率较高，则敦促教学做出改变，而不是一味妥协。最后，界定合格分数线的合理范围还应考虑学科间的平衡问题，若学科间的差异较大也会引起质疑。需考虑另一种特殊情形：若近两年试卷并不能充分体现合格水平学业标准的要求，解决途径是重新编制符合学业标准要求的试卷，组织抽样调研后再进行模拟认定。
其三，解决命题控制问题。命题组要能归纳上述处于合格分数线范围内试题的特征。严格依据学业合格标准命题，难度控制聚焦于有效鉴别合格与不合格的考生，杜绝为了向难度妥协而命制大量低于学业合格标准的试题。在磨题过程中应充分讨论，明确对临界合格考生的预期分数，以技术上的精细化把控稳定合格分数线，避免合格分数线大幅波动。调研结果显示，至少50%的命题专家自认为可以根据预设合格分数线命制试题、试卷。
2. 专家论证起到微调作用
专家论证是为保证公平性而设的必定程序，是对命题控制结果的验证和修正，其结果是推荐一组合格分数线。其中也要解决三个问题。
其一，对安戈夫法和书签法进行本地化改良。如在最后轮次提供实际考试结果，引导专家的评判更符合本地区的教情与学情。针对技术力量薄弱的地区，可以仅提供描述性统计结果，如试题难度和区分度，分数频数及选项选择率等。针对技术力量较强的地区，可以同时提供按照书签法要求编制的试题册，深入每个分数等级难度的统计结果，使评判依据更为具象，而在实践中这样的“难度谱系”也深受专家欢迎。
其二，组建具有广泛代表性的优质专家组。高校、高中学校和教研部门是专家组成员的主要来源，“优质”的要求首先体现为对课程的理解，而非局限于学科专业功底。虽然70%的工作组成员表示使用过学业标准，但是在调研“你对改进安戈夫法、书签法的建议”时，他们还是表示熟悉课程标准理念、熟悉学业标准是作出评判的关键。调研数据也表明，参加当年试卷命制的命题专家可以起到提高工作效率、提升认定结果质量的作用。因此，建议将是否具有命题经历列为遴选条件。
其三，控制论证程序。本研究中，安戈夫法与书签法的平均每场论证时间为0.5天，其中还包含培训环节，速度远超文献记录。但事后调研表明，部分参与者对于论证过程和论证结果存疑，或者在论证过程中缺乏独立评判能力，这说明为保证专家论证效果，必须扎实做好前期培训工作并控制论证程序。
3. 行政决策
作为公共政策，合格分数线认定最终由教育行政部门发布，行政决策是认定的最终环节。决策内容包括两个方面。
其一，确认合格分数线。考试机构等专业部门应向行政部门提供前期工作内容及结果，诸如认定方法、推荐的一组合格分数线及其不合格率、所有分数线的分类一致性和分类准确性以及其他效度证据，以便决策者了解全部信息，充分平衡认定结果的科学性、社会性。
其二，确认公布内容。从促进育人的功能定位看，建议依据学业合格标准对考生表现作出诊断和解释，引导考生有依据地反思本人学科学习情况，理性思考进一步改进的空间。同时，应报告学校（含班级）、区域情况，发挥考试后效的激励、鞭策作用，从技术上促进教学与考试的有机衔接，这是一种以课程标准为共同语境的衔接。
以上“命题控制+专家论证+行政决策”认定方法，尊重了我国考试文化的惯性，符合我国教育发展实际。而方法中安戈夫法和书签法的综合、临界合格标准的描述、合格分数线范围的预设等，都具有创新性。最具挑战性的是在命题环节控制认定结果，因为这是在经验性命题而非基于题库的命题中进行控制。
（三） 构思高考科目合格分数线认定方法
鉴于高考考生与单纯报考合格性考试的考生存在一定差异，政策层面应明确允许两类群体实行差异化的合格分数线认定，结合各自评价场景构建针对性认定路径。
对于参加高考考生的合格分数线认定，可以采用倒果为因的思路。若考生高考成绩足以报考高等院校（俗称“上线”），即可认为合格。对于未达到报考分数线的考生，则采用专家论证方式确定其是否合格。论证过程中，应参考高考报考分数线，以及该分数线附近考生群体的特质，如合成分数分布，各科平均分、原始总分频数分布等。
对于单纯报考合格性考试的考生，应提供专门的试卷并规范考试组织，是否从高考试卷中裁剪整合为合格性考试试卷，需按照学科特点灵活确定。这一安排涉及考务组织问题，如果合格性考试试卷是高考试卷的子集，则需统筹安排同场考试。在认定合格分数线时，应将单纯报考合格性考试的考生作为独立群体予以研判，不掺杂任何高考相关数据信息。
教育评价事关教育发展方向［37］，为进一步完善合格分数线认定方法综合模式，未来本研究将扩大调研对象，关注学生、家长、教育管理者等利益相关主体，以便获得更加全面而可靠的结论；同时将在实践中逐步形成有关操作手册，其中包含完整的证据链框架，保障考试结果分析的真实可信。［38］
参考文献：
