Ofqual 的「可比结果」（comparable outcomes）机制，正是为了防止考试局之间的竞争演变成一场压低标准的竞赛。英格兰的分数线并不是每年固定在某个分数上——而是根据该届学生过往表现的统计证据进行调整，使得 AQA 给出的某个等级，与 Pearson Edexcel 给出的同一等级，理应代表相同的水平。这套机制是否完全消除了考试局想被视为「更容易」的每一种潜在动机，目前确实存在争议，本文也不会给出比现有证据所支持的更笃定的结论。

这是家长对英格兰这套体系提出的最古老的担忧之一：如果四家不同的机构都在争夺同一批学校的生意，难道其中至少有一家没有动机把考试出得容易一点，来抢占市场份额吗？这是一个合理的问题。而这也正是 Ofqual 专门被设立来回答的问题——在下结论之前，这套机制本身值得先弄清楚。

这种担忧，说得明白一点

学校可以为每个科目自行选择使用哪个考试局。如果成绩仅仅取决于「整张试卷答对了多少分」，那么一个考试局如果其试卷持续为相同的实际能力水平给出更高的成绩，就可能吸引更多学校——原因不是它的教学或内容更优秀，而是它的成绩数据在学校的成绩排行榜上看起来更好看。如果不加以约束，理论上这种动态可能会拖累所有考试局的标准，因为每一家都在竞相避免成为「更难」的那一个选项。

对一个多考试局并存的体系而言，这是一个真实且合理的担忧，而这也正是「可比结果」机制被设计出来专门要消除的担忧。

「可比结果」究竟如何运作

Ofqual 并不是每年把分数线固定在某个具体的原始分数上，而是要求各考试局根据统计证据来设定分数线——主要依据是该届考生的先前学业水平（对 GCSE 而言，通常参考学生的 Key Stage 2 成绩作为预测指标）。其目的是：对于先前学业水平相近的一届学生，无论这一年的试卷实际上比预期更难还是更容易，也无论是哪个考试局出的题，各等级的达标比例都应与往年大致相当。

Ofqual 自己发布的可比结果技术指南对此有正式说明。就「多个考试局是否导致成绩膨胀」这个问题而言，关键点在于：由于分数线是锚定在该届学生的统计证据之上，而不是一个固定分数，因此某个考试局无法单方面选择多颁发一些高等级来让自己显得更有吸引力——它的分数线要受到所有其他考试局同样遵守的这套证据基础的约束。

这并不意味着个别学生的成绩是提前定好的。某个学生具体拿到什么成绩，仍然完全取决于他/她当天的考试表现；可比结果所约束的，是整届学生在该科目、该考试局下的整体分布，使其与类似届别历年的实际表现保持一致，而不会独立于学生能力之外无端上升或下降。

成绩膨胀是否还是发生过？

发生过——但目前有据可查、最明确的一次，并不是考试局之间竞争所导致的。在 2020 年和 2021 年这两个疫情年份，GCSE 和 A-Level 考试根本没有举行；成绩改为依据教师评估和学校中心评估（Teacher Assessed Grades 与 Centre Assessed Grades）来给出。与疫情前依靠真实考试得出的结果相比，这两年的整体成绩水平都出现了明显上升——这一模式 Ofqual 已在其关于 2020 与 2021 年资历评定的专题合集中做了详细记录和讨论。此后随着分数线逐步回归疫情前「可比结果」的常规水平，成绩也在接下来的几届考试中逐步回落。

这一时期确实是英格兰体系中一次真实、且有充分证据支持的成绩膨胀案例。需要精确说明其原因：它之所以发生，是因为在特殊情况下考试本身被换成了另一种评估方式，而不是因为四个考试局在正常考试条件下相互竞争。把它归因于「存在多个考试局」并不准确——同样的疫情冲击即便在单一考试局体系下也会产生类似效果，因为这一风险的根源在于机制本身（没有外部考试，由教这个学生的人来评估他/她），而不是考试局之间的竞争。

一个具体案例：分数线调整实际是什么样子

用一个具体例子更容易看清这套机制。假设某个考试局在某年夏天出的一份 GCSE 数学试卷，等结果出来后发现比该考试局原本设想的更难——也许某道题的措辞含糊不清，或者整张试卷相比往年同科目的试卷时间压力更大。在按原始分数计分的体系下，这只会单纯地导致当年成绩下降，纯粹是试卷难度带来的一个副作用，而不是学生数学能力真的发生了变化。而在「可比结果」机制下，该考试局（在 Ofqual 监督下）会相应下调各等级所需的原始分数——比如某一年拿到 7 级可能只需要 62 分（满分 100），而不是通常的 68 分，因为关于该届学生先前学业水平的统计证据（很大程度上来自 Key Stage 2 成绩）显示，具备 7 级数学水平的学生比例其实并没有变化，变的只是试卷本身的难度。学生看到的是一个等级，而不是原始分数，所以这种再校准对他们而言是不可见的——但正是这套机制，防止了「今年 AQA 的试卷异常难」演变成「AQA 是一个更难拿分的考试局」。

真正的争议究竟是什么样子

「可比结果」机制并非全无争议，一篇公允的文章应当如实指出这一点，而不是把这套体系描绘成不容质疑。研究者和评论者提出的问题包括：

  • 把结果过于严格地锚定在先前几届学生的表现上，是否会让人难以察觉教学或课程随时间推移真正取得的进步，因为目标分布部分依赖于历史数据。
  • 用来预测该届学生表现的具体统计模型，是否足够透明、足够稳健，能够承载被赋予的这么大的权重。
  • 「可比结果」是否真的完全消除了考试局希望被视为「更容易」的每一种更隐蔽的动机——例如通过大纲设计、题型风格，或课程作业的可选性来实现，这一点在「择局而考」：学校会挑选最容易的考试局吗中有详细讨论。

在研究评估政策的人士中，这确实是一片存在真实争议的领域，如果本文在这一点上给出一个盖棺定论的结论，那是不诚实的。可以有把握说的是——因为这是已公开的监管设计事实，而不是观点——「可比结果」所采用的机制，本身就是专门为了防止「考试局降低标准以抢占市场份额」这种直接路径而设计的；至于它是否完全成功，则是另一个更难回答的问题。

「择局而考」是否达成了成绩竞争做不到的效果？

既然「可比结果」封堵了直接靠成绩宽松来竞争的路径，那么就值得追问一个本文尚未在别处回答的更尖锐的问题：学校能否通过选择考试大纲，而不是选择分数线，来达成类似的效果？这是一个不同于成绩膨胀的问题，在「择局而考」：学校会挑选最容易的考试局吗中有详细论述——但值得在这里先点出的简短结论是：考试大纲设计（题型风格、话题选择、大纲结构方式）与分数线并不是同一个杠杆，而「可比结果」这套机制根本不涉及考试大纲设计。一所学校完全有可能发现某个考试局的大纲风格更契合本校学生的强项，而并非任何一方的成绩相对另一方存在膨胀——这与本文所关注的成绩膨胀是一个真正不同的现象，在阅读关于考试局「更容易」的说法时，值得在概念上把两者分开。

总结

存在多个考试局，理论上确实会产生一种围绕「感知上更容易」而展开竞争的动机，而 Ofqual 的「可比结果」机制正是为了堵住这条路——它把分数线锚定在统计证据上，而不是让任何一家考试局自行设定标准。英格兰确实发生过成绩膨胀，最明显的一次是在疫情导致考试取消的那几年——但那是没有举行考试所致，而不是正常条件下考试局之间竞争的结果。「可比结果」是否消除了每一种更隐蔽的、围绕「容易程度」展开竞争的动机，是一个真实存在、也合理的问题，而现有证据尚不足以让我们在这里给出确定的结论。