测量层，揭开盖子给你看。

从盲听一轮到带标签一轮，评分朝所示标签移动了多远，以占评分量表的比例表示。正值表示被标签带动；负值表示抵住了它。

目标

尚无站得住的目标

单位

百分比

计算位置

src/engine/bias.ts

并非百分位。它低估了实际效应：重新打分会让人锚定在第一次的答案上，量表的上限也会截掉向上的移动。

同一个偏移，在施加对照组漂移校正之前的值。与校正后的数字并列展示，让校正始终看得见。

目标

尚无站得住的目标

单位

百分比

计算位置

src/engine/bias.ts

作答者对不带任何标签的录音，在第二轮里评分移动了多少；这是记忆、熟悉度和回归效应的基线（baseline）。

目标

尚无站得住的目标

单位

分

计算位置

src/engine/bias.ts

受量表上限影响而偏向零：处在最高分的对照评分只能往下走，所以它提供的校正系统性地偏小。

在有余地朝标签移动的录音里，真正移动了的比例。这是量表边缘效应唯一碰不到的摇摆统计量。

目标

尚无站得住的目标

单位

比例

计算位置

src/engine/bias.ts

听者在盲听一轮中实际用到了评分量表上多少个不同的分值；这对应休谟的比较标准：只有把作品相互掂量过的人，才能给出不同程度的称赞。

目标

尚无站得住的目标

单位

计数

计算位置

src/engine/comparison.ts

它既受量表限制，也受录音数量限制；如果录音的质量确实接近，窄的分布可能就是正确答案。测试分不清这两种情况。要拿它和随意打分会得出的数字对照着读，永远不要拿它和上限比。

一个随机给每段录音打分的人，预计会用到多少个不同的分值。这是分档数的参照点，因为量表的最高档也可能碰巧达到。

目标

尚无站得住的目标

单位

计数

计算位置

src/engine/comparison.ts

这是算术，并非常模。它是随机产生的结果，并非任何人的得分；没有样本人群，这也并非百分位。

盲听中最高分和最低分之间的距离，以评分量表的分计。

目标

尚无站得住的目标

单位

分

计算位置

src/engine/comparison.ts

听者在盲听时排成一种顺序、在带标签一轮排成相反顺序的录音对；只计入所示标签把两段录音推向同一方向的情况，因为那时没有差别性的理由让人改主意。

目标

尚无站得住的目标

单位

比例

计算位置

src/engine/comparison.ts

两个标签朝同一方向推，力度未必相同，所以这只去掉了颠倒的一阶理由，并非全部理由。变成相等的录音对留在分母里，永远算不上颠倒，这让这个数字偏向把听者判为稳定。没有任何一对拉开到足以计数时，结果为空。

作答者正确认出两段录音中哪一段是未经改动的原版的试次比例。

目标

高于随机水平 0.50

单位

比例

计算位置

src/engine/delicacy.ts

二选一的迫选：50% 等于掷硬币，并非中等成绩。

在选对了的试次里，作答者还说对了损伤类别的比例。

目标

高于随机水平 0.33

单位

比例

计算位置

src/engine/delicacy.ts

只在选对的试次上计分：在选错的文件里判断瑕疵，无从计分，谈不上错。

一位评论家在自己公开发表的排名里，把一些作品排得相隔至少 10 位；在这些作品配对上，你的两个评分之间的平均距离。

目标

尚无站得住的目标

单位

分

计算位置

src/engine/spread.ts

要和挨得很近的配对的数字、以及随意打分会得出的数字放在一起读；单独看它什么也说明不了。它测的是你的评分有没有拉开，从不看拉开的方向是否和评论家一致：一致与否不计分，也无法从这项测试存下的数据里算出来。还有三条限制随它一起：40 秒的片段承载不了评论家对一部长达 40 分钟作品的评判，所以这里的片段比本产品其他测试的长，这是缓解，并非解决；听者说以前听过的录音，只凭本人的话就被剔除，未经核实；两个数字之间的差距从不报告，因为每边只有 4 对，取自每段都出现在好几对里的录音，而且还没有人做过两次，没有测得的波动可以用来判断一个差距确实存在。

在同一位评论家排得相距 3 位以内的作品配对上，你的两个评分之间的平均距离。

目标

尚无站得住的目标

单位

分

计算位置

src/engine/spread.ts

这个曲库里的录音，频谱截止的位置相差可达 10,002 Hz，原因与任何排名无关：其中一个来源是 128 kbps 的 mp3，在 8,624 Hz 就截止了。实测下来，这种差别在这些配对上（平均 6,498 Hz）比在拉开的配对上（3,758 Hz）更大，所以这个混淆因素只会让差异更难被发现，不会让它更容易出现。不毁掉录音就去不掉它，于是改为守住它的方向。

在这个量表上随机选出的两个评分之间的平均距离。随机不知道评论家拉开了哪些作品，所以在两类配对上给出同一个数字，这正是它能作为两者参照点的原因。

目标

尚无站得住的目标

单位

分

计算位置

src/engine/spread.ts

这是算术，并非常模。它是随机产生的结果，并非任何人的得分；没有样本人群，这也并非百分位。

听者仍能可靠察觉的某一类损伤的最小量，用这类损伤自己的物理单位表示：峰值失谐的音分（cents）、漂移的毫秒数，或 kbps。它由这次测试的全部回答拟合得出，并非对阶梯碰巧经过的几个级别取平均。

目标

尚无站得住的目标

单位

物理单位

计算位置

src/engine/threshold-fit.ts

这是关于一个人某一次测试的事实，并非描述测试本身的统计量；由于单位不同，不同类别之间也不可比较。大多数测试报告的是一个区间，并非单个数字，因为从有噪声的测量得出的点估计，是这个测量撑不起的论断。原先对阶梯转折点所在级别取平均的估计量已经撤下，因为它给出的 95% 区间只有 49% 到 72% 的时候覆盖真值；现在这个测得的覆盖率是 94% 到 100%，即使心理测量模型设错了，也有 94% 到 98%。

自报把握与实际结果之间的均方误差。越低越好；它奖励的是知道自己有多对。

目标

低于 0.25（一直猜 50% 的基准）

单位

比例

计算位置

src/engine/calibration.ts

单独看会误导：一个完全准确、却总说 50% 的作答者，得分和瞎猜的人一样，都是 0.25。一定要和把握差距一起看。

平均自报把握减去实际准确率。正值表示说得比做到的多。

目标

在 ±10 个百分点以内

单位

分

计算位置

src/engine/calibration.ts

±10 这个界限是暂定的判断，并非数据。以一次测试的长度，差距的标准误可能超过这个界限本身。

答对这道题的作答者比例。数值越高表示越容易，这是这个领域一个不太理想的惯例，保留它是因为验收区间就是按它写的。

目标

0.55 至 0.85

单位

比例

计算位置

src/analytics/estimate.ts

取决于人群：同一道题在能力更强的人群里更容易。它并非题目本身固有的属性。

一道题把强的作答者和弱的作答者分开的程度，即答对这道题与在其余所有题上得分高之间的相关。

目标

≥ 0.2

单位

相关系数

计算位置

src/analytics/estimate.ts

所有人答得一样时，它没有定义（并非零）。难度极端时它会被削弱，这限制了它追踪区分度真值的能力。

各个试次测量同一种潜在能力的一致程度。α 低，意味着个人得分大多是噪声。

目标

≥ 0.70（惯例下限）

单位

比例

计算位置

src/analytics/estimate.ts

上线的 18 个试次的细辨题库，在模拟中测得 α ≈ 0.49，低于 0.70 的下限。按 Spearman-Brown 公式，要达到这个下限约需 44 个试次；二选一的试次丢掉的信息，再巧妙的计分也补不回来。

把测试分成两半、求两半之间的相关并校正折半效应得到的信度。

目标

≥ 0.70（惯例下限）

单位

比例

计算位置

src/analytics/estimate.ts

奇偶只是一种随意的分法；换一种分法就会得到另一个数字。

估计出的题目难度与生成数据时所用的已知难度之间的均方根误差。这是估计量可用的首要证据。

目标

随样本量增大而缩向 0

单位

比例

计算位置

src/analytics/recovery.ts

只能对照模拟数据计算，因为只有在那里，真值是按构造已知的。

作答者的得分与其潜在能力真值之间的相关。它受信度限制：在长度有限的测试上，它到不了 1。

目标

趋近 √信度

单位

相关系数

计算位置

src/analytics/recovery.ts

它随测试长度提高，并非随样本量提高。

人群测得的平均摇摆度比平均易受影响程度的真值低多少。这是系统性的，并非噪声：招募更多作答者也减不掉它。

目标

0（目前约为 −0.065）

单位

分

计算位置

src/analytics/recovery.ts

它的大小取决于假定的模型参数，不得当作真实听者的实测属性来引用。

到达结果页的测试次数。每一个人群统计量底下的分母。

目标

要有站得住的暂定常模需 ≥ 300；要有意义的图表需 ≥ 100

单位

计数

计算位置

scripts/analysis/kpi-status.mjs

目前为 0：这些测试从未投入使用。