2006 年春天的一个下午，亚特兰大帕克斯中学的一位数学老师，打开了存放州统考试卷的房间。试卷裹着玻璃纸。用剪刀会留下痕迹，他就出门走到街角小店，买了一片刀片。
据他后来对《纽约客》的讲述，回到房间，他划开玻璃纸，用打火机把刀片烤热，插进试卷的封口，慢慢撬开。他复印了三门科目，然后戴上手套，用打火机把玻璃纸的边重新烫合，看上去就像没人动过。
学校输不起。及格的学生不够，州里可以把这所学校关掉。考试周最后一天，他和另一位老师在考务办公室待了大约一个小时，把错的答案擦掉，涂上对的。
一个月后成绩出来，学校在走廊里摆上冰淇淋、披萨和炸鸡翅。《不让一个孩子掉队法》实施以来，帕克斯第一次达到了年度目标：八年级及格率，阅读涨了 31 个百分点，数学涨了 62 个。一个学生说：「就像我们的世界大赛，我们的奥运会。」
这组分数同时也成了新的起点。第二年春天，帕克斯得考得比它还高。
数字底下的那件事
古德哈特定律说，指标成了目标，就不再是好指标。1976 年，唐纳德·坎贝尔在一篇讨论怎样评估社会项目的论文里，写下了他自称「悲观」的两条定律，都装在一句话里：「一个量化的社会指标越是被用来做社会决策，它承受的腐蚀压力就越大，也越容易扭曲、败坏它本来要监测的那个社会过程。」
坎贝尔格外看重后半句：压力会穿过数字，伸进数字本来要看着的那件事里。说到学校，他讲得毫不客气：考试分数一旦成了教学的目标，它既失去了衡量教育水平的价值，也会把教育过程本身往坏处扭。
拿温度计给人打分，读数会被动手脚。打上几年分，就有人开始为了读数去调屋里的暖气。
2011 年，佐治亚州的特别调查组交出报告，看到的正是这个。他们查了亚特兰大 56 所学校，确认 44 所有作弊，点名 178 名教育工作者，其中 82 人承认。学区总监贝弗莉·霍尔按年度考试指标管学校，口号是「没有例外，没有借口」，任内换掉了九成校长。
在帕克斯，改答案只是开头。校长用记号笔把每位老师的指标写在教室门口的地板上，学生进出都看得见，还对老师们说：「你们得照着考试教。」课程按期限往前赶。那位数学老师回忆：「百分数只给两周。」第三周还在讲百分数，就会被说成课教得不行。点名开始推迟到一天里更晚的时候，据他说，后来干脆不记缺勤了。
来学这次翻身经验的人一拨接一拨，学校得拿出一套说法，老师们就做了「标准掌握档案夹」。这位数学老师还以此写了硕士论文。他说：「可我们弄这个，只是为了掩盖作弊。」
连老师自己的反馈也没了。他的妻子也在帕克斯教语文，有一年，她班上的分数全校最高。别的老师一直在改她学生的答案，这件事他从没告诉过她。
排行榜上的第二名
2025 年 4 月，Meta 的新模型 Llama 4 Maverick 冲上 LMArena 第二名。这个网站让人对比两个聊天机器人的回答，投票选更好的那个。
随后有研究者翻出了 Meta 的细则：上榜的是一个「为对话性做过优化」的「实验性聊天版本」，并非 Meta 发布的那个。LMArena 表示，Meta 对规则的理解「与我们对模型提供方的期望不符」，并更新了排行榜政策。同月一篇论文统计，Llama 4 发布前，Meta 在这个平台上私下测过 27 个版本；论文认为，这类做法会让模型去拟合「竞技场特有的规律，而不是整体的模型质量」。
又是坎贝尔的后半句：开发者照着排行榜挑模型，排行榜就反过来伸进了模型的制造过程。原本被这个排名打动的开发者西蒙·威利森事后说：「他们拿到高分的那个模型，我根本用不上。」
这一条你可以自己验证。照排名选模型之前，先在榜上查清那个模型的确切名字，确认它和你的服务商实际提供的是同一个，再拿二十个你自己的真实任务跑一遍。
压在最底下的档案
设想你管一个就业安置办公室。去年春天开始，市里按「安置人数」给你的个案员排名。安置数在涨。你把没结案的档案按等待时长排了一下。
排在最前面的，全是最难办的人：好几年没工作，没车，有案底。坎贝尔在一个就业办公室里描述过同样的事：按安置人数给员工打分，大家就去挑最容易的个案。没人违反规定，活儿只是悄悄流向了最快能计数的地方。
坎贝尔还注意到一件关于信任的事。他写道，在芝加哥，人们更相信人口普查，不太信选票统计，尽管普查的防范措施少得多。选票关系到职位、钱和权力；而人口普查，直到不久前，几乎什么都不决定。
于是你留了一个安静的数字。每个月，找一个不背任何考核的人，从那摞档案的最底下抽十份，记下每个人等了多久。这个数字不进任何人的考评。
第一个月交上来：十个人里，有三个已经等了半年以上。