《Journal of Intelligence》：Beyond Mean Score Differences: Home Language and the Interpretation of Cognitive Test Performance in China
编辑推荐：
大规模调查常使用认知测验总分来描述群体差异，但此类分数的构念含义取决于任务内容、施测方式、语言经验和学习机会。中国家庭追踪调查（CFPS）词汇测验是一项普通话口头识字朗读任务，采用依赖教育程度的起始条目与终止规则。研究人员分析了2010年至2018年间追踪的1
大规模调查常使用认知测验总分来描述群体差异，但此类分数的构念含义取决于任务内容、施测方式、语言经验和学习机会。中国家庭追踪调查（CFPS）词汇测验是一项普通话口头识字朗读任务，采用依赖教育程度的起始条目与终止规则。研究人员分析了2010年至2018年间追踪的16,689名成年人，使用完整的调查分层、初级抽样单元和纵向权重，并对比了基线校正、增益分数、地理重叠、倾向性重叠、下限排除、非线性及测量误差敏感性结果。相对于普通话家庭，2018年完全校正对比为：汉语方言家庭为?0.023个标准差（95%置信区间[?0.077, 0.030]），合并少数民族语言应答类别为?0.292个标准差（95%置信区间[?0.430, ?0.154]）。后者在加入精确民族代码固定效应后降至?0.183个标准差，在重叠加权下降至?0.081个标准差（95%置信区间[?0.291, 0.129]）；仅49名受访者落入倾向性评分的第1至第99百分位交集。协变量校正的增益分数模型得出较小的少数民族语言对比（?0.180个标准差，95%置信区间[?0.356, ?0.005]）。在0.85至0.95的合理信度假设下校正基线，产生的点估计为?0.226至?0.277个标准差。排除下限分数可缩减但未能消除负向对比。这些结果表明，合并少数民族语言系数强烈依赖于估计目标和数据支持范围。该结果支持对CFPS观测分数进行受限解读，而非直接推断广泛的晶体智力或少数民族语言使用的统一效应。
论文解读
一、研究背景与研究问题
大规模社会调查中，认知测验总分常被用来描述群体间差异，但从观测分数到心理构念的推断需要经过严格的有效性论证。测验分数受任务内容、施测方式、语言经验与学习机会等多重因素影响，直接将以语言群体划分的分数差异解读为认知能力差异，存在构念过度延伸的风险。中国家庭追踪调查（CFPS）的词汇测验是一项普通话口头识字朗读任务，要求受访者用普通话朗读汉字，且施测采用依赖教育程度的起始条目与连续三次错误即终止的规则。该任务表现不仅涉及字形识别，还涉及词汇提取、标准普通话发音、方言与普通话的映射、识字经验及言语产出等多重成分。
中国为考察这一问题提供了独特场景：普通话是学校教育和公共行政的主要语言，而汉语方言和少数民族语言在家庭互动与文化传承中仍扮演重要角色。以往研究已表明，双语经验具有高度异质性，不应以单一群体标签替代语言经验的结构；同时，元分析研究未发现双语者普遍存在执行功能优势。此外，数学测验虽常被视为语言负荷较低的领域，但并非真正的无语言测验。在此背景下，本研究旨在回答：在控制2010年基线成绩与协变量后，家庭语言与2018年普通话口头识字表现之间是否存在残余关联；语言群体在识字与数学两个领域的标准化对比是否存在差异；核心系数对地理与多元重叠、下限排除及非线性基线设定是否敏感；以及在三波平衡面板中，不同家庭语言群体的词汇测验轨迹如何变化。
二、研究设计与主要方法
研究人员使用CFPS 2010至2018年追踪数据，最终分析样本为16,689名成年人，嵌套于176个初级抽样单元，使用2018年全国纵向权重与六层2010年抽样分层。核心结局为2018年可比词汇测验分数，以2010年词汇分数作为匹配领域基线。主要统计模型包括三组递进的调查加权回归：模型1纳入家庭语言、基线分数、年龄、年龄平方与性别；模型2进一步纳入城乡居住地、民族、教育、父母教育、家庭收入及缺失指示变量；模型3再加入省份固定效应。跨领域分析采用领域特异性斜率模型，并使用双单侧检验（TOST）评估±0.10与±0.15个标准差的等价区域。支持性诊断包括：省份—语言共存分析、留一省分析、倾向性评分重叠加权、自然样条设定、下限排除、多重插补、经典测量误差校正、增益分数模型及三波平衡面板轨迹分析。
三、研究结果
描述性差异与基线分层。 三个家庭语言群体在2010年即呈现显著的分层格局：普通话、汉语方言与合并少数民族语言家庭2010年加权平均词汇分数分别为20.52、17.44与7.89；平均受教育年限分别为8.44、7.16与3.75年；少数民族认同比例分别为8.66%、4.99%与94.78%。合并少数民族语言类别中50.18%的受访者2010年基线分数恰好为零，表明下限压缩严重。
基线校正的识字表现差异与模型衰减。 汉语方言对比自首个基线校正模型起即接近零，模型3估计为?0.023个标准差（95%置信区间[?0.077, 0.030]）。合并少数民族语言类别在模型1中为?0.414个标准差，加入城乡、民族、教育与收入后降至?0.287个标准差，加入省份后为?0.292个标准差（95%置信区间[?0.430, ?0.154]）。
跨领域描述性比较：显著性与等价性回答不同问题。 联合跨领域Wald检验未检测到词汇与数学标准化对比的系统差异，F(2, 95) = 0.94，p = 0.394。汉语方言群体的领域差异为0.016个标准差，90%置信区间完全落入±0.10个标准差等价区域；合并少数民族语言类别的领域差异为?0.072个标准差，90%置信区间[?0.204, 0.060]未能完全落入任一等价区域。
地理识别与多元重叠。 合并少数民族语言类别高度地理集中：贵州占其纵向权重的42.69%，四川占33.51%。仅10个省份同时包含普通话与少数民族语言受访者，仅4个省份达到每组至少5人的阈值。加入精确民族代码固定效应后，系数降至?0.183个标准差。倾向性评分几乎完全分离：第1至第99百分位交集仅包含49名受访者，重叠加权后对比降至?0.081个标准差（95%置信区间[?0.291, 0.129]），Kish有效样本量仅50.3。
增益分数与基线信度敏感性。 未校正增益对比中，合并少数民族语言类别为?0.021个标准差；协变量校正后为?0.180个标准差（95%置信区间[?0.356, ?0.005]），明显小于基线校正的?0.292个标准差。在0.85、0.90与0.95的假设基线信度下，测量误差校正产生?0.226、?0.256与?0.277个标准差的点估计。排除基线分数不高于0、3、5的受访者后，估计为?0.285、?0.279与?0.269个标准差；同时要求基线与随访分数超过相同阈值时，估计为?0.211、?0.228与?0.240个标准差。
三波平衡面板：持续分层与非平行的波次分数模式。 平衡词汇面板包含14,741名受访者，家庭语言与波次的联合检验显著，F(4, 128) = 4.20，p = 0.003。合并少数民族语言类别的分数水平在基线即已较低，模型未显示新的潜在能力差异在后期出现。平衡数学面板的联合检验亦显著，F(4, 128) = 5.74，p < 0.001，但三组数学分数差距在2018年大幅收窄。
教育异质性、自评普通话与家庭语言稳定性。 家庭语言与教育的联合交互检验显著，F(2, 131) = 5.15，p = 0.0071。每增加一年教育，汉语方言与少数民族语言对比分别向缩小负向差异的方向改变0.0121与0.0202个标准差。出生队列交互不显著。自评普通话分析因少数民族语言受访者纳入率仅34.07%而存在强选择性，其结果仅作为次要描述性关联。
2010至2018年损耗。 相对于普通话家庭，汉语方言与合并少数民族语言家庭的保留优势比分别为1.42与1.98，但该模式不被解读为选择性损耗不存在的证据。
四、讨论与结论总结
讨论部分的核心论点是：语言群体分数差异的心理学含义必须通过从任务表现到构念解释的可辩护链条来获得。对于汉语方言家庭，校正后的词汇测验对比持续较小，表明非普通话家庭口语代码本身并不自动造成测验偏差。对于合并少数民族语言类别，核心发现并非单一的?0.29个标准差效应，而是该估计对估计目标和数据支持范围的强烈依赖。重叠加权、精确民族调整与增益分数模型均产生幅度更小的估计，表明常规回归调整不能被视为在广泛可比较群体中重建了对照。跨领域比较提供了描述性约束：数学测验虽非无语言任务，但其与词汇测验的对比可限制可允许的解释集合。三波轨迹分析显示观测分数模式具有任务依赖性，但未建立潜在构念的测量不变性。
研究结论为：少数民族语言类别的估计对比在?0.29个标准差（基线校正）、?0.18个标准差（精确民族调整与协变量校正增益模型）与?0.08个标准差（重叠加权）之间变化，且该类别在地理与民族上高度集中，无法从家庭语言条目中按具体语言进行分解。证据不支持将语言群体差异解读为广泛的晶体智力排名或统一的语言特异性测验效应，而支持一个更受限的结论：这一依赖语言的调查分数应被条件性解读，需明确关注基线定义、测量误差、下限行为及实际支持比较的群体范围。未来研究应记录各认知模块实际使用的语言、客观与自评熟练度、各语言识字水平、使用频率、习得年龄、学校教学语言、访员语言及迁移历史，并保留条目级反应数据以进行多群体项目反应模型、差异项目功能与测量不变性检验。
