区分度是检验试题质量的关键参数。它衡量一道题能否有效区分高能力者与低能力者。本文深入解读区分度计算公式、计算原理、实际应用及常见误区，配合丰富案例与实操步骤，助您精准掌握这一核心测评技术。
立即了解区分度区分度（Discrimination Index）并非指题目有多难或多简单，而是考察其“辨别力”——能否将具备真实能力的应试者与缺乏能力者清晰区分开来。
区分度反映的是试题对被试者潜在能力水平的敏感程度。一道高区分度的题目，意味着高能力者更可能答对，低能力者更可能答错；反之则区分能力弱。
在标准化考试（如高考、研究生入学考试、职业资格考试）中，若所有题目区分度均低，则无法有效筛选人才；若题目区分度为负，则题目设计存在严重缺陷，可能误导测评方向。
难度（Difficulty Index）关注题目正确率（通常0~1或0%~100%），而区分度关注“能力梯度”的响应差异。一道题可同时具备中等难度与高区分度，这才是理想题目。
区分度就像一把“能力筛子”——好筛子能留下高能力者、筛掉低能力者；差筛子则两者都留或都漏；反向筛子（负区分度）反而留下低能力者、筛掉高能力者！
区分度无单一标准公式，但教育测量学中存在多种经典计算方法。以下介绍三种最常用、最实用的公式体系，均适用于实际试题分析。
将全体被试按总分排序，取前27%为高分组，后27%为低分组，分别计算两组在本题的得分率，再求差值。
将题目得分（0/1）与总分进行点二列相关分析，公式如下：
该方法利用全部数据，统计效力更高，推荐用于正式测评报告。
当高低分组人数较少或极端差异时，原始D值易失真。可采用校正公式：
此校正避免D值虚高，更贴近真实区分能力。
区分度值 Interpretation：
• ≥ 0.40：优秀题目
• 0.30–0.39：良好题目
• 0.20–0.29：尚可，建议修订
• ＜0.20：需淘汰或大幅修改
• ＜0：题目存在严重反向设计（如题干误导、答案错误）
掌握公式后，关键在于正确执行计算流程。以下为标准化四步法，适用于Excel、SPSS或编程语言（Python/R）实现。
根据D值判断题目质量，并给出改进建议：
以下通过3个真实场景案例，全面展示不同题型、不同分布下的区分度计算过程与解读策略。
数据背景：2023年某省高考数学（理）第12题，考生总数18,720人
结论：此题区分度极优，有效筛选数学能力强者；但难度偏高（正确率52.1%），符合高考选拔定位。
问题发现：标准答案为“有些C是A”，但大量高分考生选错
诊断：题目存在严重负区分度！经专家复核，题干“有些C是B”被误读为“所有B是C”，干扰项设计不合理。最终修订后D=0.42。
特殊处理：多选题需采用“部分 credit”计分（答对1个得0.5分，全对得1分）
建议：该题区分度优秀，但低分组仍有31%答对率，说明部分选项（如“题型”）过于明显，建议增强干扰项迷惑性。
区分度不是固定值，它随样本分布变化而波动。同一题目在不同群体中可能呈现不同区分度。因此，每次修订试题后必须重新计算区分度，不可沿用旧值。
区分度是教育测量学的基石指标，在多个领域发挥关键作用。掌握其应用逻辑，可大幅提升测评设计科学性。
• 学校/区域层面：分析统考卷题目质量，优化题库建设
• 教师层面：识别自身命题短板，提升教学反馈精准度
• 教材编写：筛选高区分度例题与习题，增强教材区分力
• 智力测验：区分高/低智商群体，构建标准常模
• 人格问卷：识别极端特质个体（如高焦虑者）
• 临床诊断：设计症状筛查题，避免误诊漏诊
• 公务员考试：通过区分度筛选岗位匹配度高者
• 企业招聘：设计岗位能力测试题，提高录用准确率
• 晋升考核：设置区分度高的绩效指标，避免“平均主义”
• 题库建设：设定区分度阈值（D≥0.3），淘汰低效题
• 自适应测试（CAT）：根据区分度动态选题，提升效率
• 平衡难度与区分度：构建“难度-区分度”二维矩阵优化题库
以下汇总了教育工作者、考生及测评新手高频提问，逐条澄清误解，确保理解无偏差。
❌ 错误理解：认为区分度越高题目越“好”
✅ 正解：区分度需与难度协同考量。若所有题目区分度极高（如D>0.6），说明试卷整体偏难，低分段考生全军覆没，丧失选拔梯度。理想状态是“高难度题配高区分度，中等题配中等区分度”。
❌ 错误理解：27%是铁律
✅ 正解：27%源于Lord（1952）的模拟研究，是经验最优值，但非强制。当样本量大（>500），可用25%；样本小时（<100），可用33%。关键在于保证组间能力差异显著。
❌ 错误理解：负区分度=题目出错，必须废弃
✅ 正解：需先排查原因：
• 数据录入错误？→ 修正后重算
• 答案标错？→ 修正答案后D常转正
• 题干存在歧义？→ 重编题干
• 题目涉及文化偏见？（如用“高尔夫”出题）→ 彻底重写
若排除以上仍为负，必须淘汰。
区分度 vs 信度：高区分度题目有助于提高信度（内部一致性），但非充分条件。若所有题目区分度均高且难度集中，信度反而下降。
区分度 vs 效度：高区分度是效度的必要非充分条件。一道题区分了“高分者”与“低分者”，但若该题实际测量的不是目标能力（如用数学题测语文素养），则效度为负。
❌ 错误理解：必须正态分布才能算区分度
✅ 正解：高低分组法不依赖正态假设；点二列相关法对分布要求宽松。但在小样本（N<50）时，建议用非参数方法（如Mann-Whitney U检验）辅助判断。