（IC photo/图）
因为一高校教师与教务办的争执，让“正态分布”这个数学概念火了一把。正态分布是啥？为什么有这么大的威力？
日前，中南大学软件学院的特聘副教授吴嘉在网上吐槽说：教务办要求自己将50名学生成绩从90分改成80分，理由是高分太多，不符合正态分布。吴教授不同意更改分数，表示学生得多少分是考试的结果，考了多少分就是多少分，自己不会为了让成绩符合所谓“正态分布”而刻意压低学生分数。吴教授质疑教务办对教学进行行政化干预。中南大学软件学院后来回应称成绩无误，教务办和任课老师都是认真负责的，只是沟通上有误会，已经解除。
据了解，吴老师这门课程参考人数是153人，期末最终成绩90至100分占比70%以上，几乎没有低分。其中，平时成绩全部都在95分及以上。吴老师将成绩单提交学院审核时，教务办发现成绩分布异常，提醒老师复核。
那么啥是正态分布？为什么教务部门会觉得学生成绩不符合正态分布可能有问题？
正态分布是统计学上描述随机变量取值规律的一种情形。在这种分布下，随机变量的值呈现中间高、两头低并基本对称的规律，也叫高斯分布、钟形曲线。正态分布是一种很重要的概率分布，在大样本量统计中，有很多变量的分布都符合或者近似符合正态分布。比如全体中国人的身高、体重，比如某一年的高考成绩。正态分布表示的规律，是变量的取值大多数都在中间水平，非常高或者非常低的取值是比较少见的。这个分布规律当然是科学的，也在很多大样本量统计中得到了验证。所以正态分布在很多场合被用来校验变量的分布是否合理。在中南大学这个例子中，教务部门就认为，学生成绩应该大体符合正态分布，如果偏差太多，像吴老师课上90分以上的学生占比超过70%，就不太正常。
但问题在于，正态分布是在大样本量统计之下变量分布呈现的规律，当样本量较少的时候，数据呈现的规律可能与大样本量下的规律不同。因为在小样本量之下，变量的分布可能受到其他因素的影响比较大。
比如考试成绩，从全国甚至全省的统计来看，某一统一考试的成绩是符合正态分布的，但是具体到某一个班级，不排除这个班级全是学霸或者全是学渣的可能性。这样一来，单看这个班级的成绩，不符合更大样本的正态分布，但是也不能说这样的成绩就有问题。比如某市某年中考，某知名初中高分学生很多，其学生成绩分布，明显高于全市考生的成绩分布。能说这所学校的成绩有问题吗？可能只能说明这个学校的学生成绩好。当然，如果把这所学校的考生成绩单独拿出来做分析，也是基本上符合正态分布的。就是说，这个小样本的数据自身是正态分布，但是与更大样本下的正态分布曲线不同，其均值μ要高得多。但是当样本量再小一些，具体到某个班级甚至某个几人小组，其成绩不符合正态分布可能就很常见了。
总而言之，正态分布是在很多大样本统计中都存在的规律，这是科学。但是如果因此认为包括小样本量统计在内，所有类似领域的统计都应该符合正态分布，而且还要和大样本量的正态分布曲线一致，那就不科学了。
然而，就像中南大学一样，还有很多高校也在一刀切地要求每个班级的学生成绩都要符合“正态分布”，也就是强制要求限制高分以及低分的数量，不能超过某一比例。
不只是学校，很多公司在员工考核中也有比例规定。而这，可能是当代中国“内卷”越来越严重的原因之一。
比如某知名互联网大厂在考核中有271原则，20%的员工优秀，70%合格，剩下10%不合格，要被淘汰。在每一个超过10人的团队中，都必须贯彻271原则。在几千几万人的全体员工范围内，后10%的员工可能是效率较低的，但是当考核范围缩小到一个10人的小组，那完全可能所有人都在全公司的20%以内，但是这个10人小组也要找出1个来淘汰。这就逼着大家都要拼命工作，拼命竞争，但最后还是要有1个人被“内卷”的系统淘汰。
这种末位淘汰的制度本身是否合理呢？在员工签署的劳动合同中，员工的职责都是完成规定的工作任务。这个工作任务，到底是静态的，还是动态的呢？在静态工作任务的情况下，比如某公司对销售人员的考核指标是年销售额1000万元，那只要超过这个销售额就完成工作任务了，完不成就会被淘汰。但是如果是动态的，是跟同事比较之下的表现，就可能出现所有销售人员都完成1000万元销售额，但是销售额最低的那个，还是要被淘汰。在第二种情况下，员工除了有底线任务的压力，还要和同事竞争，要比同事更优秀，否则就要被淘汰，被迫内卷。
所有的考核，基本都可以分为两类。一类是资格性的，事先划定标准，只要超过标准，就是合格，另一种是竞争性的，标准是事后确定的，只有在一定比例以上才算合格。在前一种考核中，虽然最终成绩可能也是正态分布，但是有可能所有人的成绩都超过了合格线，全部合格，而在后一种竞争性考核中，却是无论整体如何优秀，都要有一部分人要被淘汰。正是这种残酷的淘汰，导致了越演越烈的“内卷”。
辛省志