---
title: "代理指标失真：Campbell 定律与 Goodhart 类效应文献摘录"
author: "Perrin Yong"
author_profile: https://www.pystone.net/profile/
published_by: "Perrin Yong"
canonical: https://www.pystone.net/notes/proxy-metric-distortion-campbell-goodhart-literature/
type: note
content_role: unspecified
visibility: public
id_stability: rename-stable
source_path: "99-资料来源、摘录与归档/01-外部文章与转载摘录/代理指标失真：Campbell 定律与 Goodhart 类效应文献摘录.md"
content_hash: 037f0356229aaf3f0e9ca3a14a610c3b97462f93fd2d1d046d1a76dd7c957ab6
knowledge_version: 224c990773de.5fa8af6e39fa
site_commit: 224c990773de166d23a886306577dd90379529ce
notes_commit: 5fa8af6e39fa3891d1b9b4832bfa6c4e0ecaaf0a
---
# 代理指标失真：Campbell 定律与 Goodhart 类效应文献摘录

> **source · 来源摘录**
> 本文保存本次知识编译实际使用的两份来源提要。内容以转述为主，不替代原文；综合判断见[软件质量为什么是反馈系统而不是测试阶段](https://www.pystone.net/notes/software-quality-as-feedback-system/)。

## Donald T. Campbell：Assessing the Impact of Planned Social Change

- 作者：Donald T. Campbell
- 原始版本：1976 年 Dartmouth College Occasional Paper；1979 年发表于 *Evaluation and Program Planning*, 2(1), 67–90
- 本次核对版本：2011 年授权重印，*Journal of MultiDisciplinary Evaluation*, 7(15), 3–43
- 原文：[期刊页面与 PDF](https://doi.org/10.56645/jmde.v7i15.297)

### 研究对象与论证

Campbell 讨论社会改革与公共项目怎样被评估，重点不是反对量化，而是分析评价进入行政决策后会发生什么。他把方法论问题、统计推断问题和评价与社会权力结构的相互作用放在同一框架中，并用教育、犯罪统计等案例说明：指标一旦影响资源、奖惩和合法性，记录者与被评价者就会承受改变数据或行为的压力。

最常被概括为“坎贝尔定律”的判断是：定量社会指标越被用于社会决策，越容易遭受腐化压力，也越可能扭曲它原本要监测的过程。原文同时承认，许多例子是轶事性证据；它没有证明任何指标一经使用就必然失效，也没有主张放弃测量。

### 能支持与不能支持什么

- 支持：当指标连接高强度奖惩时，测量系统本身成为因果回路的一部分，不能继续假定数据生成过程不变。
- 支持：应同时检查记录方式是否被操纵，以及现实过程是否为了指标而改变。
- 不支持：把所有量化、目标管理或自动化门禁都判定为有害。
- 不支持：把二手材料中的具体故事自动归给 Campbell。现有[坎贝尔定律底座材料](https://www.pystone.net/notes/campbells-law-metrics-dysfunction/)所含“术后第 31 天”例子未在这篇原文中核实。

## David Manheim 与 Scott Garrabrant：Categorizing Variants of Goodhart's Law

- 作者：David Manheim、Scott Garrabrant
- 年份：2018
- 类型：机制分类论文，arXiv:1803.04585
- 原文：[arXiv 页面与 PDF](https://arxiv.org/abs/1803.04585)

### 四类失效机制

论文把“代理指标被优化后不再可靠”拆成四类，而不是把所有失败都归为同一种作弊：

1. **回归型 Goodhart**：代理与目标存在噪声；选择代理的极端值时，也选择了更多偶然噪声，目标的真实改善小于代理表现。
2. **极端型 Goodhart**：优化把系统推到原有观测范围之外，原先成立的代理—目标关系在分布外失效。
3. **因果型 Goodhart**：代理和目标的相关来自共同原因、错误方向或中介关系；直接干预代理并不会产生目标，甚至会破坏原机制。
4. **对抗型 Goodhart**：会响应规则的主体主动操纵输入、报告或行为，使观察者看到的代理与真实目标分离。

### 边界

这是一套诊断分类，不是估计各种失效频率的实证研究。同一事件可能同时包含多类机制；分类也不会自动告诉决策者应该取消指标、换指标还是降低激励强度。迁移到软件测试、性能优化和知识网络时，属于机制类比，仍需用具体失败、反例和结果校准。

## 对知识网络的作用

两份来源共同把“指标不好”改写为可诊断问题：代理与目标如何关联、优化是否离开适用范围、干预方向是否正确、参与者是否会适应规则。它们支持在设计指标时预先记录目标、代理、激励和可能的替代行为；不支持只要换一个更复杂指标就能消除代理问题。