1. 模型算法1.1. 一种模型算法，不管是饮食方面的还是税法方面的，其在理论上也许是无害的1.2. 如果将该模型算法推行为全美或者全球标准，其结果就是产生一个扭曲的、极为糟糕的经济体系1.3. 规模化是主要的原因2. 排名模型2.1. 优秀大学2.1.1. 新生SAT成绩都很高，而且绝大部分都能顺利毕业2.1.2. 已毕业的校友都很有钱，会不断给学校捐款2.2. 杂志《美国新闻》2.2.1. 1983年2.2.1.1. 评估全美1800所学院和大学，按优秀度为这些学校做一个排名2.2.2. 《美国新闻》的编辑所做的是“教育优秀度”排名2.2.2.1. 比粮食成本或者每个麦粒的蛋白质含量更加抽象、模糊的价值2.2.2.2. 编辑只是挑选了一些和评估目标看似相关的变量2.2.2.2.1. 模型建立的依据仅仅是人们凭空想象什么是对教育而言最重要的因素2.2.2.2.2. 这些人便去寻找可以测量的相关变量，最后随意地在公式中赋予每个变量一定的权重，这样模型就完成了2.2.2.3. 杂志社拿不到与大学教育优秀度最相关的数据，即每个学校学生的学习内容2.2.2.4. 基于替代变量建立的《美国新闻》大学排名模型也足够反映问题了2.2.3. 如果该项目组将教育成本纳入算法，则其模型输出也许会发生奇怪的变化2.2.3.1. 学费便宜的大学很可能因此闯入优秀大学之列，而这一结果将遭到广泛的质疑2.2.3.2. 《美国新闻》的排名模型把成本排除在算法外2.2.4. 犯下的更大的错误来自他们没有纳入考虑的变量：学杂费、学生助学金2.3. 替代变量2.3.1. 当你基于替代变量建立模型时，钻模型的漏洞会变得容易很多2.3.1.1. 因为替代变量比起其所代表的复杂事实更容易操控2.3.2. 当推特粉丝数是获得该公司职位的关键这一消息遭到泄露时会发生什么2.3.2.1. 应聘者很快就会无所不用其极地增加推特粉丝2.3.2.2. 有人会花费19.95美元直接“购买”大量由机器操控的粉丝2.3.2.3. 因为人们钻了招聘系统的漏洞，替代变量失去了效力2.4. 关键问题就是排名会自行巩固2.4.1. 排名决定了大学的命运2.4.1.1. 大学的整体声誉生态系统被一组数字蒙上了阴影2.4.2. 如果一所大学在《美国新闻》所发布的排名中名次靠后，它的声誉就会下降，生源情况就会恶化2.4.3. 许多学校最焦虑的是那不能控制的占排名结果1/4权重的因素，即声誉分数，来自各个大学、学院的校领导给出的问卷调查反馈2.4.3.1. 声誉是模型中权重最大的变量2.4.4. 位居排名前列的知名学府往往也会得到一致好评，因为人们熟知这些学校2.4.5. 对于还未被人熟知、渴望占据一席之地的学校而言，提升排名则变得更难了2.4.6. 各个大学只能选择配合，他们不得不努力提高排名所涉及的每一个考核项的分数2.4.7. 即使是各指标分数均有所提升的学校在排名中也会落后于其他分数提升得更快的学校2.4.7.1. 一场学校间的军备竞赛2.4.8. 赢得体育比赛是吸引学生申请某所大学的关键因素2.4.9. 学校拒绝的申请学生越多，其录取率就越低，对排名就越有利2.4.9.1. 让学生感到沮丧的是，所谓的保底学校也不再是一个安全牌2.4.9.2. 以前的保底学校现在可能不得不设置助学金才能吸引那些优秀的学生2.4.9.2.1. 这对那些最需要助学金的学生来说，则意味着其学费负担更重了2.4.9.3. 大学遭受了重大损失，顶尖学生大量流失2.4.10. 排名模型有力地刺激了各方在教育上的不断投资，而飙升的学费则被忽视了2.4.11. 排名自然而然地成为一个不断自我巩固、自我发展的特权2.4.11.1. 排名延伸到了医学院、牙科学校、文学和工学研究生院，甚至高中2.5. 问题不是出在《美国新闻》排名模型本身上，而是出在该模型的规模上2.5.1. 《美国新闻》的大学排名模型规模巨大，造成了大范围的损害，导致了几乎是无尽的恶性循环2.5.2. 该模型迫使每个人、每个学校都认准同一个目标，这导致了激烈竞争，以及很多意料之外的有害后果2.6. 在一个作弊成风的制度下，遵守规定反倒成了不利条件2.6.1. 兰斯·阿姆斯特朗和他的队友靠着兴奋剂连续7年打败了环法自行车比赛中的其他选手，那些同样遵守规定的选手想必对此感同身受2.6.2. 唯一的胜出方式就是牢牢掌握某个优势，同时确保其他人的优势不比你的更大3. 美国大学3.1. 如果你站在大学校长的角度思考这件事情，你会发现大学排名其实是很糟糕的3.1.1. 正处在事业高峰期的校长需要投入巨大的精力提高与学校教育优秀度有关的15个考核项的分数3.1.2. 这15个考核项是由一个二流杂志社的一组编辑定义的3.1.2.1. 降低成本则不在其列3.1.2.2. 提高学费反而能让他们有更多的资源用于提升考核项目的表现3.1.3. 他们正是掉进了死板模型，即数学杀伤性武器的陷阱之中3.2. 有些名校，包括宾夕法尼亚州的巴克内尔大学和加利福尼亚州的麦肯纳学院，则给《美国新闻》反馈了假数据，夸大了其学校新生的入学分数3.3. 更多的校领导则试图寻找一种更常规的方式来提高他们的学校排名3.3.1. 他们没有作弊，而是努力提升学校在影响最终分数的每一个变量上的表现3.3.2. 他们可能会认为这是效率最高的资源利用方式3.4. 随着排名产业的发展，钻模型漏洞的手段也越发丰富3.4.1. 2014年的《美国新闻》全球大学排名中，沙特阿拉伯的阿卜杜勒阿齐兹国王大学（KAU）的数学系排名第7，仅次于哈佛3.4.2. 该校的数学系仅成立了两年，没人知道它是如何一下子跃升至全球前10，甚至超过了剑桥大学和麻省理工学院的数学系的3.5. 算法本身也有能被钻空子的漏洞3.6. 教育公司的专业人士了解每个学校的招生模型，所以他们知道怎样让一个准大学生被纳入其目标学校的“投资组合”之中3.6.1. 招生模型让学生和家长身陷焦虑，花掉大把的钱3.6.2. 招生模型都是不透明的，大多数的申请学生（或者叫受害学生）都被蒙在鼓里3.6.3. 在各个大学的人脉以获取第一手信息或者逆向推导各个学校的招生模型算法，教育公司的专业人士破解了绝大部分学校的招生模型3.7. 大学招生制度只对少数人而言是有利可图的，且根本没有任何教育价值，只不过是以某种新奇的方式将一群18岁的孩子重新排序分类3.7.1. 所有这些学生，不管是来自富人阶级还是来自工人阶级，都被培训成要去适应一台巨大的机器，一个被大规模投入使用的数学杀伤性武器3.8. 主要受害者仍然是美国的大多数，即穷人和中产阶层3.8.1. 他们没有那么多钱可以花在课程和咨询公司上3.8.2. 他们错失了珍贵的内部信息3.8.3. 教育体系偏向于特权阶层，偏离于穷人和中产阶层3.8.3.1. 淘汰后一类家庭出身的绝大多数学生，将他们推向贫穷之路，进一步加剧了社会阶层固化3.9. 提高毕业率很简单，只需降低毕业要求就可以了3.10. 提高毕业生的收入水平也很容易办到3.10.1. 所有大学要做的就是减少文科专业，撤掉教育系和社会服务系，因为教师和社会工作者挣的钱没有工程师、化学家和计算机科学家多3.10.1.1. 虽然前者对社会而言必不可少3.11. 降低学校成本也不是太难3.11.1. 一个已经广泛流行的方法就是降低终身教授在学校教职工中所占的比例，在他们退休后聘请成本较低的讲师或者兼职教授3.11.2. 忙碌的兼职教授可能为了交房租在三所大学教五门课程，几乎不可能有时间或者精力为学生提供更好的教育3.11.3. 还有一个办法是撤掉一些不必要的行政职务，但这种做法似乎太罕见了3.12. 教育部没有将大学重新排名，而是把大量的调查数据公布在网站上3.12.1. 每一个人可以自行制定个人的模型3.12.2. 透明，用户控制，个人化3.12.2.1. 完全是数学杀伤性武器的对立面