常模过期常被当成一个可以先放一放的小问题，好像不过是分数略有误差。真正的偏差不在原始分，而在把原始分翻译成结论的那一层——它决定了同样的作答，最后被判成正常还是偏高、要不要触发预警。这一层歪了，报告读起来照样「正常出结果」，只是结论已经被系统性地带偏。
歪的是解释层，不是原始分
常模是一套参照人群的分布，系统靠它把原始分换算成百分位、T 分或等级标签。受测者答出来的原始分不会因为常模过期而变，变的是这个分被放在哪条分布曲线上比较。当参照人群和现在的受测群体不再是同一批人——年代变了、群体的整体水平漂移了——旧常模给出的百分位和等级就会整体偏移。报告上那句「高于同龄人 80%」，比的是十几年前那批人，而不是眼前这群孩子。橙星云在配置量表时会把常模的适用人群和版本一并标出，就是要让使用者清楚这套换算拿谁做的底，而不是默认所有报告的等级都天然可比。
偏差往哪个方向走，取决于人群怎么变
若某个维度的整体水平这些年普遍上移，比如群体焦虑水平抬高了，旧常模会把「如今的普通」判成「偏高」，检出率被系统性高估，假阳性成片出现，大量本不需要关注的人被推进预警名单。反过来，如果旧常模本身偏高，就会把该关注的人漏掉。差几分的平移，放到成百上千人的普查里，就是检出名单凭空多出或少掉一截。麻烦在于报告表面看不出这层偏移，分数、等级、结论一应俱全，读的人很难意识到参照系已经错位，往下的干预资源也就跟着分错了地方。
临界个案和群体排名最先出事
偏差最先在两个地方显形。一个是临界个案：分数卡在等级分界线附近的人，常模平移几分就足以让他从「正常」跳到「偏高」，或反过来，结论整个反转。另一个是群体层面的排名和分层，拿一套过期常模给全校做高低分层，系统性偏差会被当成真实的群体差异，据此排的名次、划的重点关注对象，从一开始就偏了。
怎么判断一套常模该退役了
判断一套常模是不是该换，不能只看它用了几年这一个数字，而要看参照人群和眼前受测群体还对不对得上：采样的年代、地域、年龄段、施测方式若和现在差得远，就该警惕。真要换，稳妥办法是拿同一批答卷用新旧两套常模各算一遍，比对等级分布和检出名单差多大，再决定是整体切换还是分版本过渡，并在报告里标明用的是哪版常模，而不是某天直接把旧常模一关了事、让新旧结论无从对照。
所以「常模过期还在用」不是能拖的小事。原始分看着照常产出，报告照常打印，偏差却藏在等级、百分位和预警线里，越靠近判定边界、越用于群体比较，歪得越明显。