群体间的平均差异远小于群体内部的个体差异，不能用于预测单一用户
别名: 性别相似性假说 · 组内变异 · within-group variance · effect size
概念解释
心理学与人因研究里经常报告"男性/女性在某项测量上存在统计显著差异"，但"统计显著"回答的是"这个差异是不是抽样误差"，不回答"这个差异有多大、能不能用来预测某一个具体的人"。性别相似性假说（gender similarities hypothesis）汇总大量元分析后指出：绝大多数认知能力、性格与偏好测量上，两性的平均差异用效应量衡量通常很小（Cohen's d 多落在 0.1–0.3 之间），而每个性别群体内部的个体差异（标准差）远大于这个组间均值差——画出两条分布曲线，重叠部分占了绝大多数面积。这意味着单凭一个人的性别，几乎无法预测他在这项测量上会落在哪个位置。
机制
这个反直觉的结果之所以常被误读，根源在统计显著性对样本量高度敏感：心理学研究动辄几百到几千名被试，即便真实的均值差异小到 d=0.1（两组均值只相差十分之一个标准差），在大样本下也很容易被检验为"显著"，但这种显著性对预测个体几乎没有意义——d=0.1到0.3对应的两条分布曲线重叠率通常在80%以上，也就是说随机抽一名男性和一名女性比较，谁的测量值更高，出现"违反"平均差异方向的概率仍然相当可观。只有效应量达到中等以上（d≥0.5左右）且同时被高质量元分析反复复现时，性别才开始具备一定的个体预测力，但这种情况在认知与行为测量里是少数。
怎么研究
判断某个"性别差异"是否有实际意义，可靠的信息来源是元分析而不是单项研究——单项研究报告的效应量本身波动很大，同一构念在不同论文里的 d 值可以从接近零摇摆到中等水平，只有汇总足够多独立研究、计算加权效应量与置信区间，才能得到稳定估计。解读时必须同时看两个数字：效应量本身，以及组内标准差与组间均值差的比值；只报告 p 值小于 0.05 而不报告效应量的结论，不足以支持任何面向个体的设计判断。
边界
少数测量领域的性别效应量确实达到中到大，但多集中在生理测量（如平均握力、肩宽这类由骨骼肌肉结构直接决定的指标），这类差异属于生理层面而非本组标题所指的社会角色相关差异，机制和处理方式都不同。另外，即便平均差异很小，某些测验的极端分位数（比如成绩最高的前1%）上两性比例可能出现明显偏离，这种尾部效应只对筛选极端表现者的场景（竞赛选拔）有意义，对绝大多数产品面向的普通用户群体没有实际参考价值。
怎么落地
- 做用户研究、构建用户画像或分群规则时，不要把性别当作预测某项认知能力、操作偏好或功能需求的代理变量——这类代理关系的解释力通常很弱，靠性别分群设计出来的方案会同时冤枉大量组内的"例外"用户。
- 如果确实需要适配某项具体能力（如手部尺寸、色觉、领域经验），直接测量或提供针对该能力的选项，而不是通过性别去猜测这项能力的水平。
- 验证办法：审查任何用性别来解释某个行为差异的用户研究结论，检查报告里是否同时给出了效应量与组内变异的对比；只有显著性检验、没有效应量的结论应被要求补充数据或存疑处理，不作为设计依据采纳。