新汉语水平考试（HSK）是一项国际汉语能力标准化考试，重点考查汉语非第一语言的考生在生活、学习和工作中运用汉语进行交际的能力。2009年11月，新HSK正式组织实施，很好地适应了汉语国际推广形势的需求，在海内外产生了积极的影响。目前，新HSK成绩已成为来华留学生在中国高校入学、毕业和申请奖学金的重要参考依据，同时也是相关企业和机构评价外籍工作人员汉语能力的重要标准。新HSK的评价结果关系到考生和成绩使用单位的切身利益，新HSK是否具有公平性就显得尤为重要。

目前，对考试公平性进行检验的常用方法是对考试进行项目功能差异（DIF，Differential item functioning）分析。本文拟从性别的角度评估HSK（六级）的公平性，采用DIF分析方法——MH法，通过对2011年HSK（六级）8次考试客观题的数据统计，来评估HSK（六级）的性别公平性。

HSK（六级）是新HSK难度最高的等级，含101个题，其试卷结构信息见表1：

HSK（六级）书写为主观题，本文只对听力、阅读客观题做统计分析。

MH法由曼特和汉森尔（Mantel & Haenszel, 1959）首先提出，霍兰德（Holland, 1985）以及霍兰德和赛伊尔（Holland & Thayer, 1988）把这种方法用于检测项目功能差异（Dorans & Holland, 1993）。MH法用于探查两极记分项目的DIF，它关心的是目标组与参照组之间的差异，考试总分被作为匹配变量的指标。

美国教育考试服务中心（ETS）在DIF分析实践中，在αMH的基础上，发展出了 MH。ETS根据 MH值的大小，将试题分成三个等级：

等级A： MH绝对值小于1或与0没有显著差异（P<0.05），这类试题被视为具有很小的DIF或者无DIF，可以用于考试；

等级C： MH绝对值大于1.5，并且显著大于1.0（P<0.05），这类试题被视为具有严重的DIF，除非专家认为试题对考试至关重要，否则应被删除；

等级B：除了A和C的 MH，这类试题只有当A类试题不能满足考试的内容要求时，才能用于考试。

2011年HSK（六级）8次考试考生共计36484人，具体信息见表2：

有研究表明，进行DIF分析，样本容量不应过少或过多，以1000人左右为佳。本文依此标准，从8次考试的男、女考生中各随机抽取1000人。其中，卷6的男性考生少于1000人，因此将全部967人作为DIF分析样本，女性考生仍随机抽取1000人。

本研究以男性考生为目标组，女性考生为参照组。分别以听力总分、阅读总分为匹配变量，对听力、阅读试题进行DIF分析。此外，本研究还将进行提纯（Purification）操作，本研究设置最大迭代次数为10。

本研究使用自编的DIF分析程序及SPSS16.0软件进行数据处理。

8套试题按卷分类，试题DIF分析结果见表3：

通过表3可以看出，各卷A级试题占绝大多数（95-98题）；C级试题数量很少，8套试题中仅有两题，占总数的2.5‰；B、C两级试题占全部试题的3.3%。有利于男性考生和女性考生的试题数量基本平衡，800个试题中各有14和12题。

通过表4可以看出，听力分测验B、C级试题比阅读分测验要多。

我们还对不同题型的 MH值进行了方差分析。结果显示，题型对 MH值的影响显著，F（6,793）=2.93，p<0.01；题型可以解释 MH值约2%的变异量。具体信息见表5：

通过表5可以看出，仅听力三和阅读四的 MH值平均数的95%置信区间不包含0，这两个题型可能略微有利于男性考生。800个试题的 MH值平均数为0.02，其95%置信区间包含0，说明HSK（六级）试题总体上不存在DIF。

HSK（六级）试题有较为理想的性别公平性。800个试题中仅有两个题为C级，B、C两级试题只占全部试题的3.3%。试题存在DIF并不一定说明试题存在偏差，要了解这些试题是否存在偏差，还需要协同内容专家对其进行进一步的分析。

B、C级试题在不同题型上的分布差异较大，听力试题较阅读试题更容易出现DIF，应引起命题、拼卷人员的注意。

相对于其他题型，听力三和阅读四的共同点是，其语料的篇幅都较长。这两个题型可能有利于男性考生。