原标题：学校筛选在无意之中反映了学生们的基因差异

　　一般来说，在国家考试中，选择性学校学生的考试表现优于非选择性学校。我们通常把这一差异归结于学校，以及学校录取学生时的相关因素，包括学生能力、成就、学费或来自富裕地区、家庭社会经济地位等等。然而，不同类型学校学生之间的DNA差异的影响尚未被考虑到。我们采用了来自英国具有代表性的4814种学生基因样本，研究三类学校中学生在16岁时的考试表现，以及他们之间的基因差异。这三类学校分别是：公立非选择性学校（“非选择性”），公立选择性学校（“文法学校”）和私立学校（“私立”）。我们创建了全基因组多基因评分（GPS）方式，该系统来源于有关教育年限（EduYears）的全基因组相关研究。我们发现不同类型学校的学生之间存在明显的平均基因差异：与文法学校（d = 0.41）和私立学校（d = 0.37）相比，非选择性学校学生在受教育期间GPS较低。顶尖GPS分数学生去选择性学校的数量，是最低十分位分数学生的三倍。这些结果反映在不同类型学校的考试差异上。然而，当我们控制了录取学生时考虑到的多种因素，不同类型学校之间并没有显著的基因差异。而且按学校类型来看，学生在16岁时的考试成绩差异从7%下降到<1%。这些结果表明，代代流传的学校招生特点，会导致不同类型学校的学生在基因和考试成绩上形成差异。

　　介绍

　　学生结束全日制义务教育阶段，是他（她）人生的一个重要转折点，在这个阶段取得的成就，为后续的大学和其他高等教育开辟道路。因此，理解这一节点学术成就的潜在预测因素至关重要。其中，尚未达成一致，激烈讨论着的一个预测因素正是学校类型。在英国，当11岁的学生小升初时，他们可以从三类学校进行选择。93％的学生选择公立学校，其中大部分属于“非选择性”（公立非选择性）。公立学校中的一小部分（英国3113所学校中163所）是需要进行筛选的文法学校。这些学校通过入学考试对学生进行评估，根据学生的成绩和能力择优录取。剩下的学生（约7％）选择私立教育。除了费用外，私立学校通常在学术上也是有筛选性的。这些不同类型的学校被认为是将学生放置在不同的发展轨道上，比如与非选择性学校的学生相比，研究中选择性学校（文法学校和私立学校）的学生往往会取得更大的成功，包括更高水平的学术成就、大学录取几率，甚至更高的收入潜力。

　　然而，通过设计，选择性学校可以根据学生的某些特征来录取，包括入学考试的个人能力或成绩，而这两者都被证明与人生成就正向相关，包括后来的学术成就。 此外，由于费用关系，进入私立学校通常也取决于家庭的经济负担能力（他们的社会经济地位(SES)），这也与未来成就相关。即使对于公立学校，家庭的社会经济地位也可能影响学生的学校选择，比如文法学校通常位于更富裕的地区，吸引着来自更高社会经济地位家庭的学生。因此，选择性学校的学生，其更高的成就并不一定反映了更高的教育质量，而可能仅仅是选择的结果——选择性学校主动筛选学生的能力和成就，被动接受学生家庭的社经地位。

　　考虑到私立学校不低的费用，除了选择性学校入学考试的潜在压力，为什么这些家庭会选择这类学校？其中很大的原因在于学生学业成绩优异。经常有研究表明，就考试中某些部分看，选择性学校学生的表现优于非选择性学校。英国学生通常要在16岁时参加普通中等教育证书（GCSE）考试。英国教育部表示，文法学校中有99%的学生都在英语和数学方面取得了优异的GCSE成绩（A *-C等级），而所有主流公立学校学生获得A *-C等级的比例为64％。而学生在16岁时取得的学业成就，与大学录取学生时考虑的因素（成就、能力和家庭社会经济地位）呈正相关关系。由此就带来了一个问题——在学业成就的预测中，除了这些因素之外，选择性学校是否施加了影响？

　　部分研究认为，在考虑到诸如成就、能力和家庭社会经济地位等因素后，进入选择性学校只有微小的学术优势。通常认为，学校录取和学生后来成就之间的关系是环境影响。例如，社会经济地位较高的家长可能会在孩子教育上投入更多的时间，并且承担更多资源的费用（例如，更多的书籍、私立学校学费），从而带来更好的机会和成就。然而，一个不太常见的影响录取和成就的因素是基因。在上面的例子中，具有较高社会经济地位的父母不仅提供给孩子教育环境，还遗传了教育相关的基因，即基因-环境相关（rGE）。

　　来自数量遗传学的大量文献表明，基因解释了录取因素（包括能力和成就）中的大量差异。20-23 对双胞胎一般认知能力（g）的可估计性，儿童时期约为30％，青春期40-50％，成年期60％。21 双胞胎研究还表明，录取因素（如g）和后期成就之间的关系，在很大程度上受基因影响。22-26 由于双胞胎通常生长在同一家庭中，某些因素无从评估，比如双胞胎之间一样的家庭社会经济地位。然而，遗传性可以通过全基因组复杂性状分析（GCTa）, 27,28 即采用不相关个体的DNA来评估表现型变异的比例，DNA阵列上成千上万的单核苷酸多态性(SNPs)解释了这一变异。这一方法也表明，遗传基因在家庭社会经济地位，29,30以及一般认知能力（g）和成就31-33上，都存在显著的个体差异。

　　和家庭社会经济地位一样，学校类型在双胞胎之间没有差异。然而，由于GCTA需要大量样本，因此迄今为止还无法研究不同类型学校的学生之间的基因差异。但行为特征强大的全基因组关联（GWA）研究使之成为可能，该研究测试了特定SNP和性状之间的联系。虽然通过GWA研究，这些SNP单独的影响很小，但将这些影响汇总到一起，可以为独立样本中的每个个体创建基因评分，这也解释了基因变异的可观比例。34-36 这些被称为“全基因组基因分”（GPS）的分数，是基因研究的游戏颠覆者，并已在教育成就领域印证了其深刻性。例如，最近一项研究37采用了从2016年GWA教育年限（EduYears）38-39 得出的GPS，研究显示由于GPS的影响，16岁的孩子在教育成就上表现出分数差异。在GPS的最高值与最低值之间，存在一个大约的标准差差异，这几乎代表了整个学校的分数差异。此外，GPS最高的学生中有65％继续上大学，而GPS最低的学生中只有37％进入大学教育。

　　我们第一次评估了三类学校学生（非选择性学校，文法学校和私立学校）多年教育（EduYears）多基因分数的差异。我们预测，涉及诸如成就、能力和家庭社会经济地位等可遗传特征的选择，将在不同学校类型学生之间的基因差异上有所反映。此外，根据以往的研究，我们认为录取也会导致三类学校的学生之间出现很大的成就差异，而一旦控制录取因素，差异将大大减少。

　　结果

　　不同类型学校之间的多基因分数差异

　　如平均EduYears GPS所示（参见图1中表1的方差分析（ANOVA）详情），不同类型学校（公立非选择性学校、文法学校和私立学校）的学生在基因上存在差异。与文法学校学生（t = 4.87，p <0.001）和私立学校学生（t = 7.17，p <0.001）相比，非选择性公立学校学生的EduYears GPS分数明显更低。这一差异转化为标准差超过了三分之一（分别为d=0.41和0.37）。而文法学校和私立学校学生的EduYears GPS分数没有显著差异（t = 0.44，p = 0.66）。在不同选择性区域的公立非选择性学校之间，学生的EduYears GPS分数也没有显著差异（参见表S2和附录图S1）。

　　EduYears GPS与录取因素之间的关系

　　EduYears GPS与每个录取相关因素都呈正相关关系（参见附录表3），具体地，2.1%能力差异，5.2%成就，6.6%家庭社会经济地位。EduYears GPS与GCSE分数也呈正相关关系，7.6%的GCSE分数差异与之前对这些数据的分析类似。37 由于选择性学校是主动选择学生的成绩和能力，被动选择家庭社会经济地位，而这些因素都与EduYears GPS相关，因此我们研究了当在控制这些因素的情况下，EduYears GPS的平均差异是否仍然存在。

　　我们发现，在考虑可遗传的录取因素所带来的差异后，三类学校（公立非选择性学校、文法学校和私立学校）学生之间没有显著的EduYears GPS差异（参见附录图S2，附录表S4）。当我们研究不同选择性区域的公立非选择性学校之间的差异时，也会出现类似的结果（参见附录表S5，附录图S3），表现出在EduYears中，不同类型学校之间微小的差异。

　　附录表S6和图2显示了公立非选择性学校、文法学校和私立学校学生的未调整平均GCSE成绩，还有单独针对EduYears GPS、家庭社会经济地位、先前能力和成绩以及所有变量调整的平均GCSE得分。不同类型学校未调整的GCSE分数反映了未调整的EduYears GPS结果，非选择性学校和选择性学校之间存在较大的差异（参见图2中的“未调整的GCSE”，附录表S6中的详细信息）。实际上，公立非选择性学校学生的平均GCSE分数比文法学校（d = 1.05,95％CI = 0.83-1.28）和私立学校（d = 0.92， 95％CIs = 0.75-1.09）学生的平均GCSE分数约低1个标准差。这转化为公立非选择性学校和选择性学校学生之间平均GCSE分数的整体分数差异。文法学校和私立学校学生的平均GCSE分数没有差异（t = 1.00，p = 0.32）。选择性不同地区的非选择性学校之间也没有显著的差异（参见附录表S7和附录图S4）。

　　图2（和95%置信区间）表示三类学校（公立非选择性学校、文法学校和私立学校）控制变量后未调整的GCSE分数，包括控制EduYears GPS因素后的GCSE分数，控制家庭社会经济地位因素后的GCSE分数，控制先前能力因素后的GCSE分数，控制先前成绩因素后的GCSE分数，以及控制所有变量后的GCSE分数。注：详细信息参见附录表S6。

　　控制录取因素

　　控制EduYears GPS对平均GCSE分数的影响很小，不同类型学校之间GCSE的差异从R2= 0.07略微下降至0.06（参见图2和附录表S6中的详细信息）。鉴于EduYears GPS仅占GCSE方差的8％，这种相对较小的影响是可以预计到的（参见附录表S3）。控制家庭社会经济地位和先前能力对GCSE分数的影响稍大，这也和GCSE的方差数值符合（R²分别为24％、27％）。在所有录取因素中，先前成绩对不同类型学校之间的GCSE成绩影响最大，如文法学校的平均GCSE分数从10.12（等第A）下降到9.21（等第B）。在控制先前成绩后，不同类型学校之间的GCSE分数差异从7.1%下降到1.3％。

　　对所有录取因素和EduYears GPS控制后，我们可以看到不同类型学校的平均GCSE分数有所下降，文法学校（M = 9.14; t = 2.35，p <0.019）和私立学校的平均GCSE（M = 9.32，t = 6.16，p <0.001）与公立非选择性学校（M = 8.96）相似。虽然不同类型学校之间的差异依然很大，但这一差异已经大大地缩小了。标准化测试表明，与公立非选择性学校相比，文法学校与GCSE的标准差相比仅增加了0.03，而私立学校增加了0.07。此外，不同选择性区域的非选择性学校之间没有明显差异（参见附录表S7和附录图S4）。

　　我们研究的一个主要发现是，在考虑录取因素和EduYears GPS差异后，不同类型学校之间的GCSE差异从7.1％下降到只有0.5％（参见附录表S6回归结果）。

　　讨论

　　我们研究了三类学校学生之间的基因平均差异，这三类学校分别是：公立非选择性学校、文法学校和私立学校。我们发现，从平均水平来看，在教育年限（EduYears）下，与选择性学校的同龄学生相比，公立非选择性学校学生的多基因分数较低。此外，和EduYears的结果一样，选择性和非选择性学校学生之间的GCSE表现也存在显著差异。然而，几乎所有这些差异都可以由可遗传的、个体层面的因素来解释，而学校在录取学生的过程中主动或被动地涉及到这些因素。

　　虽然研究发现公立非选择性学校、文法学校和私立学校学生之间的基因差异初看起来令人惊讶，但当我们考虑到录取基于可遗传的特征时，这种差异也就并不出人意外了。换句话说，在多年的教育中，多基因分数高的学生，一般认知能力较高，成绩更好，家庭社会经济地位也更高，并且这样的学生后续也更可能被选择性学校录取。于是，这就形成了一个系统，在这一系统中，学生们表面上是被故意录取了，但实际上是无意识地因为基因而被录取。

　　尽管研究发现了不同类型学校学生之间的平均基因差异，但应注意的是，EduYears GPS的大部分差异都出现在同一类型学校内，而非不同类型的学校之间。例如，Cohen d为0.41（这是公立非选择性学校与文法学校学生的平均EduYears分数差异），这被归为小-中等影响，即意味着两类学校之间约有83％的重叠分布。40

　　然而，研究发现不同基因和学校类型之间的关系表明，基因正在带来教育环境的变化，即基因-环境相关性（rGE）概念。部分基于基因类型，在学生选择、改变和“继承”他们所在的环境时，变化随之发生。20,41 将研究放在rGE的背景下，我们建议除了基于基因特征录取学生（诱发因素rGE）外，学生自己也积极地选择与其基因类型（积极因素rGE）符合的教育环境。对于成绩优异的学生来说，这些环境可能是具有挑战性或竞争性的学术机构，如文法学校和私立学校。最终，我们知道学校录取中涉及的因素基本上是可遗传的，所以学术上有天赋的孩子很可能是有学术天赋的父母。这样的父母不仅提供基因，还提供环境来帮助孩子在学业上取得进步。

　　除了更高的平均EduYears多基因分数外，通常选择性学校的学生也能获得更好的GCSE成绩。2,3,12-14,17研究中对于成绩差距大小问题存在一些争论，并根据不同背景特征做了相应分析。我们发现，几乎所有选择性学校在GCSE分数上的优势，都可以通过家庭社会经济地位、成绩、能力以及EduYears GPS来解释。在控制这些因素后，文法学校与公立非选择性学校的平均GCSE成绩增长率仅为标准差的0.026，私立学校为标准差的0.070。此外，不同类型学校在GCSE上的差异从7%下降到1%。

　　单独控制EduYears对不同类型学校之间平均GCSE成绩的影响相当小。然而，考虑到EduYears GPS目前预测的GCSE分数差异约为8%——15%的遗传性通过双胞胎设计22 来估计，以及约三分之一的可遗传差异来自SNP——基于学生在16岁30时的GCSE分数研究。随着更强大的GWA研究，EduYears的可预测性也在增加。例如，与2013年的EduYears GPS（N = 126,559）相比，从2016年的EduYears GPS（基于GWA研究，N = 293,723 ）看，预计学生在16岁时的成绩将提升三倍。

　　尽管当控制录取因素和EduYears后，不同类型学校之间的平均差异只有很小，但这并不意味着其他因素对于学生们16岁时的成绩不重要。总之，这些因素并不能预测在GCSE上的所有差异（R² = 0.69）。如前所述，成绩是由许多遗传因素包括行为、个性、家庭环境和健康等共同影响的结果。22 此外，我们并不是说学校不重要，或教学不起作用，通过研究，我们发现了学校类型的微小影响。如果没有学校，我们很难想象一个可以让孩子们发挥学术潜力的成功的教育体系。然而，虽然学校本身对学术成绩很重要，但学校类型的影响似乎并不明显。教育成就不一定是父母送孩子进入选择性学校的唯一原因。最近一份关于私立学校的报告显示，这些私立学校学生在早期职业生涯（26岁至42岁之间）的收入，比公立学校学生增加了200,000英镑。2 然而，这一报告并没有区分公立非选择性学校与公立选择性学校。我们需要通过更多的研究来看，是否当考虑到学生个体因素后，学校类型仍可预测大学入学率、职业选择和收入上的差异。除了大学和职业的差异外，我们还需要确定不同类型学校在非认知特征层面的潜在差异，比如一项调查发现，66%的家长认为私立学校“给学生们灌输了信心”。

　　我们的研究存在几个局限。首先，我们认为在三类学校之间存在相当大的差异——在每一类学校中，也都会有特例和不足。特别是公立非选择性这类学校存在更多的差异，因为它包括了大部分的学校，并且这类学校还包括了许多其他类别，例如允许选择宗教的学校，允许多达10%的学生选择专业科目（如体育、表演、视觉艺术、语言等）的学校等等。这些学校不能直接根据学术基础来录取。但有证据表明，学校确实录取了更有能力的学生。在大多数学生进入中学前，其11岁前的成绩和能力被纳入录取考虑范畴。

　　本研究的另一个局限是，不同类型学校的数据获取。由于文法学校和私立学校并非均匀分布在全国各地，因此，在一些没有选择性学校的地方自治区域，非选择性学校学生的平均GCSE成绩可能更高；而在有更多选择性学校的地区，非选择性学校的平均GCSE成绩则可能更低。由于选择性学校少得多，这种地域因素可能会影响非选择性学校的平均GCSE成绩。为了确定地域因素是否对GCSE成绩差异存在影响，我们将非选择性学校进一步分为三组，分别是选择性区域、部分选择性区域和非选择性区域的非选择性学校。当控制了所有录取相关因素，我们发现，非选择性学校在不同选择性区域之间没有差异（参见附录表S7和附录图S4）。

　　最后一个需要注意的局限是，我们采用的GCSE变量仅包含学生16岁的三门核心科目——英语、科学和数学。对于其他科目，如语言、艺术和社会科学，学校类型可能会有更大的影响。然而，由于不同类型学校的优先科目有所不同，研究很难厘清学校类型对可选科目而非核心科目的影响，但这在未来的研究中可能会是一个有价值的方向。

　　在目前的研究中，我们发现三类学校（公立非选择性学校、文法学校和私立学校）的学生之间存在基因差异。与非选择性学校的学生相比，从平均水平来看，选择性学校的学生在受教育年限的基因分数更高。此外，我们也发现了不同学校类型之间GCSE分数的显著差异。然而，一旦考虑到学生、家庭、EduYears GPS因素，从学生所在的学校类型看，16岁时教育成就（平均GCSE分数）的个体差异不到百分之一。

　　研究方法

　　研究样本

　　这一研究涵盖了来自双胞胎早期发展研究（TEDS）的不相关个体。TEDS是针对1994年至1996年间在英格兰和威尔士出生双胞胎（包括16,000对大型、代表性样本）进行的，从出生到现在的追踪研究。44 这项研究得到了伦敦国王学院伦理委员会的伦理许可。尽管这些年间存在一些人员流失，但仍约有10,000对双胞胎积极参与研究，并提供丰富的行为和认知数据。重要的是，TEDS从过去到现在一直是英格兰和威尔士地区的代表性样本，详见其他研究。44,45 在本研究中，我们涵盖了4814个不相关个体（在每对双胞胎中随机选一个），其中有三个关键变量数据：基因型数据，16岁时的教育成就和学校类型数据。样本包括了2597名女性（54%）和2217名男性（46%）。在样本中，2533个人有录取因素数据，即能力、成就和家庭社会经济地位，其中包括1427名女性（56.3%）和1106名男性（43.7%）。按照学校类型划分的样本量，参见附录表S8。每一轮数据收集涉及到的所有参与者都提供了书面知情同意书。

　　基因分型

　　有关研究样本如何进行基因分型和质量控制过程的信息，请参见附录研究方法S1。

　　测量项

　　学校类型。当TEDS中的双胞胎18岁时，他们收到一份问卷，问卷中包括了一系列问题，如当他们16岁参加GCSE考试时所就读的学校类型。受访者需要就不同学校类型指出“是”或“否”。我们将所有就读于公立非选择性学校的受访者归为“公立非选择性”，所有文法学校的受访者归为“文法”，所有私立学校的受访者归为“私立”。除TEDS数据外，我们还通过全国学生数据库(NPD; https://www.gov.uk/ government/collections/national-pupil-database) 了解学校类型信息。通过补充TEDS数据和NPD数据，我们最终的学校类型数据为：公立非选择性n=4263，文法n=143，私立n=408。我们还进一步将公立非选择性学校分为三类做分析：完全选择性地区的非选择性学校（n=331），部分选择性地区的非选择性学校（n=905）和非选择性地区的非选择性学校（n=3027）。更多关于我们如何以及为何创建这些组别的信息，包括数据源与选择性区域分组之间的准确性等，请参见附录研究方法S2。

　　16岁时的教育成就。GCSE是英国的一项标准化考试，学生在16岁义务教育阶段结束时参加考试（M = 16.31，SD = 0.29）。几乎所有学生都将参与三门核心科目考试：英语、数学和科学。此外，学生可以选择一系列其他科目，如地理、历史和艺术。这些科目的分数等级跨度从4分（G，最低及格分数）到11分（A *，最好的分数）。在目前的样本中，我们通过邮件发送问卷，以及对双胞胎及其父母的电话采访获取GCSE的考试结果。我们引用全国学生数据库（NPD）的进一步补充了这部分数据。我们的分析侧重在三门核心科目：所有学生都学习的英语、数学和科学。参加GCSE科学科目考试的学生要么参与GCSE单独的物理、化学和生物科目（“三重科学”），要么参与一门课程且双重加权（“双重科学”）。因此，我们采用了GCSE科学学科的平均分数。由于英语、数学和科学的分数高度相关（r = 0.70-0.82），我们创建了GCSE复合分数。我们有3920个人自我报告的GCSE和NPD数据，这两个数据源之间的相关系数为r = 0.99，这一数据印证了TEDS数据的高度准确性。

　　录取因素

　　社会经济地位。家庭社会经济地位的测量是采用五个项目测量结果的算术平均值：父母双方的受教育水平（标记1-8等级，其中1=没有受过教育，8=有研究生学历），职业（按照职业分类标准（2000），标记1-9等级，其中1=初级行政与服务职业，9=管理人员、主管和高级官员）和第一胎孩子出生时母亲的年龄。所有测量均做标准化，平均值为0，标准差为1，并且至少需要三个项目来计算算术平均值。

　　孩子11岁时的测试成绩。我们没有选择性学校入学考试的数据，但是，在孩子进入中学前，他们通常需要参加考试，包括英语和数学考试。在我们的样本中，这些测试包括了两个英语测试（阅读和写作）和三个数学测试（计算器与非计算器测试，以及心算测试）。 由于数学和英语成绩之间存在高度相关性（r = 0.67），我们创建了要求数学和英语两者都有的考试成绩组合。

　　能力（一般认知能力，g）。 为了测量一般认知能力，作为TEDS测试的一部分，参与者被要求在11岁时完成一项在线的系列认知测试。这些测试包括口头和非口头能力（M = 11.2，SD = 0.69）。 平均分数来自四项测试，两项口头测试（韦式儿童智力量表（WISC），词汇多项选择和WISC一般知识测试）46 6和两项非口头测试（瑞文氏标准推理测试47 和WISC图片完成测试）。48

　　数据可用性

　　关于数据可用性的信息，请参见双胞胎早期开发研究数据库，可在网站找到http://www.teds.ac. uk/research/collaborators-and-data/teds-data-access-policy.

　　分析

　　全基因组多基因评分。我们计算了基于历年教育最大的GWA研究（N = 293,723个个体）总结数据的多基因分数。39 通过采用GWA研究中关于基因变异及特点相关度的总结数据，在独立样本中给个体基因类型进行打分。对于独立样本中的每个基因型，所有性状相关基因都被计数，并乘以它们的影响大小（如GWA总结数据中的性状关联强度）。这些加权和计数的等位基因的总和形成每个个体的多基因评分。我们采用软件PRSice创建每个个体的GPS。在250kb的窗口内截至R2= 0.1，通过质量控制，SNP聚合而成连锁不平衡。基于基因变异的不同GWA研究信号阈值，可以计算多种GPS，其中p值阈值较不严格，从而导致GPS中包含更多的SNP。在这里，我们计算了GPS的七个p值阈值（0.001, 0.05, 0.1, 0.2, 0.3, 0.4, 0.5）。我们在正文中做了p值阈值为0.05的分析；在附录图S5中对其他p值阈值做了分析。我们回顾了前十个主要部分的所有GPS，并在分析中采用了这些标准残差来解释人口分层。

　　平均差异。为了评估三类学校（公立非选择性学校、文法学校和私立学校）之间的差异，我们采用了计划对比的单向ANOVA（方差分析）。除了三级学校类型分析外，我们还进行了后续分析，研究在有或没有文法学校地区的公立非选择性学校之间的差异：完全选择性地区的非选择性学校，部分选择性地区的非选择性学校，以及非选择性地区的非选择性学校。由于各组样本量不同，我们使用调整后Cohen d值来估计影响大小。这一测试结合样本大小的权重，对汇总标准差的计算做了调整。

　　在控制录取因素（家庭社会经济地位，先前成就和先前能力）和EduYears GPS后，为了测试学校类型的影响，我们使用虚拟编码进行了层级回归模型。更多有关分析的信息，请参见附录研究方法S3。

　　所有研究方法均按照相关规定和指南进行。

　　1、本文是复制于芥末堆网文章，转载需到底部关于我们内容合作了解详情

　　2、芥末堆不接受通过公关费、车马费等任何形式发布失实文章，只呈现有价值的内容给读者；

　　3、如果你也从事教育，并希望被芥末堆报道，请您 通过顶部导航寻求报道 填写信息告诉我们。