所有落點分析都會給你一個百分比。但那個百分比到底準不準，幾乎沒有平台事後回頭驗證。
分科放榜後，我們拿 11 萬筆志願資料做了一次校準檢驗：把落點分析引擎在放榜前給出的機率，跟這些志願最後實際的上榜結果對起來看。結果有好消息也有壞消息。
好消息：總量幾乎完全準確
11 萬 4763 筆志願中：
| 指標 | 數值 |
|---|---|
| 平均預測機率 | 41.3% |
| 實際上榜率 | 42.2% |
| 整體偏誤 | +0.92 個百分點 |
如果把所有預測機率加總當作「期望上榜數」，得到 47411；實際上榜 48465。以十萬筆的規模來說，這個誤差非常小。
換句話說，引擎對「整體會有多少人上榜」的判斷是可靠的。
壞消息：分段之後，曲線是 S 形
把志願依預測機率分成十組，看每一組的實際上榜率：
| 預測機率區間 | 志願數 | 實際上榜率 | 偏差 |
|---|---|---|---|
| 0–10% | 39757 | 1.1% | 高估 |
| 10–20% | 8773 | 5.3% | 高估 9.5 個百分點 |
| 20–30% | 7392 | 11.5% | 高估 13.4 |
| 30–40% | 6748 | 24.7% | 高估 10.3 |
| 40–50% | 6446 | 49.0% | 低估 4.1 |
| 50–60% | 5977 | 72.3% | 低估 17.4 |
| 60–70% | 5728 | 84.4% | 低估 19.3 |
| 70–80% | 5612 | 90.3% | 低估 15.3 |
| 80–90% | 5794 | 94.0% | 低估 8.9 |
| 90–100% | 22536 | 98.6% | 準確 |
總量準是因為兩邊的偏差互相抵銷了：低機率那段高估、中高機率那段低估，加起來剛好打平。
最明顯的是 60–70% 那一組：引擎平均給 65%，實際上榜率 84.4%。
這條曲線在告訴你什麼
S 形的意思是：引擎太過「中庸」了。 它把預測往中間收，不夠敢給極端值。真實世界比它以為的更兩極——該上的更容易上，該落的更容易落。
對你填志願來說，這可以翻譯成兩條實用的讀法：
1. 標到 50%–80% 的志願，比你想的更穩。
這一段的實際上榜率是 72%–90%。如果你看到 60% 就覺得「一半一半、太冒險」而把它往後排，可能是在浪費一個相當有把握的志願。
2. 標到 10%–40% 的志願，比你想的更難。
這一段的實際上榜率只有 5%–25%。預測 25% 的志願，實際上榜率是 11.5%——大約是預測值的一半。這些是真正的「衝刺志願」，不要因為看到二三十趴就把它當成有相當機會。
3. 兩端可以放心。 90% 以上的實際上榜率是 98.6%，10% 以下是 1.1%，這兩段引擎抓得非常準。
為什麼會這樣
落點分析引擎是用歷年錄取分數推估門檻，再依你的分數與門檻的距離換算機率。距離換機率的那條曲線，斜率是用歷史資料擬合的——當年度如果競爭比歷史平均更「乾脆」（門檻附近的人少、分數分布較分散），實際結果就會比擬合曲線更兩極。
這也解釋了為什麼兩端準、中間不準：分數遠離門檻時，怎麼換算都是接近 0 或接近 1；只有在門檻附近，曲線的斜率才會真的影響答案。
我們會不會直接把曲線調陡
會考慮，但不會只憑今年的資料就動。
單一年度的校準曲線很可能反映的是這一屆的特性——例如今年分科報名人數、各科難度、五標位置，都會影響門檻附近的密度。把今年的偏差直接補進模型，明年可能反而更不準。
我們的做法是先用 113、114 兩個年度重跑同一份校準檢驗，確認 S 形是穩定的結構性偏差、而不是單年雜訊，再決定要不要修正。修正之後也會再發一篇公開新的校準表。
一個更根本的建議
機率是用來排序的，不是用來預言的。
與其問「這個系我有 60% 還是 70%」，不如問「我的志願序裡，有沒有涵蓋到夠寬的機率區間」。一份健康的志願序應該同時包含：幾個 90% 以上的保底、一批 50%–80% 的主力（這一段實際比標示的更穩）、少數 10%–40% 的衝刺（這一段實際比標示的更難）。
分發是照志願序一路往下比的，你只會被分發到「填得上的最前面那一個」。把主力段填厚，比在衝刺段多放兩個系有用得多。
本文數據取自 2026 年分發的落點分析引擎校準檢驗，樣本為 114763 筆志願。預測機率重現放榜前狀態（參考門檻限定於分析年度之前），實際結果以加權總分達官方最低錄取分數為準。Brier 分數 0.0733，期望校準誤差（ECE）5.84 個百分點。