组队要花十分钟商量，还至少让一个人不满意。随机化只要十秒，而且产生的结果没人能抱怨是被操控的——前提是你配置正确，而大多数错误就出在这里。
随机分组负责打乱和均衡。本指南讲的是那些决定结果是否可用的设置。
选择分组模式
定义分组有两种方式，选错一种是最常见的错误。
小组数量。 你说明想要几个小组，工具尽可能均分。三十人分成五组，每组正好六个。当你知道组数、也能接受不均等的余数时，这是对的。
每组人数。 你说明每组应有多少人，工具算出组数。当每组必须完全相同——四人的项目组、三人的分组讨论室——这是对的。
对课堂工作来说，第二种是更合适的默认值。一个学生因为二十九除不尽四而被留在三人小组里，这种事会被记住。
三种均衡规则
随机是默认值，是纯粹的打乱。在数学意义上公平，但可能产生相差一到两人的小组，偶尔还会出现明显更小的一组。用于游戏没问题。对有人会数人头的评分项目来说不行。
均衡分配把参与者分进各个“罐子”，让人数差距保持在一人以内，然后再分配。结果始终接近均等，随机性也得以保留——它根本无法产生不公平的分组。任何有共同交付成果的事都用它。
顺序保留你原始名单的顺序，依次循环分组。这完全不是随机的；它用于按名单顺序分配，比如一学期里轮换的实验搭档。
随机分组真正不公平的地方
这是在工作坊之前而不是之后值得知道的部分。
随机对能力视而不见。 对一个有一个突出强者的群体做纯随机分组，会产生一个无法运作的小组。解决办法是先把你知道最强的两三个人分别放进不同小组，然后再抽其余的人。工具无法替你做到这一点，因为它没有能力数据。
随机不考虑既有关系。 有时最好的配对是两个从没合作过的人。有时他们已经很熟，这次配对就浪费了一个名额。对此没有设置项；决定你想要哪种，并接受后果。
随机对子群体并不中立。 在整个人群里随机，每次都会主要从较大的那个子群体里抽人。如果构成重要，就改为在子群体内部随机——在每个年级组内随机，或在每个能力段内随机，而不是把三十个人当作一份不加区分的名单。
随机不考虑后勤。 把一支队伍分到不同的楼、时区或班次，会产生无法碰面的小组。在抽取之前，先移除不可能的组合。
毁掉结果的各种设置错误
在名单核对之前就抽取。 把你实际的名单和录入数量对一下。小组一旦存在，漏掉的人就加不进去了，而他们会在所有人面前发现这一点。
没有清理重复项。 “Rovers U16”和“Rovers U16 (B)“会落进两个不同的小组。用两种拼写登记同一个名字的人也一样。先去掉重复。
事后重新调整。 如果你通过换人来修复均衡问题，你就把抽签所消除的主观判断又带了回来——而现在，抽签本身成了人们不信任的东西。修改设置，当着所有人的面重新抽取。
把小组命名为“第 1 组”。 编号小组会制造一种命名小组所没有的先后顺序。有预设可用——动物、颜色、城市——你也可以自己命名。“猎鹰队的展示”是一句读得通的话；“第二组的展示”则会引发一场关于顺序的讨论。
跳过组长开关。 一个没有指定组长的小组，要么等一个志愿者，要么让最先开口的人说了算。随机指派组长能分散这种非正式权威，而这正是随机化最主要的好处。
把结果导出去
生成之后，小组可以导出为 CSV 或 XLSX、复制为纯文本，或打印。每次都值得导出：一份写下来的分配，能经受住一次走廊里的对话，而口头说的不能。
如果一次分组需要每个人拿到自己的分配而不是一份小组名册，任务分配是合适的工具——它把两份名单互相配对，并报告任何未被分配的内容，而不是悄悄丢掉。
用在哪些地方
课堂项目。 最强的用例，因为它彻底消除了“我想跟朋友一起做”的商量，并默认产生混合小组。
校内运动。 当没人很了解所有人的能力时，均衡的随机队伍很管用。如果你需要淘汰赛，就用锦标赛对阵表。
工作坊和培训。 把某个部门分成混合小队参加一次课程。组名让事后提起某一组变得简单。
桌游阵营。 分配阵营、颜色或起始位置。当设置方法本身对公平有影响时——有些游戏给先手优势——随机化它是诚实的解决办法。
抽签实际上是什么
小组用 Fisher-Yates 洗牌形成，它产生一个无偏的排列，且不修改原始名单。随机来源是浏览器的加密生成器，而不是 Math.random()——后者是确定性的，原则上可以被重建以预判结果。公平性页面介绍了其机制。
从一次分组开始
粘贴你的名单，选择每组人数，打开均衡分配，给小组命名，然后生成。接着在宣布之前核对实际人数。
核对不是可选项。它是人们接受的结果和你不得不在公开场合做出的更正之间的差别。