无标题无名氏No.69301086 返回主串
2026-08-22(六)21:56:18 ID:lBNsq7w 回应
上周和chatGPT一起看了1994年版的《现代科学基础知识:干部选读》,以2026的视角回顾,当年这本书虽然不是完全的预言,但几乎可以当做发展中国家如何科技强国的教科书了。所以我决定让ChatGPT仿照当年的旧例写一写2026年的现代科学基础知识,看看是否能成为一个有价值的科普读物。欢迎肥肥们一同阅读和探讨!以及如果嫌ChatGPT写的不够深入浅出,也可以压力他一下让他讲清楚点
无标题无名氏No.69430713
2026-09-12(六)20:41:37 ID: lBNsq7w (PO主)
这种现象在统计上常被称为回归均值。它并不神秘:如果今天刚好处在一次异常极端的坏状态,
无标题无名氏No.69430727
2026-09-12(六)20:44:21 ID: lBNsq7w (PO主)
下一次测量更接近、、平常水平,本来就是很常见的事情。
所以,“治疗以后好了”首先只能告诉我们两件事先后发生了。它还不能告诉我们,后面的改善究竟有多少是治疗造成的。
如果一种治疗使用得非常广,这个问题会更加明显。治疗的人越多,就越一定会有人随后自然改善。这些人完全可以真诚地说:“我用了以后真的好了。”如果改善者不断成为“成功病例”,没有改善的人却很少被提起,那么成功故事会越来越多。
这时,“我见过很多有效病例”甚至完全可能是真话。真正缺少的仍然是另一个数字:如果不用,本来会有多少人改善?
无标题无名氏No.69430731
2026-09-12(六)20:44:49 ID: lBNsq7w (PO主)
十四、相关为什么不一定意味着因果?
假如统计数据发现,经常携带打火机的人更容易患肺癌。一种解释是:打火机会导致肺癌。
但还有一个更合理的可能性:吸烟的人更经常携带打火机,而吸烟才是真正增加肺癌风险的主要原因。“携带打火机”和“肺癌”确实相关,但二者之间并不是我们真正关心的因果关系。
那个同时影响两边的因素——吸烟——称为混杂因素。现实中的混杂往往比这个例子复杂得多。年龄、收入、教育、职业、健康状况和生活习惯可能彼此相关。
所以观察到两件事情总是一起出现,只能说明它们之间有关系。还不能自动推出:改变其中一个,就一定会改变另一个。
十五、因果方向也可能反过来
即使两个现象之间真的存在直接联系,方向也可能和直觉相反。例如,观察发现身体较差的人运动较少。这可能是缺乏运动让健康变差,也可能有一部分原因是健康已经变差,使人无法运动。
再比如,一些研究发现睡眠时间很长的人死亡率更高。不能直接因此得出“多睡觉导致死亡”。某些慢性疾病本身就可能让患者更疲倦、更需要睡眠,同时也提高死亡风险。
所以看到“X与Y有关”以后,真正困难的问题通常才刚开始。是X影响Y?Y影响X?还是第三个因素同时影响两者?又或者几种情况同时存在?
无标题无名氏No.69430738
2026-09-12(六)20:45:17 ID: lBNsq7w (PO主)
十六、为什么“双盲”比“有对照组”严格得多?
怎样才能更有把握地知道一件事情是否真的造成了另一件事情?可以从一个非常具体的例子开始。假设一种水晶疗法认为,具有特定能量的水晶可以减轻慢性疼痛。
最简单的实验,是找一群患者,一部分接受水晶照射,另一部分不接受,然后比较两组疼痛有没有变化。但这里首先有一个问题:谁进入哪一组?
如果由患者自己选择,那么愿意接受水晶治疗的人和不愿意接受的人,从一开始就可能不一样。前一组也许对疗效期待更高,更愿意坚持治疗,甚至描述疼痛的方式都可能不同。所以更严格的研究会采用随机分组。患者进入研究以后,由随机方法决定属于哪一组,而不是由本人或者治疗者挑选。
但还没有结束。如果一组患者知道自己正在接受真正的水晶治疗,另一组知道自己拿到的是对照,那么“我正在被治疗”这件事本身也可能影响结果。疼痛尤其容易受到期待、注意和情绪影响。
所以,两组患者最好经历尽可能相同的治疗过程。例如,两组都接受同样大小、同样外观的水晶照射,时间、距离和环境也一样。一组使用有能量的水晶,另一组使用能量已经耗尽的水晶。患者自己不知道是哪一种。
这样,如果两组疼痛变化出现系统差异,就更容易把差别归到水晶能量本身,而不是“我知道自己接受了治疗”这种期待上。
但还有第三个问题。假设患者不知道,负责治疗或者评价效果的人却知道。他不需要故意作弊。面对使用有能量水晶的患者时,他可能不自觉地更有信心,多一句鼓励,多问一句“是不是舒服了一些”;面对另一组时,则可能更容易注意到没有改善的地方。
如果疗效还需要人判断,比如疼痛减轻多少、活动是不是更灵活,这种影响还可能直接进入最后的数据。所以更严格的设计,会让患者不知道,也尽量让治疗者或者至少负责评价结果的人不知道。
这就是通常所说的双盲。随机化、患者盲法和研究者盲法,其实分别堵住了不同的漏洞。“有实验组、有对照组”,只是开始。
无标题无名氏No.69430740
2026-09-12(六)20:45:42 ID: lBNsq7w (PO主)
十七、如果这些病人本来就不是一种病呢?
慢性疼痛本来就不是一个特别单纯的问题。两个人都说“疼”,背后的原因却可能完全不同。可能和神经损伤有关,可能和炎症有关;有些关节痛还会明显受到天气和环境变化影响。再往下分,也可能涉及辐射、能量状态、地质条件,或者其他完全不同的因素。
如果真正起作用的原因不同,那么把这些人都放在“慢性疼痛”这个名字下面,当然可能过于粗糙。不同的人也就可能需要完全不同的处理方式。
放回前面的水晶例子里,这意味着张三可能需要这一种水晶,李四需要另一种,甚至一百个人可以有一百套不同方案。
这并不会让实验立即失去办法。可以先让治疗者按照自己的方法,为每位患者判断当前状态,选水晶,决定照射时间和治疗方式。关键是,这些判断都要在治疗结果出来以前先定下来。
随后仍然可以在每个人自己的方案里做随机和盲法比较:一边使用已经选定的、有能量的水晶,另一边使用与之对应、但能量已经耗尽的水晶。这样,没有取消个体化,也没有要求新的分类必须服从原来的疾病分类。
实验只是继续问:这些事先作出的判断,后来到底能不能对应出不同结果?
如果新的分类比旧分类更好,那完全可能成为一项真正的发现。医学史上也确实不断发生这样的事情:过去被放在同一个病名下的人,后来发现其实包含几种不同情况。
复杂不是问题。个体化也不是问题。真正重要的是:这些复杂差别能不能在看到结果以前先判断出来。
无标题无名氏No.69430744
2026-09-12(六)20:46:12 ID: lBNsq7w (PO主)
十八、如果连规则都要等结果出来以后才知道呢?
事情还可以继续复杂下去。同一个人今天和明天的状态本来就可能不同。疼痛会波动,睡眠、情绪、活动量和身体状态也会变化。接受一次治疗以后,人本身又可能已经发生变化,所以下一次治疗面对的当然不再是完全相同的条件。
治疗师本人也可能成为治疗过程的一部分。水晶的能量还可能受到环境影响。甚至什么算“有效”,也未必只能看疼痛。有的人最先改善的是睡眠,有的人是情绪,有的人则可能出现其他更重要的变化。
这些都不是实验必须拒绝的条件。那就允许每次治疗以前重新判断。今天这个人需要什么水晶,先选好;需要照多久,先定下来;这一次最期待改善什么,也先说明。如果治疗师必须参与,就保留治疗师。如果每个人最重要的变化不同,也可以分别规定。
到这里,实验已经尽量接受这些复杂条件了。可如果再继续下去,会出现一种完全不同的情况。治疗结束以后,我们才发现:原来这个人当时并不是最初判断的那种状态;原来水晶选对了,但当天能量不够;原来治疗师当天的状态影响了效果;原来真正应该看的也不是疼痛,而是后来才注意到的另一种变化。
如果结果不好,还可以继续增加新的解释。这些解释中的某一些当然可能是真的。
但问题已经悄悄变了。
最开始我们问的是:能量水晶能不能帮助我们更好地处理这个患者的问题?走到这里以后,却越来越像是在问:任何结果出现以后,我们还能不能找到一种解释?
假设我们暂时不争这些解释是真是假,甚至先假定它们全部正确。那仍然可以问一个很朴素的问题:在治疗开始以前,能量水晶到底能告诉我们什么?
如果病人的状态要等治疗结束以后才知道,水晶该有什么能量要等结果出来以后才确定,什么才算有效也要等观察完以后重新解释,那么这些解释即使完全正确,也很难帮助下一次治疗提前作出判断。
到了这里,对错本身已经不是唯一重要的问题。一个解释可以在事后讲得通,但如果它只有在答案揭晓以后才告诉我们“刚才到底发生了什么”,它能够提前提供的信息就非常有限。
无标题无名氏No.69508458
2026-09-24(四)22:03:22 ID: lBNsq7w (PO主)
十九、为什么随机对照试验特别有力量?
前面的水晶例子其实已经把随机对照试验最重要的逻辑说出来了。它的力量并不来自“随机”“双盲”“安慰剂”这些词本身。真正重要的是,研究者主动设计条件,把几种可能解释尽量拆开。
如果两组人在开始时已经不同,我们不知道结果来自治疗,还是来自两组人的差别。如果患者知道自己在哪组,我们不知道结果来自治疗,还是来自期待。如果评价者知道分组,我们又不知道最后的判断有没有受到暗示。
随机化、盲法和对照,都是在逐层减少其他解释。随机试验强,并不是因为现实简单。恰恰相反,是因为现实太复杂,所以研究者主动创造一个比较干净的条件,让“改变了什么”和“结果变了什么”尽量能够对应起来。
二十、如果根本不能随机,因果关系还能研究吗?
很多真正重要的问题根本不能随机实验。我们不能随机让一半人开始吸烟几十年,然后看看谁得肺癌;不能随机制造一次核事故;也不能为了研究童年教育,把婴儿随机送进完全不同的家庭环境。如果“不能随机”就等于“不能研究因果”,那么医学、公共卫生、地质学、经济学和社会科学的大量问题都只能停在相关关系上。现实并不是这样。
不能随机时,科学会换一种办法:尽量寻找那些自然产生的比较。
例如,两个地区原本很相似,其中一个突然实施了一项政策,另一个没有。我们可以比较政策前后,两地的变化是否开始出现不同。又例如,某些规定刚好以一个年龄、收入或者日期作为分界线。分界线两边的人可能本来非常接近,却因为规则获得了不同处理。这种人为形成的差别,有时会提供接近实验的比较机会。
还可以沿时间追踪大量人群。如果吸烟者和不吸烟者在很多方面都不同,就尽量测量这些差别,再看不同人群、不同年代、不同国家中是否都出现相似关系。如果停止吸烟以后风险随时间下降,这又提供另一条线索;如果接触越多,风险通常越高,也提供新的信息;如果实验室、病理研究和生物机制又指向同一个方向,证据会继续增强。
这里没有任何一种方法能够像一次理想随机试验那样,一下子把其他解释全部清掉。真正的做法是:让不同方法犯不同的错误,再看它们是否仍然指向同一个结论。
一种观察研究可能受生活方式影响,一种自然实验可能只适用于某个地区,实验室研究又可能离真实人体太远。但如果这些来源完全不同的证据不断收敛,某一个隐藏因素同时解释全部结果会越来越困难。
所以“没有随机试验”绝不等于“只能凭感觉”。它意味着结论必须更仔细地说明:我们依赖了哪些假设?还有哪些其他解释?如果这些解释成立,应该还能看到什么现象?有没有另一种数据能够把它们区分开?
有些因果问题永远无法获得像理想随机试验那样干净的证据。但科学并不是在“完全证明”和“完全不知道”之间二选一。证据可以一层一层累积。
无标题无名氏No.69508464
2026-09-24(四)22:03:58 ID: lBNsq7w (PO主)
二十一、“这个说法被纠正了”到底说明什么?
这种证据逐渐累积的过程,还带来另一个很容易误解的问题:科学结论会不断被修改。
假设有人说:“一瓶这种饮料含有50克糖。”后来实验室检测发现,实际平均含量是48.7克。从字面上说,原来的50克当然不准确。
但如果原来争论的是“这瓶饮料是不是含有大量糖”,那么50变成48.7,几乎没有改变核心结论。如果后来发现其实只有5克,意义才完全不同。
所以看到“某个说法被否定”“研究出现争议”“专家意见不一致”时,一个重要的问题是:到底哪一级结论发生了变化?是50变成48.7,还是50变成5?是现象确实存在,但大小需要修正?是机制解释改变了?还是原来以为存在的现象根本没有重复出来?
把局部修正包装成“整个事情都是假的”,和把一个大体正确的核心结论包装成“所有细节都已经得到证明”,都是同一种偷换。
真正需要知道的是:他们到底在争哪一句话。
二十二、“统计显著”到底有多显著?
假设有人研究一种新的鞋垫,想知道它能不能让人走得更快。研究200个人以后,使用新鞋垫的一组走一公里,平均比普通鞋垫组快了3秒。
这3秒到底说明什么?有可能鞋垫真的有一点作用,也可能只是随机分组以后,恰好这一组里多了几个走路比较快的人。
统计学首先试图回答的,就是后一个问题:如果鞋垫实际上没有作用,仅仅靠人与人本来的差异,我们有多容易碰巧看到现在这么大的差别?所谓“统计显著”,主要是在回答这个问题。
现在把实验扩大到200万人。最后仍然发现,新鞋垫组走一公里平均快3秒。因为人数极多,我们可以非常确定,这3秒大概不是随机分组碰巧造成的。统计上,它可能“极其显著”。
但对一个普通人来说,一公里快3秒有什么实际价值,是完全不同的问题。于是,同一个研究可以同时成立两句话:这个差异几乎肯定真实存在;这个差异小到大多数人根本不在乎。
这就是“统计显著”和“实际重要”之间最关键的区别。研究论文里常见的 P<0.05,就是这类统计判断的一种传统表达。普通读者不需要会计算它,但至少应该知道,它不等于“95%的概率理论是真的”,更不等于“疗效有95%”。
无标题无名氏No.69508467
2026-09-24(四)22:04:25 ID: lBNsq7w (PO主)
二十三、测得越多,为什么越容易找到“发现”?
事情还可以更糟。假设研究者不仅测“走一公里需要多久”,还同时测走100米多快、走500米多快、左脚步幅、右脚步幅、心率、出汗量、疲劳感、脚底温度、第二天腿酸不酸……
如果一次测很多指标,即使鞋垫实际上什么作用都没有,也越来越容易碰巧找到其中某一个看起来“显著”。这时候,如果最后只把那个最漂亮的指标拿出来,说“研究发现新鞋垫具有显著效果”,数学本身甚至可能没有算错。
真正出了问题的是研究者怎样使用数学。
所以看到“具有统计学显著性”以后,还得继续问:到底差了多少?这个差异有没有现实意义?研究一开始是不是就打算测这个指标?还是看完数据以后才发现它最好看?换一批人还能不能重复?
把“统计显著”直接翻译成“重要”“有效”或者“科学证实”,中间缺了好几步。
二十四、先看到成功者,再去寻找共同特点,会发生什么?
同一个问题还会以另一种方式出现。假设一种治疗已经给很多人使用。有人明显改善,有人没有变化,也有人变得更差。
这时回过头去看那些改善的人,很可能发现他们似乎有某些共同特点。于是产生一个新的结论:原来这种治疗不是对所有人有效,而是只对“这一类人”有效。
这种发现完全可能是真的。现代医学本来也不断寻找真正不同的治疗响应人群。问题在于,如果这个“某一类人”是在看完结果以后才定义出来的,就很容易把偶然差异当成规律。
年龄可以切,性别可以切,症状可以切,生活习惯可以切,化验结果可以切。再把几个条件组合起来,几乎总有机会找到一小群效果看起来格外漂亮的人。这和前面“测很多指标以后挑一个最好看的”,其实是同一种问题。
真正有力量的下一步,是把这一次发现当成新的线索,再拿下一批还没有看到结果的人,提前按照这套规则分类。如果下一批人仍然如此,这才开始成为真正有预测价值的规律。