科学方法——检验说法的技术

1.科学首先是方法，其次才是知识

一提到科学，人们容易想到公式和术语，但科学真正的力量在于检验说法的方法。一个想法无论多么合理，在被观察和实验证实之前，都还只是假设。

科学方法通常按下面的顺序来说明。实际研究会在这些步骤之间来回往复、反复多次，但用这个框架来把握整体流程很有帮助。

• 观察：注意到某个现象，比如“放进冰箱的香蕉，皮很快就变黑了”。
• 提问：为什么会这样？是因为温度，还是湿度？
• 假设：把答案写成可以检验的形式，比如“低温损伤了果皮细胞，使其变黑”。
• 实验：事先确定假设成立时应当出现的结果，控制条件进行比较。
• 分析与结论：看结果是否符合预测，从而接受、修改或放弃假设。
• 公开与重复：公开方法，让别人重做一遍，看能否得到同样的结果。

2.控制变量——一次只改变一个条件

实验的核心是公平比较。只改变你认为是原因的那一个条件，其余条件全部保持相同。这样一旦结果出现差异，就能把原因锁定在这一个条件上。

这时，有意改变的条件叫自变量（操纵变量），作为结果来测量的量叫因变量，保持不变的其他条件叫控制变量（无关变量）。改变了条件的组叫实验组，不改变条件、作为基准的组叫对照组。

在以人为对象的实验中，期望本身也会改变结果。最典型的是安慰剂效应：吃了没有药效的假药，也会觉得病情好转了。因此医学研究会把参与者随机分组，并采用双盲法，让参与者和研究者都不知道谁拿到的是真药。

3.相关不等于因果

两个量一起升降，叫作相关关系。夏天冰淇淋销量增加，溺水等戏水事故也增加。但这并不是说冰淇淋导致了事故。两者都是因为天气炎热这个第三个因素而一起增加的。

像这样隐藏的共同原因叫混杂变量。此外，原因和结果也可能是颠倒的（反向因果），还可能只是碰巧一起变化。即使有调查显示“吃早饭的学生成绩更好”，单凭调查也分辨不出是早饭提高了成绩，还是作息规律的家庭里有其他因素同时影响了两者。

检验因果最可靠的办法，就是前面讲的控制实验。随机分组会让混杂变量均匀地分布在两组中，因此剩下的差异就可以看作改变的那个条件造成的效果。对于无法做实验的课题（比如吸烟与疾病），则要收集证据来判断：不同类型的研究结果是否指向同一个方向，剂量增加时效果是否也随之增大，等等。

• 混杂变量：是否存在同时影响两者的隐藏原因？
• 反向因果：原因和结果有没有可能是颠倒的？
• 巧合：数据是不是太少，或者是不是从大量比较中只挑出了一个？

4.怎样读“风险降低50%”——相对风险与绝对风险

健康报道和广告里常常出现“发病风险降低50%”这样的句子。这个数字也许没有错，但光凭它看不出效果到底有多大。因为同一个结果，用相对风险来说还是用绝对风险来说，给人的印象会大不相同。

相对风险降低表示与原来的风险相比减少了百分之几，绝对风险降低表示实际减少了几个百分点。原来的风险越小，相对风险降低看起来就越大，而绝对风险降低就越小。两个数字要放在一起看，才能正确判断效果的大小。

5.可重复性与科学知识的性质

一次实验的结果可能出于偶然或失误。只有别人用同样的方法重做也得到同样的结果，这个结果才值得相信。这就叫可重复性。所以科学论文不仅要写结果，还要详细写明方法，并接受其他研究者的审查。

日常生活中，“理论”一词接近于“猜测”的意思；但在科学中，理论是指得到大量观察和实验支持的解释体系。尽管如此，一旦出现新的证据，科学知识也可以被修正。这不是弱点，而正是科学自我纠错的方式。

另外，很多科学解释是把现实简化后描绘出来的模型。把原子画成太阳系的样子、假设没有摩擦的运动，都是如此。模型并不是因为错了才简化，而是被做成只需精确到够用程度的工具。本课程中也会明确标出“这是模型”。

6.检验人工智能科学解释的几个问题

人工智能能非常快地生成听上去很有道理的科学解释。大部分是对的，但有时会夹杂来源不明的数字，或者把相关说成因果的句子。只要把科学方法里的问题原样套用到人工智能的回答上就行。

这个说法是经过实验证实的，还是来自观察调查？有没有对照组？其他研究是否也得到了同样的结果？如果有数字，这个数字是从哪里来的？只要问这四个问题，就能过滤掉相当一部分夸大的健康信息和广告用语。