可得性偏差（Availability Bias）指的是我们的大脑会为了效率，更看重那些最容易获取的信息。例如，每年都会发生空难，在媒体的大肆报道和算法的推波助澜下，让人感觉好像天上的飞机每天都在掉下来，因此很多人觉得飞机不安全，不敢坐飞机。然而，如果我们真的去研究数据，就会发现实际上出车祸的概率远高于空难。但是认知偏差就是让飞机失事的新闻更容易被我们想起来。

确认偏误（Confirmation Bias）指的是我们会接受那些符合我们既有想法的信息，过滤掉反对的意见。例如，我们可能被问过“你是视觉型学习者还是听觉型学习者”这种问题，尽管 90% 的参与者相信它，甚至许多学校都在教，但实际上没有任何科学证据支持这种“学习风格分类”的理论。这个迷思之所以存在，就是因为人们拒绝接受与自己的想法相悖的证据。

锚定偏差（Anchoring Bias）指的是人们在决策时过度依赖最先获得的初始信息（锚点），即使后续信息更相关或更合理，也难以充分调整判断。（先入为主）

事后诸葛亮偏差（后见之明偏差，Hindsight Bias）指的是人们会高估自己事前预测的准确性，当知道结果后，会觉得“这根本就是显而易见，我早就知道会这样！”

用科学思维打破偏差

科学思维或者科学方法，不是指知识本身，而是那套用来拷问宇宙的系统。我们之所以要设计“科学的过程”，初衷就是为了克服偏差。科学是群体性的，它经过整个社区的审查，而不仅仅是一个人的浴室沉思。

打破偏差最好的的方法是 随机对照试验（Randomized Control Trials）。在测试新药时，科学家会随机选择参与者，并设置对照组（给安慰剂或旧药），这样就可以比较结果。为了进一步消除偏差，他们甚至会做 双盲研究，连科学家自己都不知道谁在哪个组，这就是科学思维在发挥作用。

我们应该怎么做？

承认我们都有认知偏差：这是反击偏差最简单也最重要的一步。任何说自己没有偏差的人都是在耍流氓。
与不同的人交流：就像科学家互相审查一样，我们需要多样化的社区来帮助我们突破个人经验。
跳出直觉：要有能力说出“你知道吗，也许我是错的”。这很难，但这真的对我们有好处。

总的来说，科学需要依靠专家和社区评估的证据，并拥有一套旨在减少偏差的系统。它并不完美，但它是我们了解这个奇怪世界的最好工具之一。

P2 统计思维

如果你看美国男性的平均死亡年龄，你会发现是 70 岁，但最常见的死亡年龄却是 79 岁。这两个数字差了整整 9 年，这意味着什么？我们应该如何去理解日常生活中的统计数据？

在统计时，通常不可能采集所有的数据，因此科学家利用样本来理解更大的群体，这意味着总是存在一定的不确定性。所以，统计数据虽然不能告诉我们某个人确切的寿命，但能告诉我们类似这样的人最有可能的寿命是多少。

统计学典型标准

统计学中涉及几种不同的典型标准：

平均数（Mean）：所有数字的总和除以数量。平均死亡年龄 70 岁就是这么来的。但这个数字会被那些英年早逝的人的数据拉低。
众数（Mode）：数据中出现次数最多的数字，也就是最常见的死亡年龄是 79 岁。但实际上大多数人都活不到 79 岁，所以这也不一定准。
中位数（Median）：位于中间的点，比如 73 岁。因为它正好在中间，所以不太会被极端数据扭曲。

为了知道这些数字有多靠谱，我们还需要看另外两个指标：

标准差（Standard Deviation）：它告诉我们数据有多分散。
置信区间（Confidence Interval）：比如 95% 的置信区间意味着如果我们重复研究 100 次，结果大约有 95 次会落在这个范围内。

记住：大概正确总比精确地错误要好。

相对风险和绝对风险

统计数据至关重要，但却容易误导我们，不是因为数字在撒谎，而是当新闻报道这些数据时，往往丢掉了科学家原本拥有的上下文。

如果有新闻报道称，某种新型避孕药导致致命血栓的风险增加了 100% ，听起来是不是非常可怕？但是这个 100% 指的是相对风险，实际上，旧药的风险如果是万分之一，那新药的风险也只是万分之二，虽然风险确实是翻倍了，但是在绝对数量上，依旧处于一个极低的水平。

具体来说，相对风险关注的是变化的比例或幅度，绝对风险关注的是实际发生的具体概率。如果在没有背景信息的情况下只看相对风险，就会导致误导性的结论和错误的决策。这告诉我们，只有将数字放入背景中理解，区分这两种风险，我们才能成为更明智的信息消费者。

统计数据不会说谎，但有人可以用统计数据来撒谎。

P3 科学是如何运作的

谁是历史上拯救生命最多的人？答案或许是法国化学家路易·巴斯德（Louis Pasteur），因为多亏了他的研究，我们才知道细菌是从哪里来的。你也许已经在脑补一个孤独的科学天才，通过他的实验拯救了数百万人的故事。然而，这个故事虽然好听，却并不完全真实。

真实的科学运作方式要复杂得多，也有趣得多。在科学中，很少只有一个人或一个实验就能改变整个世界。每一个突破背后，都是几十年来科学家们为了科学进步而连接在一起共同完成的。

如果我看得更远，那是因为我站在巨人的肩膀上。 —— 牛顿

巴斯德的实验

微生物的存在在今天已经是常识。然而在 19 世纪初，虽然人们借助显微镜知道了微生物的存在，但当时大家以为微生物是自然发生的，巴斯德想挑战自然发生说，于是设计了肉汤加热杀菌实验，来证明微生物是从空气中进来的。

当时有一些怀疑论者提出了很多质疑，这些质疑不是故意找茬，质疑恰恰是科学家该做的事。正是这种来回的质疑和批评，让科学变得如此有效。外部挑战迫使巴斯德设计出更好的实验。后来，他设计了一种鹅颈烧瓶，让空气中的细菌进不来，烧瓶里面也没有长出微生物，证明了微生物确实是外来的，而不是肉汤中自然产生的。

实验科学和观察科学

巴斯德的实验中，烧瓶的形状是自变量（Independent Variable），也就是我们改变的因素；微生物的存在是因变量（Dependent Variable），也就是我们测量的结果。这属于 实验科学（Experimental Science），是在实验室控制环境下进行的。

然而，我们不能把整个地球的气候系统塞进实验室里，所以我们还需要 观察科学（Observational Science），也就是收集现实世界中已经发生的证据（如地表温度、海平面），而不是在实验室里控制它。

在观察科学研究中，我们会遇到 混杂变量（Confounding Variables），比如我们想研究饮酒与心脏病的关系，但喝酒的人可能同时也吃更多高热量食物，这会干扰我们的结论。

所以，科学不是一朝一夕的事，科学是建立在无数先前研究的基础上的。在巴斯德之后，罗伯特·科赫（Robert Koch）等人继续推进，发现了导致结核病的细菌，最后一步步形成了今天我们对细菌的认识。

当然，正如巴斯德所经历的那样，科学也必然需要经历各个时代的同行们的无数“质疑”。