Crash-Course-Scientific-Thinking（1-3）
课程地址：
全集笔记：
P0 课程预览
这是 2026 年 Hank 主讲的最新一期 Crash Course 课程，主题是《科学思维》。
科学无处不在，这是一件很好也很酷的事情，但是如今我们的推送信息流被各种科学新闻狂轰滥炸，加上我们的大脑天生就会欺骗我们，如果不加以辨别，认知偏差会让我们更难分辨某个说法背后是否有据可查。
尽管如此，科学仍是我们认识当下和世界的最好方法之一。科学思维能帮助我们识破偏见和标题党，走向真理。这门课希望教会你批判性地思考几乎所有事情，从教科书上的知识、新闻媒体、到微博热搜话题、甚至是抖音里的任意一个视频……
我们将学会如何筛选各种来源的信息，让我们更接近对世界细微的、共享的科学理解，成为一个更明辨的科学信息消费者。
P1 认知偏差
早在 2000 年前，人们抬头看天空，觉得地球静止不动、万物绕着我们转是再自然不过的事了。这个故事很符合直觉，但后来科学证明了它是错的。科学就是对知识永无止境的追求，是当我们的直觉不够用时，用来拷问宇宙、指引方向的工具。
事实上，有些问题太宏大、太复杂，甚至太离奇，当我们仅凭直觉回答这些问题时，大脑就会陷入认知偏差（Cognitive Bias）。
我们的大脑非常擅长发现模式。这是一种生存技能，帮助我们的祖先发现捕食者或有毒植物。这种技能甚至让我们拥有了想象力，为了节省能量，大脑使用思维捷径，直接复制粘贴旧故事到新信息上。这样，我们就不用每次都去想“手伸进火炉会发生什么”，但也因此产生了认知偏差。
隐性偏差
我们所说的认知偏差，不是指显性的歧视，而是我们在无意识中受信念和模式影响的隐性偏差（Implicit Biases）。
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，甚至不敢坐飞机。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。
相关性
我们知道相关性不等于因果性。比如，冰淇淋销量越高，鲨鱼袭击就越多（正相关）。但这不代表冰淇淋会导致鲨鱼袭击！实际上，天气是一个 混杂变量（Confounding Variable）。天气炎热导致人们既买冰淇淋，又去海滩下水。
当我们听到某个结果具有 统计显著性（Statistical Significance） 时，不要被名字骗了。在科学里，显著并不代表它在现实生活中很重要。它只是意味着这个结果足够强，强到它如果真的是随机概率发生的，那我们就会惊讶的程度。统计显著性只是在排除该结果是巧合发生的一个可能性，告诉我们观察到的现象不太可能是随机发生的，因此值得深入挖掘，仅此而已。就像我们从冰淇淋销量和鲨鱼袭击的相关性中挖掘出了天气这个混杂变量这样。
归根结底，科学总是伴随着不确定性。但通过理解统计学，我们可以衡量这种不确定性，不仅能更好地理解科学，还能对自己的人生做出更明智的判断。
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”。