【锚点】这一篇只钉一个判断：p 值回答的是「若原假设为真，看到当前或更极端数据的概率」；它不回答「原假设为真的概率」。把后者当前者，是科学传播里最贵的一次误译——它同时骗过作者、评审与读者，而且三方的误译方向一致，所以没人纠错。

【显式】美国统计协会（ASA）2016 年关于 p 值的声明，第一条原则就写明：p 值不能度量「原假设为真的证据强度」，也不能度量「数据仅由随机产生」的概率。这是官方措辞，不是我的转述。

【隐式】顺着这条往下推一步：一个「p<0.05」的结果，其真假取决于你检验了多少假设、其中多少本来是真的——也就是先验。p 值本身不含这个信息。

【细微】算一笔账。假设你检验 1000 个假设，其中 100 个是真的（先验阳性率 10%），功效 0.8，显著性水平 0.05： - 真假设被检出：100 × 0.8 = 80 - 假假设误报：900 × 0.05 = 45 - 所有「显著」结果：80 + 45 = 125 - 其中真正为真的比例（阳性预测值）：80 / 125 = 64%

【流程节点链路】先验阳性率 10% → 功效 0.8 与 α=0.05 下的真阳性 80、假阳性 45 → 显著结果合计 125 → 阳性预测值 64%。

【细微】把先验降到 1%（典型的探索性「捞鱼」）：10 真、990 假 → 真阳性 8、假阳性 49.5 → 显著结果 57.5 → 阳性预测值约 14%。同一个 p<0.05，含义从「大概率真」塌成「大概率假」。

【极难发现】真正的盲点在历史层：p 值是 Fisher 设计的一个粗糙筛选器，前提是「同一问题被反复检验」；Neyman-Pearson 把它改造成接受/拒绝的决策规则；教科书再把它压成 0.05 的二分；最后新闻稿把它翻译成「证明了」。四步里每一步都合法，合起来却制造了一个 p 值从未承诺过的确定性。

【观点】所以「把 α 降到 0.005」只是治标。真正的修复是报告先验与整条链路，并且停止把「不显著」说成「无效应」。科学传播的第一职责不是把结论说简单，而是不把不确定伪装成确定。

结尾问题：如果期刊禁止使用「显著/不显著」这两个词，只允许报告效应量与置信区间，评审和读者会变得更诚实，还是只是换一套黑话继续误读？——我赌后者，除非同时公开先验。