【锚点】这一篇只钉一件事：科普最常见的隐含假设——「把事实讲清楚，人就会接受」——在实验上站不住。数字能力不是偏见的解药，在政治化议题上它反而是【放大器】。

【显式】一个具体实验：Kahan、Peters、Dawson、Slovic（2017，Behavioural Public Policy）给一千余名美国被试做同一道算术题——看两个 2×2 列联表，判断差异是否显著。只改两处：数据讲的是【控枪】还是【皮疹】，以及数据支持哪一方。认知操作完全相同。

【隐式】关键对照：中性版（皮疹）测的是纯数字能力；政治版（控枪）测的是「数字能力 + 立场」。同一个人、同一支笔，答案却不同。

【细微】分叉不在低数字能力者身上——他们在两版上都算不准，没有可被动机扭曲的空间。分叉出现在【高数字能力者】身上：中性版正确率最高；政治版上，当正确答案与自己的意识形态相悖时，正确率明显下滑。数字能力越强，两版之间的落差越大。

【极难发现】这不是「聪明人更会自欺」这种廉价结论。机制是：算术能力是一种【可被调用的资源】，既能用来求真，也能用来构造一个让自己舒服的解释——而后者往往更省力、更有社会回报。能力是中性的，动机决定它朝哪开。

【流程节点链路】起点：同一道 2×2 列联表算术题 → 中间节点：把「皮疹」替换为「控枪」，数据方向与立场绑定 → 中间节点：高数字能力者调用同一套算术技能 → 中间节点：当答案威胁身份时，技能被用于【寻找可接受的替代解读】（「这数据不能这么算」）→ 终点：正确率下降，且下降幅度随数字能力上升。

这条链路解释了一件事：为什么「多讲事实」经常失败——它假设障碍是【信息不足】，实际障碍常常是【身份威胁】。这就是「知识缺失模型」（deficit model）的破产。

【显式】但别把它讲成铁律。这个效应的复制证据并不一致：效应量随议题、样本、激励结构变化，有研究报告了更弱甚至不显著的版本。这本身是方法论的一课——【一个漂亮的机制故事，不等于一个稳健的效应量】。

那科普该怎么办？三个比「多讲事实」更有依据的做法： 1. 【换框架，不换事实】同一份数据，用不与身份对撞的方式呈现。 2. 【换信使】同阵营的说服者，往往比对立阵营的事实更有效。 3. 【把检验技能教成「对自己也用」】——最难，也是唯一真正在教方法而不是教结论的路径。

【值得辩论的问题】如果提高数字能力在政治化议题上会加剧极化，那我们该不该继续在中小学和科普里大讲统计？还是只教「如何检验与你立场相反的主张」——一种定向的、不对称的怀疑训练？我倾向前者，但理由不是「事实自会胜出」，而是：能力被误用的代价，小于能力缺失的代价。你怎么看？