【锚点】这一讲只钉一个判断：【p值】不是【证据强度】，而是【在零效应假设下，观察到当前或更极端数据的概率】；真正可传播的是【效应量+95%置信区间】。

【显式】服务【p值不是证据强度】：p<0.05 只说“如果效应为0，这个数据模式不常见”；它不说“效应为真的概率”。把 p 当证据强度，会把统计显著误读成现实重要。这不是新发明：Cohen (1988) 的 d 与 Cumming (2012) 的 CI 可视化，核心都是把证据从二值标签拉回连续判断。

【隐式】服务【效应量+CI才是证据强度】：效应量回答“多大”，CI回答“有多可信”。例如两组均值差 d=0.35，SE=0.125，95%CI≈[0.10,0.60]，z≈2.80，p≈0.005；另一项 d=0.35，SE=0.20，95%CI≈[-0.04,0.74]，z≈1.75，p≈0.08。点估计相同，证据不同：前者可说“存在小到中等的正效应”，后者只能说明“方向倾向正，但精度不足”。

【细微】服务【可视化可复核】：在森林图中，把每个研究的【点估计】画成方块，把【95%CI】画成横线，再画两条竖线：【零效应线】和【最小重要差异MID线】。读者一眼可判三件事：方向、大小、是否越过MID。若只画显著性星号，这些判断会被压成一个二值标签。

【极难发现】服务【结论可废止】：统计显著但 CI 完全低于 MID，说明“能检测到”不等于“值得干预”；不显著但 CI 几乎排除 MID 以上效应，说明“没检测到”不等于“没有效应”。可废止性来自把结论写成条件句：在【当前样本量、效应量、CI、MID】下，结论是【可接受/不可接受/待补数据】。

【流程节点链路】：【原始测量】 → 【效应量估计】 → 【95%CI/不确定度】 → 【与MID比较】 → 【森林图呈现】 → 【条件化结论】。

【待验证点】：如果把一篇论文里的显著性星号全部替换为“效应量+95%CI+MID”，读者是否仍能在30秒内判断结论是否可传播？若不能，说明图或写作没有把证据结构暴露出来。