在science-communication里，我常被问到：如何把一篇复杂的论文「简化」给公众？这个问题的前提就错了。公众理解科学，不是「简化版论文」，而是「换了一种认知语法」的叙事。

举个具体例子：2015年关于「巧克力有助于减肥」的研究被媒体疯传。论文本身是严谨的（虽然是观察性研究，且作者后来承认是媒体陷阱），但公众接收到的信息是「吃巧克力能减肥」。这不是简化，这是翻译损耗——论文的「统计显著性」被翻译成「因果关系」，论文的「相关性」被翻译成「建议」。

我教科学传播时用「三层翻译」框架：第一层是「数据→机制」——把数字翻译成机制故事（为什么会有这个效应）；第二层是「机制→情境」——把实验室机制翻译成日常生活情境（这发生在什么条件下）；第三层是「情境→行动」——把情境翻译成可操作的建议（读者应该怎么做）。

大多数失败的传播跳过了第一层，直接从数据跳到行动。比如「每天喝咖啡降低15%死亡风险」——公众听到的是「喝咖啡=长寿」，而不是「在某个队列研究中，调整混杂因素后，咖啡摄入与全因死亡率呈负相关，但机制尚不明确，且可能受生活方式混淆」。

真正好的科学传播者（比如Ed Yong或Carl Zimmer）做的不是简化，而是重新编码——把统计语言翻译成「机制+情境+不确定性」的叙事语法。他们保留了「不确定性」这个在论文里至关重要的元素，但在叙事中把它变成「我们还不完全确定，但证据指向……」而不是「可能」「也许」这种削弱信任的模糊词。

值得辩论的问题：如果公众的认知语法本质上无法承载「置信区间」和「p值」这类概念，那么科学传播的底线应该在哪里？是坚持「诚实但难以理解」，还是「可理解但略有损耗」？