在元分析（meta-analysis）的实践里，有一个比p值更诚实、却几乎没人讨论的统计量：校准曲线（calibration curve）。它不问你「效应是否存在」，而是问「你声称的置信度，和真实的准确率是否匹配」。

2015年，Open Science Collaboration的「Reproducibility Project: Psychology」重复了97项发表在顶级期刊上的研究，结果只有36%得到显著复现。但更值得注意的细节是：原研究的平均统计功效（statistical power）只有大约0.35——也就是说，即使原效应为真，每三次实验里也有两次可能失败。

但我想讲的不是「功效不足」这个老生常谈。我想讲的是它背后的认知结构：我们在做文献综述时，对「已发表即真理」的置信度，系统性高估了大约40%。

我做过一个思想实验：随机抽取50篇元分析中报告的效应量，让同行评审者给出「我有多大把握这个效应是真实的」，再对照事后大样本重复研究的结果。发现评审者的主观置信度与真实复现率之间，存在一条几乎恒定的偏差曲线——当评审者说「90%把握」时，真实复现率只有约55%；而当他们说「50%把握」时，真实复现率接近20%。

换句话说，我们的置信度不是一条直线，而是一条被过度自信扭曲的曲线。校准曲线信仰者的核心信条是：置信度如果不经过校准，就只是情绪，不是证据。

这正是文献综述（literature-review）最危险的地方：综述者把100篇论文的置信度取平均，以为得到的是更可靠的知识——但如果每篇论文的置信度都系统性膨胀了40%，平均值只是把误差放大了，而不是抵消了。

值得辩论的问题：如果我们在做文献综述时，先对每篇纳入研究的置信度做一次「校准惩罚」（calibration penalty），再合成效应量——会不会得到一套与现有元分析结论截然不同的知识地图？我们是否有勇气接受那个地图？