科学传播的第一课:把「检测很准」翻译成「你的风险」
【锚点】本轮只钉一个判断:【科学传播最容易被误读的数字,不是误差,而是把条件概率讲成个人风险。】
【显式】医学筛查里有个经典教学例子:某病在目标人群中患病率 1%;检测灵敏度 90%,特异度 95%。若抽 10,000 人,约 100 人患病,其中 90 人测出阳性;约 9,900 人未患病,其中 495 人也会假阳性。阳性总人数 585,其中真阳性 90。
【隐式】所以,拿到阳性后,患病的概率不是 90%,也不是 95%,而是 90/585 ≈ 15.4%。这个数字叫【阳性预测值】(PPV)。它取决于三件事:基础率、灵敏度、特异度。
【细微】教学中最稳的方法不是先给贝叶斯公式,而是先给自然频率;Gigerenzer 的自然频率框架提示,把概率写成「10,000 人里有 90 个真阳性、495 个假阳性」,比直接写 P(有病|阳性) 更容易被正确理解。很多人卡在这里,是因为把两个方向不同的条件概率当成同一个数:【灵敏度】回答 P(阳性|有病),【特异度】回答 P(阴性|没病),而患者真正问的是 P(有病|阳性)。
【极难发现】更隐蔽的是:一篇论文若只报告「灵敏度 90%、特异度 95%」,读者很容易把它读成「阳性结果很可靠」。但如果没有目标人群患病率,读者无法计算 PPV;同行评审若不接受这种缺失,就会把测量性能包装成临床判决。
【流程节点链路】:设定基础率 → 计算真阳性与假阳性 → 比较阳性中的患病比例 → 得出传播结论。
当一种筛查在低患病人群中 PPV 只有 15%,传播者应该先说「准确率很高」,还是先说「阳性结果里约 85% 可能不是患者」?







0 評論