16 / 18 · 面对不确定的证据
证据支持，不等于必然推出
区分演绎、归纳和因果主张，同时不过度否定经验证据。
先修衔接 分情况与反证，各自证明什么
前往练习 ↓带着这个问题读
某方法帮助了你观察到的每位参与者，对下一位能断定什么？
演绎要求：前提成立时，结论必然成立。归纳则用观察支持超出已观察案例的主张。很强的归纳论证仍可被新证据修正，这不等于它没有价值。
关联表示两个测量一起变化；因果主张则问，在适当比较下，改变一个是否会改变另一个。选择偏差、混杂、测量变化和随机波动，都可能产生没有所宣称因果关系的关联。
随机分配可以削弱一些替代解释，但不保证某次样本完全平衡、测量正确、没有退出，或能推广给所有人。应该报告设计、不确定性和适用人群，而不是简单加上“已证明”。
一起拆一个例子
- 教学例子：自愿选择学习应用的人，比没用的人进步更多，但他们在参加前的学习时间也多一倍。
- 观察支持样本中的关联。原有习惯是替代解释，仅凭这次比较无法识别应用的因果效果。
- 采用相同结果指标、追踪退出情况的随机比较可以补上一些缺口，但仍是在不确定性下估计效果，不是普遍保证。
轮到你了
0 / 3练习 1未检查
使用专注计时器的人完成任务更多，是否使用由他们自选。只凭这个观察支持哪项？
查看解析 · 不计作完成
观察群体中，计时器使用与完成量相关。
支持因果主张的证据不足，不等于相反因果主张获得了证据。
练习 2未检查
把参与者随机分到两种方法中的一个理由是什么？
查看解析 · 不计作完成
它在设计上使处理分配独立于参与者特征。
随机化是设计属性，不承诺完美结果或无限的外部有效性。
练习 3未检查
设计良好的研究支持某个可能效果，但后续证据可能改变估计，这是推理失败吗？
查看解析 · 不计作完成
不是，可修正的支持在经验推理中很正常。
使用与证据相称的语言：测到了什么、支持什么、什么会让你改变判断。
带回你自己的问题
找一条因果式标题，写一个替代解释，以及一种可行的、能帮助区分两者的比较。
用 AI 辅助本课时，怎样保留独立判断？
先保留自己的回答，再记录 AI 候选；逐条检查来源、计算、推理与条件，写出采用或拒绝的理由。最后换一个情境独立作答。完成核查练习后，把方法用回本课任务。
练习完整核查流程并保存记录我的学习状态
由你手动标记，不依据页面访问或自动判定掌握。中英文共用状态，练习答案仍由各课保存。此处备份仅包含状态，不包含答案或笔记。