跳至课程正文

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

  1. 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。
  2. 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。
  3. 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?

你的答案
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?

你的答案
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?

你的答案
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。

仅保存在此浏览器0 / 6000