欢迎来到“科学概念”(Ideas about Science)！

你有没有想过，科学家究竟是如何归纳出宇宙的“规则”？这可不仅仅是一群穿著白袍的人大喊一声“我发现了！”然后就突然洞悉一切。科学是一场充满发现的旅程，当中涉及寻找规律、创意思考，以及大量的同侪验证。

在本章中，我们将探讨 IaS3：科学解释是如何发展出来的？ 你将学习如何从数据中找出规律、为什么科学理论会随时间改变，以及为什么你的老师总是提到“模型”(models)。如果起初觉得这些内容有些抽象，别担心——我们会运用许多现实生活中的例子，让你轻松掌握！


1. 相关性 vs. 因果关系：寻找规律

任何科学解释的第一步都是寻找相关性 (correlation)。这是一个专业术语，用来描述两件事似乎同时发生的规律。

什么是相关性？

如果你在图表中看到因素 A 上升，而结果 B 也随之上升，这就是相关性。例如，随着地球温度升高，大气中的 \(CO_2\) 含量也在增加。它们之间就存在相关性。

黄金法则：相关性不等于因果关系

仅仅因为两件事同时发生，并不代表其中一件事导致了另一件事。 例子：夏天时，雪糕销量会增加，鲨鱼袭击事件也会增加。它们之间确实存在相关性！但吃雪糕会导致鲨鱼咬你吗？当然不会！这两者的真正成因其实是炎热的天气（天气热使更多人购买雪糕，也使更多人去游泳）。

我们如何证明因果关系？

若要宣称一件事确实导致了另一件事，科学家需要一个机制 (mechanism)。这是一个能解释“过程如何发生”的科学解释。 例子：科学家认同 \(CO_2\) 会导致全球暖化，是因为他们发现了其机制——温室效应，即 \(CO_2\) 分子会困住红外线辐射。

快速复习：
• 相关性 (Correlation)： 两个变量之间的联系或规律。
• 成因 (Cause)： 一件事直接引发另一件事发生。
• 机制 (Mechanism)： 解释该联系是如何发生的“操作流程”。

关键重点：科学家会先寻找相关性，但只有在找到合理的机制来解释成因时，他们才会接受该解释。


2. 理论的成长与演变

科学理论并非单纯从一堆数据中“蹦出来”，它们需要创意思考。你可以把理论想像成手机应用程序——当你发现漏洞或硬件升级时，有时你需要发布“2.0 更新版”！

理论的生命周期

1. 假说 (Hypothesis)： 科学家提出一个初步解释（“这件事发生是因为……”）。
2. 预测 (Prediction)： 基于该想法，预测实验中将会发生什么。
3. 测试 (Testing)： 收集数据。如果数据符合预测，他们对该理论的信心就会增加。
4. 理论 (Theory)： 如果经过多次测试且结果准确，它就会成为被认可的科学理论。

改变观点

当出现新的证据，或者科技发展（如更先进的显微镜或电脑）让我们能看见以前看不见的事物时，理论就会被修正或取代。 现实例子：原子模型。我们从道尔顿的“实心球”模型开始，演变到“梅子布丁”模型，最后随着科技进步，演变成现代的原子核与电子壳层模型。

你知道吗？ 科学解释很少会仅因为一条奇怪的数据就被丢弃。它通常会保留下来，直到找到一个能同时解释旧数据和新数据的“更好”解释为止！

关键重点：科学具有自我修正的特性。随着我们拥有更好的工具和更丰富的数据，我们的解释会变得更加精确。


3. 科学界：同侪互审 (Peer Review)

科学家并不是独自工作的。他们身处于一个天生就抱持怀疑态度（这意味着他们不会轻易相信事情！）的社区之中。

同侪互审流程

在一个新想法被接纳为科学知识之前，必须经过同侪互审。这是由同一领域的其他专家检查研究，以确保：
• 方法严谨。
• 数据呈现清晰。
• 结论合乎逻辑。

可重复性 (Reproducibility)

科学家非常怀疑只发生过一次的结果。一项主张要被接受，必须具备可重复性。这意味着其他人即使在不同的实验室中，也应该能进行同样的实验并获得相同的结果。

为什么科学家会意见分歧？

有时候，两位科学家看着完全相同的数据却得出不同的结论。这可能是因为：
• 他们的个人背景或经验使他们对证据的衡量标准不同。
• 他们有不同的利益关系（例如，为汽车公司工作的科学家，看待排放数据的角度可能与为环保组织工作的科学家不同）。

常见谬误：以为科学家意见不合就代表“没人知道真相”。事实上，意见分歧是科学健康运作的一部分，这有助于我们找到最强而有力的解释！

关键重点：同侪互审和可重复性确保了只有最可靠的想法才能成为被认可的科学知识。


4. 利用模型解释世界

在化学中，我们经常处理一些太小而无法看见的事物（原子），或是太大而无法进行实验的对象（地球气候）。为了克服这些困难，我们使用模型。

模型的类型

• 表征模型 (Representational Models)： 使用实物来帮助我们视觉化。 例子：分子的“球棍模型”。
• 描述模型 (Descriptive Models)： 使用文字或图表来解释现象。 例子：粒子模型（固体、液体和气体）。
• 数学/计算模型 (Mathematical/Computational Models)： 使用复杂的方程式和电脑来预测未来。 例子：用于预测气候变化的电脑模型。

模型的局限性

没有完美的模型！模型都是简化后的产物。 记住模型局限性的口诀（三个 S）：
1. Scale（规模）： 它们通常比真实物体大得多或小得多。
2. State（状态）： 它们可能将原子描述为“实心球”，但原子实际上并非实心。
3. Simplification（简化）： 它们省去了细节，以便让人更容易理解重点。

快速复习盒：
科学家使用模型来：
• 解决问题
• 做出预测
• 发展解释
• 记住： 在考试回答问题时，务必指出你所使用模型的局限性！

关键重点：模型是帮助我们理解复杂系统的工具，但它们始终是对现实世界的简化。