歡迎來到「我們可以從數據中得出什麼結論？」

在科學領域中，做實驗只完成了工作的一半！當你完成調查後，你會得到一堆稱為數據（data）的數字和觀察結果。本章將帶你成為一名「數據偵探」。你將學會如何整理這些數字、發現當中的規律，並判斷你的結果是否可靠到足以證明你的觀點。別擔心數學或圖表會讓你感到棘手——我們會一步一步為你拆解！


1. 整理你的證據：單位與格式

為了讓數據有意義，大家都需要使用統一的語言。科學家使用一套標準的單位系統，稱為國際單位制（SI units）。

必須記住的國際單位（SI Units）

除非題目另有說明，否則請務必使用以下單位：

  • 質量：公斤 (kg)、克 (g) 或毫克 (mg)
  • 長度：公里 (km)、米 (m) 或毫米 (mm)
  • 能量：焦耳 (J) 或千焦耳 (kJ)

詞頭的力量

詞頭（Prefixes）就像是大數值或小數值的捷徑，能幫助我們避免寫出過多的零！

  • 千 (Kilo, k)： \(10^3\) （大 1,000 倍）
  • 釐 (Centi, c)： \(10^{-2}\) （小 100 倍）
  • 毫 (Milli, m)： \(10^{-3}\) （小 1,000 倍）
  • 微 (Micro, \(\mu\))： \(10^{-6}\) （小一百萬倍）
  • 納 (Nano, n)： \(10^{-9}\) （小十億倍）
你知道嗎？

詞頭 "nano" 源自希臘語，意為侏儒。一納米非常微小，人類頭髮的寬度大約有 80,000 到 100,000 納米！

快速溫習箱：
單位轉換：從較大單位轉換至較小單位（例如：米轉為毫米）時，需進行乘法。從較小單位轉換至較大單位（例如：克轉為公斤）時，則進行除法。

重點總結：標準單位和詞頭能使數據清晰易懂，方便其他科學家查閱。


2. 數學處理：尋找「最佳估算值」

當我們重複進行實驗時，往往會得到略有不同的結果。這時我們會利用數學來找出最可能的真實數值。

計算平均值（Mean）

平均值是我們對真實數值的「最佳估算值」。
公式：\( \text{Mean} = \frac{\text{所有結果的總和}}{\text{結果的數量}} \)

有效數字（Significant Figures）

計算出答案時，不要寫出二十個小數位！你的答案通常應該與你開始數據時的有效數字位數相同。這能讓你的結果保持實際意義。

常見錯誤：離群值（Outlier）

離群值（或稱為異常值，anomaly）是指一個與其他結果差異極大的數值。
例如：10, 11, 10, 45, 10。
其中的 45 明顯就是離群值！計算平均值時請勿將其包含在內，否則它會將平均值「拉偏」，遠離真實情況。

重點總結：利用平均值取得最佳估算，並忽略那些不符合規律的「奇怪」離群值。


3. 數據視覺化：掌握圖表繪製

圖表就像是數據的圖像化呈現。它們能幫助你看到在數字表格中容易忽略的趨勢（trends）（規律）。

如何繪製完美的圖表

1. 比例尺：確保你的圖表佔用至少半頁紙張。
2. 坐標軸：將你改變的變項（自變項，independent variable）放在 x 軸（底部），將你測量的結果（應變項，dependent variable）放在 y 軸（側面）。
3. 繪點：使用小的「x」記號來標記你的數據點。
4. 最佳擬合線（Line of Best Fit）：這可能是一條直線或平滑曲線。它不需要接觸每一個點，但應反映整體的趨勢。
5. 不確定性（範圍條，Range Bars）：這是繪製在數據點上的小型垂直線，用於顯示你重複測量時的數值範圍。長範圍條意味著你的數據較為分散（準確度較低）。

解讀圖表

  • 內插法（Interpolation）：預測現有數據點之間的值。（較為安全！）
  • 外推法（Extrapolation）：將趨勢線延伸以預測數據範圍之外的值。（較有風險，因為規律可能會改變！）
  • 斜率（Gradient）：線條的陡峭程度。它反映了變化的速率。

重點總結：圖表能揭示數字背後的「故事」。最佳擬合線能幫你看出趨勢，而範圍條則顯示了你的數據有多值得信賴。


4. 批判性評估：我們可以信任這些數據嗎？

在得出結論前，你必須保持批判性。「批判」並不意味著挑剔，而是要問：「這些數據的質量真的好嗎？」

四大重要概念（記憶法：APRR）

可以想像一個飛鏢靶來理解這些概念：

  • 準確度（Accuracy）：你的結果與真實值有多接近。（射中靶心）。
  • 精密度（Precision）：你的重複結果彼此之間有多接近。（所有飛鏢都落在同一個地方，即使沒射中靶心）。
  • 重複性（Repeatability）：你自己能否再次進行實驗並得到相同的結果？
  • 再現性（Reproducibility）：其他人能否進行同樣的實驗並得到相同的結果？

了解誤差

沒有完美的實驗，誤差總是會發生！

  1. 隨機誤差（Random Error）：微小、不可預測的變動（例如一陣風）。我們透過多次重複實驗並計算平均值來減少此類誤差。
  2. 系統誤差（Systematic Error）：結果每次都出現同樣程度的偏差（例如未校準歸零的秤）。這會影響準確度。

快速溫習箱：
如果你的數據具有精密度但卻不準確，這通常意味著存在系統誤差（你的設備或方法在每次測量時都出現了問題）。

重點總結：高質量的數據必須同時具備準確、精密、具重複性及可再現性。如果未達標，你可能需要提出改進實驗的方法。


5. 得出最終結論

現在你準備好回答你的核心問題了。數據是否支持你的假設（hypothesis）（你最初的想法）？

相關性 vs. 因果關係

這是一個非常常見的陷阱！
相關性（Correlation）意味著兩件事同時發生。
因果關係（Cause）意味著一件事真的「導致」了另一件事發生。
例如：雪糕銷量和鯊魚襲擊次數都在夏季增加。它們之間存在相關性，但吃雪糕並不會導致鯊魚襲擊！它們都是由第三個因素引起的：炎熱的天氣。

信心程度

  • 如果你的數據符合你的預測，且範圍條很小，那麼你對結論的信心程度就很高。
  • 如果數據雜亂、含有離群值，或與預測不符，你的信心程度就較低。這時你可能需要提出新的假設！
記憶小撇步：

「相關不代表因果！」僅僅因為兩件事遵循相同的規律，並不意味著其中一件事是另一件事的「始作俑者」。

重點總結：小心不要因為兩件事看起來有關聯，就假設它們之間存在因果關係。在宣稱因果關係之前，務必確認其機制（它是如何運作的）！


如果起初覺得這些概念很困難，別擔心！分析數據是一種需要練習的技能。只要記得在圖表中尋找「故事」，並隨時對結果保持一點懷疑態度即可！