歡迎來到批判性思考：證據的評估與運用
你好！在本章中，我們將探討批判性思考中最核心的技能之一：如何正確地判斷資訊。無論你是閱讀報紙、觀看新聞，還是為專題作業進行研究，你都會不斷接觸到各類論點和數據。本節將教你如何從不可靠的觀點中篩選出堅實的事實，確保你的論證建立在穩固的基礎之上。
為什麼這很重要？ 在試卷 2 (Paper 2) 和試卷 4 (Paper 4) 中，你將會面對各種來源材料，並需要評估證據的質量、得出結論並構建論證。掌握這一課題是你在批判性思考部分取得高分的關鍵！
5.1 評估證據：質量檢查
評估證據意味著要問自己：「我該多相信這一點？」。處理這個問題主要有兩種途徑：評估來源（可信度 Credibility）以及評估數據本身（代表性 Representativeness）。
評估證據的可信度（來源可靠性）
證據的可信度完全取決於提供證據的人或來源。如果來源不可靠，他們提供的證據就會變得有問題。
影響來源可靠性的關鍵因素：
- 名聲（Reputation）： 該來源是否以準確和值得信賴而聞名（例如：知名大學的研究人員），還是以譁眾取寵著稱（例如：小報）？
- 觀察能力（Ability to See/Hear 等）： 該來源是否有生理能力準確觀察事件？（例如：「一位聲稱在黃昏時分從 500 米外看清車禍經過的目擊者，其觀察能力較低。」）
- 專業知識（Expertise）： 該來源是否具備與論點相關的專業知識？（例如：水喉匠是水管方面的專家，但並非太空旅行方面的專家。）
- 既得利益（Vested Interest）： 如果他們的論點被接受，該來源是否會獲利（金錢、地位、權力）或受損？既得利益是一個強大的動機，讓人傾向撒謊、誇大或篩選證據來支持特定結果。
- 中立性/偏見（Neutrality/Bias）： 該來源是否公正，還是嚴重偏袒一方？偏見通常透過證據的選擇性表現出來——他們可能只呈現支持其既定立場的事實。
💡 小撇步：VAREN 檢查法
在評估來源時，記住 VAREN 這個縮寫，可以快速檢查關鍵的可靠性因素：
Vested Interest（既得利益）
Ability（觀察能力）
Reputation（名聲）
Expertise（專業知識）
Neutrality（中立性/偏見）
評估合理性（Plausibility）
合理性是指論點本身內在的可能性，與誰提出論點無關。根據我們對世界的現有認知，這個論點是否說得通？
- 例子： 如果農夫聲稱他們的牛產奶量是去年的兩倍，這是合理的（可能是因為飼料改善了）。如果農夫聲稱他們的牛開始說法語，這就具有低合理性。
重要提示： 即使是高度可靠的來源（如頂尖科學家）提出了不合理的觀點（如發現了紫色恐龍），仍然需要嚴格審查，但對來源本身的初步評估應與對論點可能性的評估分開進行。
佐證與一致性
在處理多項證據時，你必須進行比較：
- 佐證（Corroboration）： 兩項證據互相支持，使得兩項論點各自成真的可能性都提高。（來源 A 說路面濕滑；來源 B 提供顯示有大雨的天氣報告。）
- 一致性（Consistency）： 兩項證據可能同時為真，但它們未必能證明對方。它們只是沒有互相矛盾。（來源 A 說貓是黑色的；來源 B 說狗是白色的。）
- 不一致（Inconsistency）： 兩項證據不可能同時為真。它們直接互相矛盾。（目擊者 1 說車是紅色的；站在目擊者 1 旁邊的目擊者 2 卻說車是藍色的。）
關於可信度的核心要點： 當證據來自一位中立、專業、具備觀察能力、名聲良好、沒有既得利益，且得到其他來源佐證的人士時，該證據的說服力最強。
評估證據的代表性（樣本）
證據通常來自樣本（調查、試驗、統計數據）。我們需要判斷該小樣本是否能準確反映我們所論述的大群體（即總體 Population）。
削弱代表性的因素：
1. 數量（樣本大小 Sample Size）
- 樣本必須足夠大，才能在統計學上有意義。如果樣本太小（例如：只調查 5 個人來衡量全國民意），這不足以作為得出有效結論的基礎。
2. 選擇性（樣本如何被挑選）
- 自選樣本（Self-Selected Samples）： 如果人們選擇參與（例如：線上投票），結果往往會偏向那些對該議題有強烈感受的人（無論是正面還是負面）。這會產生選擇偏差（Selection Bias）。
- 獲取途徑限制（Availability Limitations）： 如果選擇是隨機的但無意中受到限制，會削弱結果。（例如：僅在工作時間進行的調查，樣本只涵蓋失業人士、退休人士或輪班工作者，排除了大多數全職工作者。）
- 付費參與者（Paid Participants）： 如果人們獲取報酬才參與，他們可能傾向給出研究者想聽到的答案，導致數據不準確。
3. 樣本與論點的代表性
如果樣本具備某種可能影響結果的特徵，那麼它可能無法代表所聲稱的總體。
- 例子： 一項研究聲稱新款能量飲料能改善所有青少年的專注力。然而，該研究只測試了身為奧林匹克運動隊成員的青少年。由於精英運動員天生可能具備較高的專注力基準，因此結果對普通青少年而言是不具代表性的。
評估數據的呈現方式
呈現數據的方式有時會歪曲統計數據，使趨勢看起來比實際更顯著（或不顯著）。
- 操縱 Y 軸： 如果圖表的垂直軸（Y 軸）從零以上開始，微小的差異看起來會巨大。如果 Y 軸範圍過大，巨大的差異看起來會微不足道。
- 不規則間隔： 在 X 軸或 Y 軸上使用不一致的間距或跳躍來扭曲趨勢。
別擔心，如果剛開始覺得很複雜！ 透過批判性地觀察新聞中的圖表和統計圖來練習辨別這些偏差。永遠記得檢查標籤和軸線！
5.2 運用證據：解釋與推論
在你評估完證據的強度後，必須善用它——無論是用來得出結論（推論），還是解釋為什麼該證據會存在。
評估證據的解釋
有時，某個論點被當作某項證據的解釋。你需要評估該解釋的力度。
如果解釋出現以下情況，則屬於弱解釋：
- 無法涵蓋全部證據： 如果解釋只能符合部分數據，它就是不完整且薄弱的。
- 依賴猜測資訊/未經證實的假設： 如果解釋需要加入來源未支持的訊息（「也許他們只是累了」），這就是基於猜測。
- 其他解釋同樣合理： 如果證據存在的原因有兩個或更多個同樣合理的理由，假設只有其中一個是正確的會削弱論證。
例子：證據顯示冰淇淋銷量在每年六月都會大幅上升。
弱解釋： 「這一定是因為六月是大家開始節食的時候。」（不合理；無法解釋全部證據，因為銷量隨天氣變熱而增加，而非因節食而增加。）
較強的解釋： 「這是因為夏季開始，氣溫上升。」
為證據提出解釋
這是反向任務：根據某項證據，提出最可能的原因。
- 聚焦於動機（是什麼導致來源表現出那樣的行為？）。
- 聚焦於相關性的基礎（僅僅因為兩件事 A 和 B 同時發生，並不代表 A 導致 B。是否有第三個因素 C 同時導致了 A 和 B？）。
你知道嗎？全球的海盜數量隨著全球暖化的加劇而減少。這是一種相關性，但海盜並未導致全球暖化——這很可能是一個互不相關的趨勢！
評估與提出證據的推論
推論（Inference）是從證據中得出的結論。
- 評估推論： 判斷證據在多大程度上支持了既定論點。識別削弱支持力的因素（例如：如果證據本身不可靠或不具代表性）。
基於多項來源形成判斷
這是你評估技能的最終體現。你必須整合資訊，以達成最終且平衡的判斷。
逐步制定判斷：
- 評估所有來源： 檢查每一個來源的可信度和代表性（使用 VAREN 和樣本檢查法）。
- 識別關鍵推論： 你能從來源 A、來源 B 等得出最重要的結論是什麼？
- 整合與權衡： 比較這些推論。如果三個強而有力的可靠來源指向一方，而一個弱且有偏見的來源指向另一方，你的判斷應該偏向更有力的證據。
- 形成最終、平衡的判斷： 你的結論必須反映現有證據的整體重量與質量。
要避免的常見錯誤： 不要只是總結來源。你必須評估並比較它們，才能形成真正的判斷。
快速回顧：評估證據
證據評估檢查清單：
1. 可信度（Credibility）： 來源是否可靠？（VAREN）
2. 合理性（Plausibility）： 該論點是否可信？
3. 代表性（Representativeness）： 樣本大小是否足夠？選擇方式是否公平？
4. 呈現方式（Presentation）： 數據是否被操縱（例如：圖表刻度誤導）？