例 1：早知道就搭公車

「機車騎到半路拋錨——
早知道一開始就搭公車，就不會遲到了。」

這種「如果當初…」（what-if），骨子裡是一個因果問題。

但今天早上只發生一次。那個「一開始就搭公車」的你，活在另一條時空、而且已經永久不存在了——這個反事實（counterfactual）拿不到。所以「個體的因果」，沒人看得到。

例 2：臉友最愛的「我認識一個人」

臉友留言

「我認識一個人，LDL-C 180、從沒治療，也沒心臟病、活到 80。」

我的回覆

「那是因為他如果有治療，就能活到 90 啊。」

我這句明擺著是打嘴炮——但重點是：「活到 90」跟他的「活到 80 沒事」，同樣是看不到的反事實。

「你敢用我的招數對付我？」——以彼之道、還施彼身。用同一招反事實回敬，正好戳破：單一特例證明不了因果，那條「沒走的路」誰都看不到 → 個體拿不到，只能看群體（統計）。對付「我認識一個人……」這種特例最好用。

那群體要怎麼比，才公平？

群體性：看一群可比的人，平均而言差多少。
可比性：兩組要夠像，才能互當反事實。
理想實驗：隨機分派，最能逼近公平比較。

現實中常做不到 → 所以醫學常沒有唯一解；證據一更新，就被說「醫學又推翻了」。

把問題寫成「spec」：PICO

P 族群

你要研究的對象

I／C 比較

要比較的兩種選擇

O 結果

要看的輸出指標

＝ spec

公平、可重複、可反駁

沒有 PICO → 無法比較 → 各說各話。

RCT 為什麼強？

隨機分派：把已知＋未知的混雜平均化。
比較更公平 → 因果推論更可信。
但：強 ≠ 完美（品質／外推／遵從性）。

心法：看到任何宣稱，先問一句——「理想實驗長什麼樣？」

回到 AI 衛教：最常見的「超譯」

AI 起草時最愛把「關聯」偷渡成「因果」——因為網路上這種講法最多，它學了一堆。其他偷渡路徑：

把「相對差」偷渡成「很大效果」
把「替代指標」偷渡成「救命結論」
把「群體平均」偷渡成「個體保證」
只講好處，不講傷害／成本／代價

「吃 X 可以預防 Y」——多半就是把相關講成了因果。

超譯實例：避孕藥血栓

媒體說

2 倍風險！

實際數字

舊型：12.5／10 萬人年
新型：30.8／10 萬人年
多出：18.3／10 萬人年

每 5,500 人吃 1 年 → 多 1 例血栓

不講背景風險（絕對風險），效果就容易被講大。

帶走這一句

看到「吃 X 預防 Y」「2 倍風險」
——先問兩句

「這是相關，還是因果？」
「理想實驗長什麼樣？」

你的因果素養，就是 AI 超譯的攔截器。AI 負責起草，你負責校正、並為內容負責。

相關 ≠ 因果