Полевое руководство для научных журналистов - [11]

5. Проверялись ли результаты другими экспертами? И как они соотносятся с другой научной информацией и представлениями?

Принципы проверки исследований

Чтобы получить ответы на эти вопросы, следует знать пять принципов научного анализа.

1. Определенность некоторой неопределенности

Эксперты постоянно меняют взгляды не только на то, что нужно есть, чтобы оставаться здоровым, но и на то, что нужно делать, если человек заболел. Все больше лекарственных препаратов и методов лечения оказываются дискредитированными после того, как новые исследования поднимают вопросы об их эффективности или безопасности. Даже форма Вселенной (точнее, форма Вселенной, по мнению ученых) меняется от статьи к статье.

Некоторые считают, что такие резкие перемены позорят науку. Но это просто часть нормального научного процесса, идущего как и положено.

Наука изучает статистическую вероятность истины. Выводы делаются на основе убедительных свидетельств, никто не дожидается недостижимых неопровержимых доказательств. Сложности окружающего мира и научного процесса только усиливают неопределенность.

Однако наука может двигаться вперед именно потому, что это всегда развивающаяся история, продолжающийся путь, в котором возможны корректировки. Везде — от медицины до астрономии, от геологии до психологии — прежние выводы постоянно перепроверяются и, если нужно, уточняются (а иногда и отбрасываются в сторону).

Необходимо объяснить это редакторам и начальству, а также читателям и зрителям. Некоторая неопределенность не должна мешать важным действиям, если общество понимает, почему в лучшем случае ученый может сказать так: «Вот убедительные свидетельства в пользу того, что это, скорее всего, правда. Пожалуйста, оставайтесь с нами, пока мы пытаемся узнать больше».

Теперь, когда мы переходим к деталям, помните, что не все исследования равнозначны.

2. Вероятность, мощность и большие числа

Вы слышали о новом лекарстве, прошедшем испытание на мышах? 33 % удалось вылечить, 33 % умерло, а третья мышь убежала. Эта старая шутка показывает, насколько важны численные показатели в оценке качества исследования.

Чем больше пациентов участвовало в исследовании, тем лучше. Чем значительнее доля успешного результата в испытаниях лекарства, тем лучше. Чем больше наблюдений за погодой сделают метеорологи, тем лучше они смогут предсказать, пойдет ли на следующей неделе дождь. Вот как числа влияют на статистическую вероятность того, что что-то является истиной.

Общепринятое численное выражение этого — значение P, которое определяется формулой, учитывающей количество анализируемых пациентов или событий. Значение P, равное или меньшее 0,05, обычно считается показателем статистически значимого результата. Это означает, что результаты могут быть простой случайностью в пяти или менее случаях из 100. Чем меньше значение P, тем ниже вероятность, что все это дело случая.

Другими словами, чем больше пациентов (или чего-то другого), тем надежнее показатель P.

Есть два связанных с этим понятия. Первое носит название мощность. Это вероятность обнаружить что-то, если оно на самом деле существует: например, рост числа заболеваний раком у людей, работающих с подозрительным химикатом. Чем больше число наблюдений или охваченных людей, тем выше мощность. Риск редкого, но опасного побочного эффекта у нового лекарства может не проявиться, пока оно не попало на рынок и им не воспользовались десятки тысяч или даже миллионы человек.

Второе — статистическая значимость. Если кажется, что загрязнитель вызывает прирост числа случаев заболевания по сравнению с фоновым уровнем на 10 %, это может действительно означать взаимосвязь, а может, и нет. Если показатель увеличивается в десять раз (как, например, риск рака легких у курильщиков по сравнению с теми, кто не курит), шанс, что такая взаимосвязь на самом деле существует, очень велик.

Научным журналистам нет нужды ничего считать самостоятельно — они должны просто сказать ученым: покажите свои цифры.

Ключевые вопросы, которые нужно задать: все ли ваши выводы основываются на статистически значимых результатах? (Насторожитесь, если не все, и предупредите своих читателей или зрителей.) Каково значение P — вероятности того, что ключевые результаты случайны? Было ли исследование достаточно обширным, чтобы обнаружить эффект, если он действительно существует? Есть ли другие статистические причины сомневаться в ваших выводах? Планируются ли более масштабные исследования?

Но то, что результаты статистически значимы, имеют достаточную мощность и т. д., еще не означает, что они верны или значимы. Так что наш список продолжается.

3. Существует ли другое объяснение?

То, что явления как-то связаны, еще не означает, что одно является причиной другого. Не крик петуха заставляет солнце вставать по утрам, а вирус в организме пациента может быть невинным прохожим, а не причиной болезни. Химическое вещество в городском водопроводе может не оказаться причиной болезней в этом городе. Чтобы выявить причинно-следственную связь, нужно проводить детальные исследования в лабораториях.

Вот пример: несколько ученых (и гораздо больше журналистов) полагают, что детская вакцинация могла послужить триггером для многих случаев аутизма. Но большинство экспертов считают, что это совпадение, а не причинно-следственная связь. «Связь» здесь только в том, что аутизм обычно проявляется в том же возрасте, когда детям делают многие прививки, утверждают эти эксперты. Но теперь проблема в том, что немало обеспокоенных родителей откладывают прививки от кори и других опасных заболеваний из ложного страха перед аутизмом. А во множестве материалов СМИ на эту тему не хватает статистики по смертности от этих детских заболеваний в те времена, когда вакцин еще не было.