雨声里的杏花，与数字之外的判断

这首诗最值得慢读的地方，是它怎样让一个人从屋里走出去。开头的人刚睡醒，溪水已经流着，春天已经发生。他没有站在景色中心指挥万物，也没有宣布自己的情绪；一个“绿”字先把外面的世界带进来。

“客子光阴诗卷里”写一种很容易理解的生活：翻书、作诗，一天又过去了。书卷当然能安顿人，但“客子”也保留着寄居之感。人在屋里有自己的秩序，屋外有不等人的季节。下一句便把这两种时间接到了一起。

“杏花消息雨声中”没有直接写看见花。诗人听着雨，想到杏花：花开没有，雨会不会催开它，又会不会打落它？诗里没有替我们作答。“消息”也不是今天推送栏里的通知，更接近一种由细微迹象带来的知觉。眼前尚未出现的东西，先在听觉和想象里有了位置。

到这里如果只接一句“春色可爱”，就会变成一首漂亮而封闭的写景诗。陈与义却想起了两个人。一个多病，一个清贫，春天没有让他们的处境自动变好。这两句把景色的轻盈稍稍压住，让后面的出门带上关切，而不只是消遣。

最后的“试春风”尤其好。不是奋然振作，也没有把寻友写成道德义务，只是披上衣服，乘舟去试一试春风。诗题中的“怀”由此通向“访”：想念有了一个具体动作。我们不必把它硬读成生活建议，但可以欣赏这首诗的分寸——它让情绪落在一条船、一件衣服和一段路上。

这篇创刊原创用来观察你对英文难度和篇幅的反馈。正式选材将优先使用有可靠版本的公版散文或合规短摘，逐期注明作者和来源。

想象一个内容平台用自动系统寻找违规帖子。宣传页说，它能找出 99% 的违规内容，同时也能正确放过 99% 的正常内容。这听起来相当可靠。现在有一篇帖子被标为违规，我们能说它有 99% 的可能真的违规吗？不能。还缺一个信息：原本有多少帖子违规。

把百分比还原成人和物

先设有 10,000 篇帖子，其中真正违规的只有 100 篇，也就是 1%。系统找出了其中 99 篇，漏掉 1 篇。剩下 9,900 篇是正常内容，系统虽然能正确放过其中 99%，仍会误标 99 篇。

因此，所有被标记的帖子共有 198 篇：99 篇真的违规，99 篇只是误报。随机取一篇被标记的帖子，真正违规的比例是 99 ÷ 198 = 50%。系统在两类内容上都有 99% 的识别表现，并不意味着它发出的每个警报都有 99% 的可信度。

这里没有数学魔术。正常内容太多，哪怕只误报其中很小一部分，也足以和真正找出的违规内容一样多。我们容易盯着“99%”，却忽略了这个百分比作用在多大的基数上。

换一个环境，同一套系统会给出不同结果

如果这次的 10,000 篇帖子里有 1,000 篇违规，系统就找出 990 篇，误报正常内容 90 篇。被标记的共 1,080 篇，真正违规的比例变成 990 ÷ 1,080，约 91.7%。系统本身的两项识别率没有改变，警报的含金量却明显不同。

这就是为什么在一个地方表现很好的筛查工具，搬到另一个地方不一定同样好用。除了模型、规则和阈值，要找的现象到底有多常见，也会改变结果的意义。一个专门收集可疑材料的队列，和所有新上传内容组成的大池子，不能直接共用同一种直觉。

一个容易反过来的条件

“违规时有多大概率被标记”，和“被标记时有多大概率违规”，问的是两个方向。前者从真实情况走向观察结果，后者从观察结果推断真实情况。把这两句话缩成“系统很准”，恰好抹去了需要分清的部分。

用人数或件数表达概率，常比只看百分比更直观。比如“每 10,000 篇里，99 篇命中，99 篇误报”，就很难再把 99% 的识别率直接当作 99% 的警报可信度。这种表示方式没有增加信息，却把被不同分母藏起来的信息放到了同一张桌上。

实际能用在哪里

看到“准确率很高”的宣传时，可以先补齐三个问题：它在什么样的数据上测出来？要找的目标在那里有多常见？误报和漏报分别是多少？如果只给一个准确率总数，你甚至无法还原上面的表。

另一个容易被忽略的情况是，目标极少时，一个从不报警的系统也能得到很高的总体正确率。在第一组数据里，永远判定“正常”，就能判对 9,900 篇，总体准确率为 99%，但它一篇违规也找不出来。因此评价指标要对应用途：发现线索和直接作出处理决定，所能容忍的错误通常不同。

这不等于罕见事件都不该查，也不等于所有警报都不可信。它提醒我们：警报是进一步判断的起点。要不要复核、如何复核、误报与漏报各有什么代价，需要结合实际任务决定；一个漂亮数字不能替这些问题作答。

关于不确定性判断的心理学研究，卡尼曼与特沃斯基讨论了人如何借助直觉捷径判断概率，以及这些捷径何时产生偏差。这里的数学算例是本刊独立构造的，不是某项实验结果，也不据此断言所有人都会犯同一种错。