想象一下，你拿着一张大旧网去海里捕鱼。但网里有大洞，你什么鱼也捕不到。于是你把洞越打越小，直到最后捕到了鱼。问题是，这只是一只小虾，不会对你寻找一顿美味的晚餐产生太大影响。就像我们生活中的许多部分一样，正确的问题不是“是否”，而是“多少”。
最近几周，我们看到了同样的动态，广泛报道称世界卫生组织将宣布阿斯巴甜可能存在致癌风险。这是一个重大声明，因为阿斯巴甜出现在我们吃的和喝的很多东西中，最常见的是低热量软饮料。世界卫生组织和部分媒体对阿斯巴甜问题的报道强调了卫生政策和科学传播中反复出现的挑战——如何区分两件事之间的关系（“如果”）以及我们是否需要担心它（“关系的多少”部分）。
现在，我们很多人都喝低热量饮料，而且我们都不想得癌症，所以宣布阿斯巴甜可能致癌当然是新闻。但是，正如其他人所说，比如在 Stuart Richie 的这篇非常好的文章中，你几乎肯定不需要真正担心冰箱里藏着的低热量可乐罐头。
这是因为重要的不仅仅是知道某件事有风险，而且我们能够量化或“正确衡量”风险的程度。新分析估计，一个体重 70 公斤的成年人必须喝大约14 罐健怡可乐才会超过每日安全剂量限制。
“重要的不仅仅是知道某件事存在风险，而且我们能够量化或‘正确衡量’风险的程度。新分析估计，一个体重 70 公斤的成年人必须喝大约 14 罐健怡可乐才会超过每日安全剂量限度。”
David Spiegelhalter 曾广泛撰写有关加工肉类的类似问题的文章。理解这一点很棘手，因为在风险评估方面，事情没有好坏之分，也没有危险与否之分——事情远比这复杂。简单的部分是宣布某件事是黑是白，困难的部分是准确描述灰色地带。
这在科学界和卫生政策界都是一个巨大的问题。
医学和社会科学中最流行的统计方法是频率统计，通常称为零假设显著性检验。其目的是拒绝零假设，即推翻 A 和 B 之间没有关系的想法。因此，如果我们得到显著的结果，则意味着我们拒绝了这些假设，因此我们可以确定（在一定置信度内）存在关系。很好，但这又引出了下一个更棘手的问题——A 和 B 之间的关系有多大、多重要？对于社会政策而言，关于风险的最相关问题几乎总是风险有多大。
这在一定程度上是语言问题。统计显著是一个特定术语，但它也有通俗的含义。所以如果我们说某件事“显著”，人们会认为我们的意思是重要，但情况并非总是如此。当我们生活在一个数据匮乏的世界时，事情往往是相辅相成的——如果你能从一个小样本中看到一种关系，那么这种关系很可能相当大。但如果你有大量的数据（我们越来越多地拥 亚美尼亚电话号码数据 有这些数据），就有可能检测到越来越小的关系。天哪，关于阿斯巴甜的数据真是太多了——评论中有 1,300 项研究。
正确处理这个问题的部分挑战在于接受这样一个事实：这一切都极其复杂。回到我们的 A 和 B 示例，即使我们知道它们之间的关系大小，我们仍然需要考虑基线风险水平。如果某种东西使癌症风险增加 10%，那么它是常见癌症还是非常罕见癌症就真的很重要了，因为它会产生非常不同的结果。
然后，我们需要将风险评估与其他健康风险进行比较。例如，在饮食和健康方面，阿斯巴甜与癌症之间的微小联系与过量糖与肥胖水平上升和糖尿病发病率飙升之间的更大联系相比显得微不足道。这是一项巨大的公共卫生挑战，与我们想要避免的许多疾病密切相关。因此，了解这种关系的“多少”部分至关重要，因为我们不希望人们决定重新喝全糖饮料，因为这总体上会带来比他们试图避免的（与阿斯巴甜有关的癌症）更大的健康风险。
这并不是说我们不应该寻求小规模的关系。从人口层面（即我们所有人）来看，小规模的关系可能真的很重要——5000 万人中的 1% 仍然是 50 万人。知识是好的，越多越好。但我们确实需要谨慎和负责任地传达信息，通常使用背景信息或比较信息来传达信息。