數據的假象

【以上這些關於鬼扯的概念有個共通點，說話者的目的都是要說服或打動聽者，而不是為了讓他們更接近事實，而採取的方法或是積極地混淆聽者，抑或是亂掰一通來掩蓋自己對這事情根本不甚了解。有些作者便將鬼扯分成說服型與閃躲型，前者意在示自己能力或權威，後者則避免直接回應自己不願多談的問題。】

【還記得古德哈特定律(Goodhart's Law)嗎?「當測量成為目標，它就不再是個好的測量標準」。某種程度上這就是P值的情況。由於P值低於0.05已經是論文發表的必要條件，所以P值便不再是具備統計說服力的有效測量標準。如果科學論文出版與否與P值無關，這些數值便依舊是檢測否定虛無假設的統計學證據說服力多高的有用標準。話說回來，既然期刊嚴重偏好P值低於 0.05的論文,P值便不再符合最初的用意。】

【在此，真正的重點是所有特定的型樣或趨勢在絕大多數情況下都有很多可能的解釋，某種解釋純粹與數據資料相符，也不表示它就正確無誤。有時候，雖然提出的解釋可能正確，但它只是原因的一小部分；有時候，提出的解釋可能完全錯誤，跟真正的解釋毫無關係。】

【極端的說詞在社群媒體上效果很好；重申你我早已信以為真的世事，這類貼文也很受歡迎。這帶出揪出鬼扯的下一個基本原則：避免驗證性偏誤(confirmation bias,確認性偏誤、確認性偏差、 驗證性偏差)。

驗證性偏誤是一種察覺、相信，並分享符合你我既存信念之資訊的傾向。當某種說法肯定我們對世界的信念，我們就會更傾向接受該說法為真，比較不會質疑其可能為假。我們容易受到驗證性偏誤影響，對此,社會學家尼爾·波茲曼(Neil Postman)的格言一語中的：「在任何時候,你得應付的主要鬼扯消息來源就是你自己。」】