智慧型手機的功能日趨全面，幾乎就要包辦日常生活大小事，當然也包含我們的健康。有些人拿它來記錄每天的運動狀況，也有人搭配應用程式，監測自己的心肺功能。

但這還不夠，科學家總是能想到更奇葩的需求：未來，你的手機也有機會變身「大麻檢測器」了！羅格斯大學健康暨健康政策與高齡研究所（Rutgers Institute for Health, Health Care Policy and Aging Research）研究團隊，調查大麻使用者的「嗨度」，並將其與機器學習技術做結合，試圖打造能準確判斷大麻中毒程度的日常小工具。

研究發表於《藥物與酒精依賴》（Drug and Alcohol Dependence）期刊^[1]。

大麻何以讓人愉悅？

法國喜劇劇集《大麻咖啡館》（Family Business）中，年輕企業家喬瑟夫．亞贊（Joseph Hazan）乘著法國大麻合法化的順風車，決定將老父親傑哈德．亞贊（Gérard Hazan）的肉鋪改造成大麻咖啡館。雖說父親一開始很反對，但在偶像安瑞可．馬西亞斯（Enrico Macias）的循循善誘下，父親最終也體驗了呼麻的快感，並開始積極面對他們的咖啡館事業。

大麻為何能讓人快樂到放棄執著？一個叫四氫大麻酚（Tetrahydrocannabinol, THC）的傢伙扮演著關鍵角色。由於 THC 的化學結構與人體的內源性大麻「花生四烯乙醇胺」（anandamide）十分相似，它能與大麻素受體（cannabinoid receptors）結合，並啟動大腦的獎勵系統，讓我們感到身心愉悅^[2]。

這不免讓人感到好奇：究竟，人們是如何攝入大麻的呢？

一般來說，大麻被攝取的途徑有二：吸食，或直接拿起來嗑（沒啦，是摻在食物裡面服用）。當人們吸食大麻時，裡頭的化學物質會從肺部進入血液，進而將它們運送到身體各處，包括大腦。但如果是用吃的，由於是透過消化系統吸受，因此大麻所帶來的影響通常會晚個 30 分鐘到 1 小時出現。

大麻中毒將導致「定向感」降低

對大麻使用者來說，它最迷人的地方大概就是使用後欣快的放鬆感受。此外，有些人也會體驗到感官放大的飄忽景象，但也有部分人認為，大麻會讓他們感到焦慮、恐懼、不信任和恐慌。雖然目前較少有因純粹吸食大麻而死亡的案例，然而，若是使用過量，便會引發大麻中毒（cannabis intoxication）^[3]。

大麻中毒的人，輕則產生飢餓與嗜睡等症狀，嚴重的話，會導致認知與對人事時地物的定向感降低，甚至會出現急性精神病（acute psychosis）^[4]。其他典型、可預測的症狀，還包括口乾舌燥、紅眼、短期記憶受損，以及知覺和動作的影響等⁵。

部分大麻中毒者，會因為大麻在精神上的影響，對外界反應時間過慢，造成工作或學校表現低落，甚至在開車、駕駛時形成干擾，最終導致交通事故與傷亡等憾事。

雖說如今有血液、尿液或唾液等測試，能針對大麻中毒進行檢測，但若要實現日常生活中的時刻監測，恐怕還是有些限制的。

過去曾有研究，以現代人形影不離的「智慧型手機」裡的感測器，來探測高風險的飲酒者，準確率高達 90%^[6]。有鑑於此，羅格斯大學健康暨健康政策與高齡研究所團隊開始研究，想知道在機器學習模型的協助下，手機是否能發揮檢測「大麻中毒」的作用，即時探測那些可能因大麻中毒引發的危機。

如何檢測嗨不嗨？關鍵是「使用後的行為」

團隊首先從美國賓州匹茲堡（Pittsburgh, PA）找來 57 位年齡介在 18~25 歲的年輕人，透過自我報告，得知他們每週至少使用大麻兩次。之後，團隊透過「手機回傳調查」搭配「手機內感測器數據」等方法，每日收集受試者使用大麻的相關數據持續至多 30 天，以掌握他們在大麻中毒後的狀況。

其中，回傳調查每日三次，包含開始與結束使用大麻的時間、用量，以及主觀感受的自我評分——依據「嗨」的程度，評分標準為 1~10分，其中 10 分為「敲級嗨」。後來回傳的 451 起大麻使用事件中，平均「嗨度」為 3.77 分。

而手機則搭配應用程式，收集了 102 種手機感測器的數據，如 GPS、加速度計（accelerometer）、撥出的電話數量以及平均移動距離等。有些人聽到這裡可能坐不住了。等等⋯⋯GPS 這類定位工具與加速度計，到底能做什麼？是這樣的，GPS 可用來偵測大麻使用者陷入「自我陶醉」時的行進範圍（travel boundary），而加速度計則是用來監測他們的步態與身體活動量。

在對照受試者的回傳調查及手機數據後發現，當使用者回報他們「正嗨」時，透過 GPS 的數據分析可知，他們的移動範圍並不遠。另外，此時加速度計的資料也顯示，主觀報告大麻中毒者，雖然活動多樣性下降，但身體的活動程度卻比較劇烈。

考慮時間點的監測，精確度大提升！

最後，他們在演算法的幫助下^[7][註1]，盼能瞭解上述方法，是否能區別無中毒和中毒（輕度或中度）的情形。透過各種中毒時的行為特徵，加上機器學習技術的檢核，智慧型手機就可以變成如假包換的「大麻使用監測器」啦！

為了探究這個組合的準確性，團隊企圖在不同的時間點（例如：一周中的某一天，或是某一天的幾點幾分）下做排查，找出與大麻使用行為與特定時間點的關係，以進一步確認大麻中毒的具體指標。

結果顯示，僅出動手機內的感測器偵測這群人是否使用大麻，準確度為 67 ％；但若結合「個人呼麻時間點」與 GPS 和加速度計等資料，則準確度高達 90％。

用手機偵測大麻使用？得再等等⋯⋯

面對如此結果，研究團隊認為，以手機結合機器學習預測大麻中毒程度，是相當可行的。不過，未來還需要加入更多資料，以完備這項工具。

首先，由於該研究對大麻中毒的判定，主要建立在「受試者主觀判斷和自我（ㄕㄡˇ）報告」的基礎上，因此在物質使用和生理反應的識別上，不如執法部門的檢驗工具那般客觀。此外，像是大麻使用者的使用史、攝入身體的途徑、劑量，以及使用者對大麻的耐受性，都會影響他們報告身體狀況的結果。

不僅如此，像是不常使用大麻者在中毒時，他們的行為與身體反應和那些「老司機」們相比，是否有明顯差異？該研究受試者多為白人，其他人種在同劑量的條件下，會不會產生相應的數據？這裡不是要戰種族，但光是「喝酒」這件事，每個人種的反應也多少帶有一些差異，像亞洲人普遍就很難代謝酒精^[8]。

以上種種，都是這個工具可能被泛用的關鍵。最後，假設這個大麻偵測小工具，有朝一日被推到應用程式的市場上，你會想下載嗎？又，我們是否能因為大麻使用者的敏感身份與風險，而逕自對他們搜集資料、加以監控？作為一旁拍手叫好等待好用產品問世的小老百姓，在引頸期盼的同時，也必須深思這樣的問題。

註解

• 註 1：該研究所使用的技術為「Light Gradient Boosting Machine」，是微軟公司以「決策數演算法」（decision tree algorithms）為基礎，於二〇一七年釋出 LightGBM 演算法，用於排序、分類和其它機器學習的任務。

參考文獻

1.  Sang Won Bae et al. (2021) Mobile phone sensor-based detection of subjective cannabis intoxication in young adults: A feasibility study in real-world settings. Drug and Alcohol Dependence. 
2.  How does marijuana produce its effects? National Institute on Drug Abuse, 2020.
3.  What are marijuana’s effects? National Institute on Drug Abuse, 2020.
4.  Helen Okoye. Cannabis Intoxication DSM-5 292.89 (F12.12). Theravive.
5.  Marijuana intoxication. U.S. National Library of Medicine.
6.  Bae et al. (2018) Mobile phone sensors and supervised machine learning to identify alcohol use events in young adults: Implications for just-in-time adaptive interventions. Addictive Behaviors
7.   LightGBM. Wikipedia.
8.  Hui Li et al. (2009) Refined Geographic Distribution of the Oriental ALDH2*504Lys (nee 487Lys) Variant. Annals of Human Genetics.

很可惜，我們人類的眼睛接收到的視覺，以及所有的感官，例如觸覺、嗅覺、聽覺、味覺等，甚至是我們的記憶，其實都不太可靠，又都會受到各自觀察角度跟生活經驗的影響，而扭曲了觀察結果，因此做好科學觀察，便是科學探索的第一道關卡。

科學是探索世界的一種「過程」，而過程的產出就是知識，如果過程出了問題，產出也很可能會失真，就像戴上了墨鏡，看出去的世界都是陰陰暗暗的，總不能說世界本來就是這樣。「那就把墨鏡摘下來就好啦！」問題是，我們很容易堅信自己沒有帶墨鏡，更不知道怎麼摘下來。所以要能科學觀察，就要先了解怎樣讓過程，也就是科學方法，符合科學的原則。原則主要有三個：

第一個原則是：

要讓結果是科學的，所收集的證據必須是可以被觀察、被量度、被經歷過的。空口說白話不能當成證據，要想證明什麼，一定要是現實生活中可以「量測」得到的現象才行。例如在〈長頸鹿啊長頸鹿，你的脖子怎麼那麼長？〉這篇文章中，科學家如果想知道脖子長的長頸鹿是不是比較有生存優勢，不能只是想當然爾，而是得去紀錄，去量長頸鹿吃過的灌木高度，最好也把他們進食的過程拍下來。

第二個原則是：

在過程中，根據所觀察、量度、經驗的事實，去證明「假說」正確還是不正確。假說就是我們根據已經知道的知識，包括科學事實和科學原理，對想研究的自然現象及規律性提出的推測和說明，是一個暫時可以被接受的解釋。

為了避免做調查跟實驗時發生錯誤或誤解，或是運氣太好或太不好，調查跟實驗的步驟、結果都必須要能夠讓其他研究者能夠照著做看看，這就是「可重複性」。例如在〈政權轉移，天機早已透漏？──「熒惑守心」與歷史上的政治陰謀〉這篇文章裡，你會看到為什麼火星的位置跟帝王的政權會被錯誤但刻意的連結起來，這就是還不具有科學思維的古人，對於「可重複性」這一點的不理解。看完之後也可以想想看，我們在看到令人嘖嘖稱奇的科學新聞時，例如「吃ＸＸＯＯ能預防癌症」，就算看起來合邏輯，也都該問問自己「有其他研究者重複實驗過了嗎？」

第三個原則是：

整個過程都必須是客觀的。所謂客觀，就是調查與實驗者的意志，不能夠影響步驟的進行和數據的取得，就算實驗者百分之百確認實驗結果，也必須要以各種方式和實驗設計，來減低實驗者可能帶來的影響，這就是「把墨鏡摘下」的意思。

例如在〈海鳥食安大危機：不死的塑膠垃圾〉這篇文章中，就算對海鳥誤食塑膠垃圾的現況再生氣，如果想要知道海洋塑膠都到哪裡去了，也得從各種地區的各種海鳥身上做調查，而不只是看網路上的海鳥屍體圖片就下定論，或是只到「最常發現體內充滿塑膠垃圾的屍體」的地方採樣本。

客觀也意謂著，科學家在實驗取樣的時候，要重視隨機性跟代表性。就算是針對特定實驗對象，反覆實驗，也要盡可能讓施測時的條件一致，避免實驗者或被實驗者刻意造成的差異。這一點，在以人類為對象的實驗上尤其要特別小心，像是有些針對超能力的研究，就是違反客觀原則的重災區。

為了滿足這三大原則，科學家需要在整個過程中，完整保留所有紀錄、結果和資料。這可不是要讓記性差的科學家可以記得之前到底實驗是怎麼做的，而是能讓之後的科學家能重複實驗步驟。而且，科學家也應該把實驗的紀錄、結果和資料保留好，盡可能公開接受檢驗；若有違背科學原則的隱瞞或刪減，通常會在各方的檢視下或他人重複實驗下現形。

就算對自己的科學觀察有自信，符合上述科學原則，也不代表就萬無一失。所以科學家得對於「自己支持或信任的假說和理論被新出現的事證推翻」的可能性保持開放、彈性和豁達。

當然，如果你約會遲到半小時，發現女朋友或男朋友很生氣，你肯定不會還在那邊觀察、提出問題假說，然後重複實驗，然後再觀察，確定對方是不是因為你遲到半小時才生氣，或是如果遲到二十八分鐘，是不是就不會生氣……。科學觀察，的確不容易！

——本文摘自《晨讀10分鐘：科學跟你想的不一樣》，2019 年 6 月，親子天下出版。

Original publish date:Feb 20, 2010

編輯 HCC 報導

數量龐大的量測資料進行分析與後處理時，因為雜訊、外在環境干擾、設備問題等等，經常包含許多錯誤資料，工程師必須正確且有效率的去除錯誤數據，並研判感應器是否失效；一套創新的運算技術能協助解決上述問題。

美國National Center for Atmospheric Research (NCAR) 與University of Colorado at Boulder (CU)研究人員研發了上述稱之為智慧型異常偵測運算法(Intelligent Outlier Detection Algorithm. IODA) 的專利技術，論文發表於二月份的Journal of Atmospheric and Oceanic Technology。

IODA係依據統計學、圖形理論、影像處理與決策樹發展，並以MATLAB程式撰寫而成；此專家系統可使用於敏感的複雜技術系統，例如人造衛星、氣象設備、發電廠、雷達、太空探測或各式監測量測系統等。基本上，只要是藉由感應器量測所得之時域(time domain)物理量，數量過於龐大，無法以人工方式檢視篩選(譯者的舊經驗是先把量測物理量時域圖畫出，研判數據不合理的地方，再進入數據資料庫刪除不正常的數據，或寫個小程式研判數據變化率是否合理，很不科學吧！)，或者感應器故障的後果很嚴重時，都適用IODA處理。

在量測數據發生錯誤讀數或其他由失效感應器所引起的問題時，IODA能協助警告儀具設備操作者；儀具感應器一旦故障，並開始傳遞謬誤的資料時，IODA即能辨識問題並且將謬誤資料隔離。

一般而言，系統需要辨識出壞數據時，需要佐以多重感應器(利用其他正常感應器讀數辨識出壞的感應器讀數；所以在做物理量監測時，一定要有備份感應器)，或以能表現所量測物理量特性的運算邏輯，在數據突然變化時，依據運算結果辨識出問題(例如你在監測高鐵橋樑結構，以應變計長期量測橋樑結構的應變量時，依據工程經驗，所計算出的應力值不應超過待量測材料的降服強度)；所以應用工程師所寫的運算邏輯只適用於某種型態的時域物理量，無法遍及其他的物理量。而IODA能將進來的讀數與通用失效模式進行比較，以影像處理方式進行運算，因此能廣泛的應用於各種物理量監測。

參考來源：

• NCAR & UCAR News Center: Innovative technique can spot errors in key technological sy

相關連結：

• An Algorithm for Classification and Outlier Detection of Time-Series Data

社會中總會有許多來來去去的科學議題，從基改、食安到能源議題，每一個都能看到正反兩方戰到天荒地老。一方總是主要訴諸理性／科學／數據，另一方則是走感性／案例／經驗的路線。

這類的爭議總是來來去去，理性方每每準備好詳盡的數據與論述來回應，感性方則是以打動人心的故事來說服大眾。一兩則個案並不能代表什麼，大範圍的抽樣才有可信度才對啊。很多理性方的人不懂，明明證據都擺在眼前，為何就是有那麼多人不願意接受。

在指責他人沒知識或不理性之前，或許可以先瞭解一些心理學，知己知彼才能百戰百勝。直接講結論就是，人天生傾向於接受個案而不是數據。

不管數據說什麼，個案就是能說服你

有個實驗很有意思，研究找了 317 位大學生，聲稱研發了一個新藥，要請他們評估願不願意使用這個藥物。告知方法會說明這個藥物的成功率經臨床測試的成功率是多少（90%, 70%, 50%, 30%），同時也會講一位個案接受藥物後的情況，個案情況有成功也有失敗也有不確定。個案的說明內容大致如下：

1. 個案情況良好：小強使用這個藥物後成效良好，病毒都被清除了，醫師認為病情不會再復發。治療完一個月後情況良好。
2. 個案情況不佳：小強使用這個藥物後成效不好，病毒並沒有完全被清除，醫師認為病情還在持續。治療完一個月後小強失明了且失去行走的能力。
3. 個案情況不確定：小強不確定使用藥物的選擇是不是對的，醫生也無法確定病毒是否都被清除了，同時也不肯定病情是否還會持續。治療完一個月後小強的情況時好時壞。

每位都會閱讀到關於此藥物的成功率以及一位個案使用的情況。為了避免先後順序的影響，有一半的人會先被告知成功率後再知道個案，另一半的人則相反。理論上要不要服藥應該著重於藥物的成功率，畢竟這是經過臨床驗證來的，個案因為只有一個很難做得準。

但是結果發現：

同樣是告知有 90% 成功率的藥物，後面加上失敗的案例的話，人們接受的程度就會由 88% 銳減為 39%，相當驚人的差異。而更有意思的是，同樣是告知成功率只有 30%，若加上一個失敗的案例，那麼接受程度只有 7%，但若是加上成功案例的話，接受程度會爆增到 78%！

我把兩個比較極端的例子獨立出來：

• 90% 成功率+失敗案例 = 39% 接受度
• 30% 成功率+成功案例 = 78% 接受度

看到上表數據就知道，個案的成功與否影響接受度非常大啊！幾乎是只要有成功個案就很容易接受、個案失敗就很難接受。

這樣數據派根本就是全面潰敗啊，雖然可以打臉打得很爽，但就是不容易說服人接受。

為什麼會這樣呢？我們來假想一個情況：

如果要你對一個不識字、不懂統計學概念的人談這件事，是講個案比較容易，還是讓他理解數據比較容易？

當然是前者。可以這樣說，對於他人的經歷的理解幾乎是每人都能作到，這或許是生物本能之一。然而對數據的解讀與理解卻是需要後天學習的，沒學過統計學就無法理解薪資平均數並不是指有一半的人有這樣的收入。所以說理解個案比理解數據容易多了，當然也更快。

別讓天性騙了你：透過學習成為有理性的人

常看到的推銷、電視購物、廣告，就很常訴諸這種個案效果，不需要名人，只要找出一兩位個案站出來，說他用了這個產品多久就產生神奇的效果。對產品有疑慮的人一看了成功個案後，很容易就被說服而購買，這也是消費心理學的絕妙手法之一啊。

所以在電視購物、網路看到某個產品多厲害多厲害，要打電話或刷卡之前，請先想想：這效果是個案還是大部分人都會有用呢？千萬別因個案就以為自己也適用。也請記得廠商肯定有高人指點，知道透過成功個案會比較讓人接受，因此你可千萬別上當啊。

另如果是要筆戰，身為理性的一方，就該瞭解到要說服大眾光端出數據肯定是不夠的，得要雙管齊下、理性與感性同時並進才能獲得最佳效果。

心理學有非常多的例子來說明人有太多不理性的決策模式，之後有機會再一一跟大家介紹。那既然人生來就有不理性的決策，那是不是就沒救了呢？對心理學家而言，辭典裡是沒有「沒救了」這三個字的。固然天性影響行為甚大，但後天學習才是決定人最終將會是什麼姿態的關鍵。

天性的影響正說明我們必須對科學素養的培養非常在意又認真，因為唯有透過後天學習來增強理性的部份，才能夠盡量做出相對合理的決策，才有資格自稱為理性的人。

研究出處

• Freymuth, A. K., & Ronan, G. F. (2004). Modeling patient decision-making: the role of base-rate and anecdotal information. Journal of Clinical Psychology in Medical Settings, 11(3), 211-216.

編按：身處在這越來越複雜世界，面對這麼多複雜議題，要做出合理的決策如此不容易，到底該怎麼辦呢？

這時你就需要科學思辨力！

【科學思辨力：現代人都需要的生存演算法】能幫助學生與每個人，建立自己的邏輯、跨過複雜議題討論的門檻、提升資訊選擇、處理與溝通的能力，成為更能面對未來變化的公民。

還等什麼，快點上車吧：http://bit.ly/2KQgEPx