前幾年帶一位業餘公路車手備戰武嶺，他每週都拿一份剛翻譯完的「最新研究」來問我：「教練，這篇說喝甜菜根汁可以多出 2% 功率，我要不要囤一箱？」下一週又換成「這篇說間歇要練 30-15、不要練 4×4」。我看了看他手機裡那些截圖，很多其實是同一個實驗、被三個不同的健身粉專改寫成三種對立的結論。那天我沒有直接回答他該不該喝甜菜根汁，而是花了一個小時，教他怎麼把一篇研究從頭讀到尾——因為在資訊爆炸的年代，「會不會讀論文」比「讀過幾篇論文」重要太多了。
這篇文章，就是我這些年帶學員、也帶自己看文獻累積下來的一套「入門讀論文法」。我不會把你變成統計學家，但我希望讀完之後，下次你再看到「研究證實」四個字，能夠冷靜地問出三個問題：這是什麼等級的研究？它說的「顯著」是統計顯著還是真的有用？中間有沒有藏著常見的陷阱？
為什麼要學會自己讀論文
先講一個殘酷的現實：運動科學的媒體轉譯，失真率高得嚇人。一篇原本結論寫得很保守的論文——「在這 12 位訓練有素的自行車手身上，短期補充後觀察到功率些微上升，但需要更大樣本驗證」——經過媒體、粉專、業配三手轉述之後，往往變成「科學證實 XX 讓你變強 2%」。
問題出在哪裡？運動科學有幾個先天限制，讓它特別容易被過度解讀：
- 樣本數普遍很小：招募願意接受嚴格控制、抽血、耗竭測試的運動員很困難，很多研究只有 8 到 15 人。
- 個體差異巨大：同一份間歇課表，有人進步 10%，有人原地踏步，甚至有人退步（這叫「反應者/無反應者」現象）。平均值會把這種差異洗掉。
- 難以雙盲：你很難讓受試者不知道自己在做高強度間歇還是在休息。
- 短期指標代替長期表現：實驗室量的是 30 秒功率或乳酸閾值，但你真正在乎的是三個月後爬武嶺快不快，這中間有一大段轉換的鴻溝。
所以我常跟學員說：讀論文不是為了找到一個聖旨照著做，而是為了培養一種「合理懷疑」的肌肉。 你不需要否定所有研究，但要知道每個結論背後的信心水準有多高。
還有一個更務實的理由：你的時間、金錢和身體都很寶貴。每一個「研究證實」的宣稱，背後都可能要你付出代價——買一罐補劑、改一套課表、多受一輪苦。如果不會判讀，你很可能把有限的資源，砸在那些「統計上顯著、實際上沒差」的東西上，反而排擠了真正該做的基本功：睡眠、規律訓練、循序漸進、把補給練順。會讀論文，本質上是一種幫你分配資源的能力。
觀念基礎一：研究設計的證據層級
這是最重要、也最容易被忽略的一件事。不是所有「研究」的份量都一樣。在實證醫學裡有一個廣為使用的概念叫「證據層級」（hierarchy of evidence / levels of evidence），它把研究設計依照「推論因果的可信度」由低到高排列。這個金字塔已經有超過 80 種版本被提出過，細節各有出入，但大架構相當一致。
我把常見的層級整理成下面這張表，並附上運動場景的白話解讀：
| 證據層級 | 研究設計 | 白話理解 | 運動場景舉例 |
|---|---|---|---|
| 最高 | 系統性回顧／統合分析（Systematic Review / Meta-analysis） | 把一堆設計嚴謹的實驗蒐集起來一起分析 | 「彙整 25 篇咖啡因對耐力表現研究」 |
| 高 | 隨機對照試驗（RCT） | 隨機分組、有對照組，能推論因果 | 「隨機把車手分成補充組與安慰劑組」 |
| 中 | 世代研究（Cohort） | 長期追蹤一群人，但沒隨機分組 | 「追蹤 500 位跑者五年，看誰受傷」 |
| 中低 | 病例對照研究（Case-control） | 從結果回頭找原因 | 「比較有無跟腱斷裂者的訓練習慣」 |
| 低 | 橫斷面研究（Cross-sectional） | 某個時間點的快照 | 「調查現在多少人用功率計」 |
| 更低 | 病例報告／系列（Case report/series） | 幾個個案的描述 | 「一位選手用某方法後破 PR」 |
| 最低 | 動物實驗／體外實驗、專家意見 | 老鼠或細胞層級、個人看法 | 「小鼠實驗顯示某成分…」 |
（依據 Wikipedia: Hierarchy of evidence 與 UC Davis Levels of Evidence 整理）
這張表要怎麼用？我教學員一個超簡單的心法：看到「研究證實」四個字，先問「這是金字塔的哪一層？」 如果一個聳動的結論只來自一篇小鼠實驗或一個個案報告，那它的份量跟一篇整合了 20 個 RCT 的統合分析，完全不在同一個等級。
為什麼「隨機」和「對照」這麼關鍵
我用一個學員的真實情境改編來解釋。假設我讓十位跑者連續八週吃某款新的能量膠，結果他們平均 10 公里成績進步了 90 秒。這證明能量膠有效嗎？
不能。 因為這八週裡發生了太多事：他們本來就在練、天氣從酷暑轉涼、他們知道自己在做實驗所以更認真（安慰劑效應）、剛好避開了受傷。這些全部混在一起，我根本分不清那 90 秒是能量膠的功勞，還是其他因素。
「對照組」的意義，就是讓另一群條件相似的人，做一模一樣的事、只差沒吃那款能量膠（或吃外觀一樣的安慰劑）。「隨機分組」則是確保兩組人一開始的體能、年齡、認真程度大致平均，不會因為我偷偷把強的都分到能量膠組而作弊。有了隨機與對照，我才能比較有把握地說：兩組的差異，比較可能是能量膠造成的。
這也是為什麼我對「我朋友這樣練有效」「某網紅親測」這類說法非常保留——不是說它們一定錯，而是它們幾乎不可能排除上面那一大堆干擾因素。
盲化與安慰劑：為什麼「你以為的」會偷偷變強
再補一個很多人忽略的關鍵字：盲化（blinding）。所謂單盲，是受試者不知道自己被分到哪一組；雙盲，是連量測、發放的研究人員也不知道。為什麼要這麼麻煩？因為人的期待本身就會影響表現。
我帶過一個很生動的例子。有一次我讓兩位程度接近的學員做同一份閾值間歇，我「不小心」讓其中一位以為他喝的運動飲料是「新配方、實驗室證實能延遲疲勞」，其實兩瓶一模一樣。結果那位「以為喝到神飲料」的學員，主觀疲勞分數明顯較低，還多撐了一組。這不是他在騙人，是大腦的預期真的改變了他對痛苦的感受——這就是安慰劑效應的威力。
所以當一篇補劑或裝備研究沒有安慰劑對照、沒有盲化時，你要非常小心：它量到的「進步」，有很大一塊可能純粹來自「受試者知道自己在用好東西」的心理加成。在耐力運動這種高度依賴主觀撐不撐得下去的項目，這個效應大到不容忽視。
觀念基礎二：統計顯著 ≠ 實際有意義
這是整篇文章我最想讓你記住的一段。很多人看到論文寫「p < 0.05，達統計顯著」就以為「哇這很有效」。這是天大的誤會。
先講 p 值到底是什麼。p 值回答的問題是：「假設這個效果實際上根本不存在（虛無假設為真），那我觀察到眼前這麼大、甚至更大的差異的機率有多高？」如果這個機率很低（慣例上 < 0.05），研究者就說「這個效果不太可能是零」。
請注意——p 值只告訴你「效果大概不是零」，它完全沒告訴你「效果有多大」。 這是關鍵中的關鍵。
而這裡藏著一個致命陷阱：只要樣本數夠大，任何微不足道的差異都可以達到統計顯著。 統計學家常舉的例子是：一個補習方案讓百分制考試分數平均提高 0.5 分，只要收集夠多樣本，這 0.5 分也可以「p < 0.05」——但沒有任何一位校長會為了 0.5 分去大改預算。（見 Statistics By Jim: Practical vs. Statistical Significance）
那要看什麼？效果量（Effect Size）
要知道「效果到底有多大、值不值得你改變訓練」，要看的是效果量，最常見的指標叫 Cohen’s d。它把差異用標準差為單位標準化，方便跨研究比較。一個常被引用的粗略分級是：
| Cohen’s d | 效果大小 | 白話翻譯 |
|---|---|---|
| 約 0.2 | 小 | 有差，但可能小到你根本感覺不到 |
| 約 0.5 | 中 | 開始值得注意 |
| 約 0.8 以上 | 大 | 明顯、通常實務上有意義 |
（依據 Statistics By Jim 說明整理；APA 格式要求每個 p 值旁都要報告效果量）
所以下次讀論文，養成一個習慣：先找效果量，再看 p 值。 一篇「p < 0.001 但 Cohen’s d 只有 0.15」的研究，統計上非常「顯著」，實務上卻可能小到不值得你多花錢或多受苦。反過來，一篇「d = 0.7 但 p = 0.08 沒達顯著」的小樣本研究，可能只是人數太少沒測出來，效果本身其實不小，值得後續更大樣本去驗證。
我常跟學員舉例：假設一份研究說某訓練法讓功能性閾值功率（FTP）平均提升，如果換算下來只是從 250 瓦進步到 252 瓦——就算 p 值再漂亮，這 2 瓦對你爬武嶺的實際幫助微乎其微，還不如把心力放在多睡一小時、把補給練順。
一個把觀念串起來的個案
讓我用一個綜合個案把「證據層級」和「效果量」串起來。去年一位準備初鐵、三十多歲的女性學員拿了一則新聞來問我，標題大意是「科學證實：這樣練跑步經濟性大增、成績突飛猛進」。我們一起把原文找出來，照著問了一輪：
- 證據層級：這是一篇單一的小型介入研究，還不是統合分析，位在金字塔中段偏上，可以參考但不到「定論」。
- 受試者：15 位訓練有素的男性長跑選手，跟我這位剛起步的女性學員差很遠——外部效度先打一個問號。
- 效果量與絕對值：文中換算下來，跑步經濟性的改善幅度不大，而且信賴區間偏寬，代表不確定性高。
- 限制：作者自己在討論段就寫了「樣本小、僅短期、需更大規模驗證」。
問完這一輪，我們的結論不是「這篇是垃圾」，而是「這是個有意思的方向，但還不足以讓一位剛入門的女性選手立刻大改課表」。我們把它記下來當作未來觀察的線索，先把基礎有氧和跑姿穩定練好。你看，同一篇論文，會不會讀，得到的行動完全不同。
實務方法：一套可照著跑的讀論文流程
觀念講完，來點能立刻用的。這是我自己讀一篇運動科學論文的順序，你可以照著跑。重點是——不要從第一個字讀到最後一個字，那樣又慢又容易被漂亮的措辭牽著走。
| 步驟 | 讀哪個部分 | 你要問自己的問題 |
|---|---|---|
| 1 | 標題與摘要 | 它宣稱了什麼？是聯想（相關）還是因果？ |
| 2 | 方法：受試者 | 幾個人？什麼程度？跟我像不像？ |
| 3 | 方法：設計 | 有沒有對照組、有沒有隨機、有沒有盲化？ |
| 4 | 結果：效果量 | 效果多大？不只看 p 值，看數字本身 |
| 5 | 結果：變異 | 標準差、信賴區間多寬？個體差異大不大？ |
| 6 | 討論與限制 | 作者自己承認哪些弱點？結論有沒有超譯？ |
| 7 | 利益衝突 | 誰出的錢？是不是補劑廠商贊助？ |
步驟細節與我的實戰提醒
受試者跟你像不像，決定這篇論文關不關你的事。 一篇在「訓練有素的年輕男性自由車手」身上做出來的結論，套到一位 55 歲、剛開始騎車減重的女性學員身上，可能完全不適用。運動科學有嚴重的「受試者偏誤」——大量研究用的是年輕、健康、男性、運動員，這叫外部效度（推廣性）的問題。我帶中高齡或女性學員時，看到任何研究都會先自問：這群受試者跟我的學員差多遠？
看信賴區間比看單一數字更誠實。 如果一篇研究說「平均提升 3%」，但 95% 信賴區間是「-1% 到 7%」，代表真實效果可能從「其實有點退步」到「進步不少」都有可能，這種結論其實很不確定。區間越窄，估計越可靠。
永遠讀「限制」那一段。 好的研究者會誠實列出自己的弱點：樣本小、追蹤時間短、無法盲化、用替代指標等等。如果一篇論文的討論寫得像廣告，只講好處不提任何限制，我的警戒心會直接拉滿。
查資金來源與利益衝突。 這不是陰謀論。一篇由某補劑品牌全額贊助、且作者是該品牌顧問的研究，不代表結論一定造假，但你解讀時心裡要放一把尺。這在補劑、機能飲料、穿戴裝置的研究裡特別重要。
一張「危險信號」快篩表
為了讓你更快上手，我把「看到就該提高警覺」的訊號整理成下面這張快篩表。你不需要每篇都跑完整流程，先掃一遍紅旗，命中越多，就越該保守看待。
| 危險信號 | 為什麼要警覺 | 建議做法 |
|---|---|---|
| 只有摘要或新聞稿，找不到原文 | 無法檢查方法與數據 | 找到原始論文再判斷 |
| 樣本數個位數、沒有對照組 | 幾乎無法排除干擾 | 當成「初步線索」而非結論 |
| 只報相對百分比、不給絕對值 | 最容易誇大 | 自己換算回絕對差 |
| 只有 p 值、沒有效果量 | 看不出實際有多大 | 找 Cohen’s d 或原始數字 |
| 用實驗室指標宣稱比賽會變快 | 替代指標不等於表現 | 降低期待，等真實表現研究 |
| 研究由賣該產品的廠商全額贊助 | 潛在利益衝突 | 心裡放把尺，找獨立研究對照 |
| 標題與內文口氣像廣告、無任何限制 | 通常過度簡化 | 直接找「限制」段補課 |
這張表我建議你存起來，下次滑到聳動的運動科學貼文，對照一下，很多噱頭會當場現形。
常見陷阱與修正
帶學員讀文獻這些年，我發現大家最常踩的坑就那幾個。我把它們列出來，並附上「修正的問法」。
陷阱一：把「相關」當成「因果」
錯誤範例：「研究發現睡越多的跑者受傷越少，所以多睡覺能防受傷！」
問題：這可能只是相關。也許是「本來就自律、訓練安排合理的人」既睡得多、又剛好受傷少，睡眠只是那個「自律」的副產品，不一定是直接原因。橫斷面與世代研究能看到「一起出現」，但很難證明「誰造成誰」。
修正問法：這是觀察到的關聯，還是隨機介入證明的因果？只有 RCT 這類介入研究，才比較有底氣講因果。
陷阱二：只看相對值、忽略絕對值
錯誤範例：「某補給讓受傷風險『下降 50%』！」
問題：如果原本受傷率是 2%、降到 1%，那「相對下降 50%」聽起來很猛，但絕對只差 1 個百分點。要嘉惠 1 個人，可能要一大群人都用。相對風險最會唬人，一定要換算回絕對數字。
修正問法：那絕對差多少？我要投入多少（金錢、時間、副作用）才換到這點好處？
陷阱三：小樣本 + 挑數據（p-hacking）
問題：一個研究如果量了一大堆指標——功率、心率、乳酸、主觀疲勞、睡眠、心情——然後只挑「剛好達顯著」的那一兩個出來寫成標題，這叫多重比較問題。測的東西越多，純靠運氣蒙到一個「顯著」的機率就越高。
修正問法：他們一共測了幾個指標？有沒有事先登記研究計畫（pre-registration）？結論是不是只建立在眾多指標裡挑出來的那一個？
陷阱四：用短期替代指標推論長期表現
問題：實驗室測到「乳酸閾值功率上升」不等於「你半年後比賽會更快」。中間隔著訓練轉換、比賽策略、心理、補給執行等一大堆變數。
修正問法：研究量的是實驗室指標，還是真實表現（比賽成績、完賽時間）？兩者之間的橋，作者有沒有幫我搭好？
陷阱五：忽略無反應者，只看平均
問題：前面提過，同一課表有人大進步、有人沒反應。只報平均值會讓你以為「大家都會進步這麼多」，但你有可能剛好是那個無反應者。
修正問法：作者有沒有報告個體差異或反應者比例？我要有心理準備：平均有效，不保證我個人有效。
陷阱六：把「沒達顯著」當成「證明無效」
問題：這是反過來的誤讀。一篇小樣本研究如果「沒測出顯著差異」，很多人會直接說「所以這方法沒用」。但**「沒證據有效」不等於「證明無效」**。人數太少、量測太粗，本來就可能讓真實存在的效果被淹沒在雜訊裡（統計檢定力不足）。
修正問法：是「證明沒效」，還是「這次沒能測出來」？樣本夠大嗎？效果量的方向與大小如何？
陷阱七：倖存者偏誤與挑選過的個案
問題：健身內容最愛講「用了這方法破 PR」的成功故事，卻不會告訴你有多少人用了同樣方法沒效、甚至受傷退出。你看到的都是「活下來、講出來」的那群，這叫倖存者偏誤。
修正問法：那些用了沒效的人在哪裡？這是系統性追蹤所有人的結果，還是只挑成功案例來講？
給不同程度讀者的行動建議
讀論文這件事，不同階段的人需要的深度不一樣。我把建議分成三個層級，你對號入座。
初學者：先建立「懷疑的反射」
你不需要看得懂統計。你只要練成三個反射動作：
- 看到「研究證實」，先問是哪一層證據（金字塔的頂還是底）。
- 看到誇張的百分比，先問絕對值是多少、樣本幾人。
- 看到補劑神效，先查是誰贊助的。
光是這三招，就能幫你過濾掉市面上八成的誇大宣傳。這階段我建議你優先相信統合分析與運動營養學會之類的官方立場聲明，而不是單一新研究的截圖。
進階者：學會讀方法與效果量
如果你已經會騎功率、會看課表，想更上一層：
- 練習只讀摘要與方法段，判斷有沒有對照與隨機。
- 養成「先找效果量、再看 p 值」的習慣。
- 讀論文的「限制」段，訓練自己抓弱點。
- 遇到英文論文，善用免費的 PubMed 摘要與 Google Scholar。
資深者／教練：把文獻放進整體脈絡
如果你在帶人，責任更重，因為你的解讀會影響別人的身體：
- 不要因為一篇新研究就大改所有學員的課表；等它被複製驗證。
- 把「族群適配」放第一：這研究的受試者跟我學員像不像？
- 記住個體差異，保留調整空間，用實際數據追蹤每位學員的真實反應。
- 涉及健康與傷病時用語保守，該轉介就轉介。
另外，資深教練最該提防的是「確認偏誤」——你已經有一套相信的訓練哲學，就容易只挑支持自己的研究、對打臉自己的研究視而不見。我自己對付這件事的辦法是：刻意去讀反對我做法的高品質研究，如果讀完還是被說服要調整，那就調整；如果站得住腳，我的信心也會更紮實。誠實面對證據，是好教練跟固執教練的分水嶺。
一個台灣在地的實用提醒
我們在台灣讀運動與健康研究，還要多一層在地校正。舉幾個例子：
- 氣候：很多耐力研究在溫帶、乾冷環境做。台灣夏天濕熱，同樣的補水與電解質策略未必能照搬，實際情況通常需要更積極的降溫與補水。
- 飲食：國外營養研究常以西式飲食為背景。台灣外食族的三餐結構（便當、麵食、手搖飲）不同，碳水與鈉的攝取模式要自己換算，不能直接套研究裡的克數。
- 就醫環境：這點其實是台灣的優勢。我們有相對可近的健保與運動醫學、復健科資源，遇到反覆疼痛、疑似過度訓練或任何內科警訊，不要拿一篇論文自我診斷，掛號給醫師或物理治療師評估，比你讀十篇研究都可靠。
我常跟學員說：論文是拿來提升你問問題的品質，不是拿來取代專業評估的。 尤其牽涉到身體不適時，這條界線要守得很清楚。
- 場地與器材：許多訓練研究在標準跑步機、風阻訓練台或恆溫實驗室進行。台灣人真實訓練的場景常是河濱車道的逆風、有紅綠燈的市區、濕滑的山路、悶熱的操場。研究裡「乾淨」的條件，換到真實場地要打折看待，數字不能照抄。
- 強度與熱：夏天的隱形稅：台灣的濕熱是一種會偷走表現的「隱形稅」。同樣一份在涼爽環境訂出的間歇強度，到了六到九月的午後，心率往往會比平常同樣配速高出不少，體感也重很多。這時候硬要達到研究裡的「目標功率」，反而容易過度疲勞。我會提醒學員：夏天看研究訂強度時，把「熱」當成一個額外變數，該降就降、該提早補水就補水。
三個帶得走的問題（隨身版）
如果你只想記一件事，就記這張表。這是我要求每位學員看到任何「研究說」時，心裡要跑一遍的三連問：
| 要問的問題 | 在確認什麼 | 沒過關代表 |
|---|---|---|
| 這是哪一層證據？ | 研究設計的可信度 | 只是個案或動物實驗，別當定論 |
| 效果量多大、絕對值多少？ | 實務上值不值得 | 顯著但可能小到沒感覺 |
| 有沒有藏陷阱？ | 相關/因果、贊助、挑數據 | 結論可能被高估或誤導 |
我常跟學員說，練成這三連問，你就贏過大部分只會轉發標題的人了。
常見問答（FAQ）
Q：我英文沒很好，能讀論文嗎？
可以。先從中文的整合型科普、官方立場聲明入手，練習判斷證據層級。真要讀原文時，PubMed 的摘要通常有結構化的背景、方法、結果、結論，配合翻譯工具讀摘要就能抓到七成重點，不必逐字硬啃全文。
Q：一篇新研究推翻了以前的說法，我該信哪個？
通常先信「累積證據」。單一新研究再驚人，也只是拼圖的一片。等它被其他團隊複製出來、或被納入新的統合分析，再考慮調整做法。科學是靠複製驗證慢慢逼近真相，不是靠最新最猛的頭條。
Q：p 值到底要多小才算數？
0.05 只是慣例門檻，不是神聖數字。比起糾結 p 值本身，我更希望你養成看效果量與信賴區間的習慣。一個「剛好 p = 0.049」的結果，不會比「p = 0.051」神奇多少。
Q：那我平常訓練到底該聽誰的？
聽你自己的數據，加上有品質的證據當框架。研究給你方向與範圍，你的訓練日誌、功率、心率、主觀感受告訴你「對你」有沒有用。把研究當地圖，把自己的身體回饋當 GPS，兩個一起用。
Q：補劑研究我怎麼快速判斷可不可信？
三步：一查是不是廠商贊助、二查樣本是不是跟你相似的族群、三查效果量而不是只看有沒有「顯著」。三關過了再考慮，通常就能濾掉大部分噱頭。
Q：統合分析（meta-analysis）是不是就一定最可信？
它在證據層級的頂端，但不是免死金牌。有句話叫「垃圾進、垃圾出」——如果它彙整的那些原始研究本身品質很差、又有發表偏誤（有效的研究比較容易被發表，沒效的常被壓在抽屜裡），那結論一樣會被拉歪。看統合分析時，留意作者有沒有評估納入研究的品質、有沒有討論異質性（各研究結果差多大）。
Q：我很怕看到數字就頭痛，一定要懂統計才行嗎？
不用。這篇從頭到尾沒有要你算任何東西。你要練的是「判讀習慣」，不是「計算能力」。分辨證據層級、看絕對值、查贊助來源，這三件事都不需要算數學，卻能幫你擋掉絕大多數的誤導。統計細節，交給時間慢慢累積就好。
Q：那穿戴裝置（手錶、功率計）廠商的研究呢？
比照補劑處理。先看是不是廠商自己做的、樣本像不像你、效果量大不大。裝置研究還要多留意「量測本身準不準」——如果連感測都有誤差，後面的結論自然要打折。有獨立第三方驗證的，可信度會高一截。
結語
回到開頭那位問我要不要囤甜菜根汁的學員。那天之後，他沒有立刻買，而是自己去查了那篇研究——樣本只有十幾人、都是訓練有素的年輕車手、效果量中等、而且他發現同類研究結果其實有蠻大分歧。他最後跟我說：「教練，我決定先把睡眠和補給練好，這個之後再說。」
那一刻我覺得比他破 PR 還開心。因為他學會的不是某一個訓練法，而是一種能陪他一輩子的判讀能力。在這個「研究證實」滿天飛的年代，會自己讀、自己想、自己保留合理懷疑，才是最強的裝備。
願你從今天起，每次看到聳動標題，都能微笑著先問一句：「這是哪一層證據？效果量多大？中間有沒有陷阱？」——然後才決定要不要相信。
本文為教育性內容，不能取代醫師、物理治療師或營養師的個別診斷與治療建議。涉及任何身體不適、疾病或用藥調整，請務必尋求專業醫療人員的個別化評估。
參考資料
- Hierarchy of evidence（Wikipedia）：https://en.wikipedia.org/wiki/Hierarchy_of_evidence
- Levels of Evidence（UC Davis Library）：https://guides.library.ucdavis.edu/systematic-reviews/levels-of-evidence
- Practical vs. Statistical Significance（Statistics By Jim）：https://statisticsbyjim.com/hypothesis-testing/practical-statistical-significance/