❶ 核心問題

未來的資訊能否在正常因果可及之前被取得？

本頁探討一個科學框架所能提出的最非凡主張之一：在時間 t_1 才確定其內容的資訊，是否有可能在更早的時間 t_0 被某系統以統計顯著的方式取得。此主張之所以非凡，是因為它直接違反了標準因果箭頭──這項原則深植於物理學和生物學的每一個既有分支：因先於果，資訊沿時間向前流動。

在正式討論此主張之前，必須先釐清一個關鍵區分。「預測未來」可以有兩種截然不同的含義：

**一般預測（ordinary prediction）**利用當前資料建立模型並產生預測。氣象學家將目前的大氣觀測值輸入流體力學方程式來預報明天的天氣。西洋棋引擎評估當前棋盤局面並計算未來可能的盤面。羚羊從微妙的視覺和嗅覺線索偵測到潛行的捕食者，在攻擊發生前便奔逃。在每一個案例中，用以產生預測的資訊在當下已經可得──它是現有資料，而非未來資料。這種預測固然令人印象深刻，但不需要違反因果律。

非凡預測（extraordinary prediction）──本頁所探討的類型──則牽涉到取得尚未由任何現有原因所決定的資訊。目標事件尚未發生。指定目標的資訊尚不存在於任何物理系統中。無論多麼精密的模型，都無法從現有資料中提取答案，因為答案尚未編碼於宇宙的當前狀態。若某系統在這些條件下能可靠地表現出高於機率的水準，標準的時間因果論述便需要修正。

本頁探討的是第二種預測是否曾被證實。截至撰文時，簡短的答案是：否──尚未達到此主張所要求的證據標準。

範疇區分──E2 與 E4：本頁（E2）問的是：「未來的資訊能否在正常因果可及之前被取得？」這是一個關於特定現象是否發生的經驗問題。時間架構（E4）問的是不同的問題：「在通道內，時間的結構是什麼？」E4 探討的是 ECI 框架中時間排序的理論本質。E2 設計行為測試；E4 檢視時間本身的存有論地位。兩頁相互關聯但處理的是不同的問題。

頁面狀態：本頁歸類為「推測性」，因為核心主張──真正的預知（precognition）確實發生──並無經過嚴格審視後仍存續的已確認經驗支持。可測試性為「直接」，因為此主張可透過直觀的行為實驗來檢驗：呈現一個在受試者鎖定回應之後才產生的目標，並測量回應準確率是否超過機率水準。挑戰不在於設計測試，而在於達到此非凡主張所要求的嚴謹程度。

❷ 具體案例

一般預測：令人印象深刻但並不神祕

人類和其他動物都是預測機器。大腦的預測編碼（predictive coding）架構（Rao & Ballard, 1999; Clark, 2013）持續產生關於即將到來之感覺輸入的預測，而大量神經處理都致力於偵測這些預測何時出錯。這不是比喻，而是對皮質層級如何處理資訊的計算描述。

一些看似不可思議的一般預測案例：

• 天氣預報利用物理模型從當前觀測值中提取未來大氣狀態。現代的 5 天預報與 1980 年的 1 天預報一樣準確（Bauer et al., 2015）。這是基於現有資料的預測，而非取得未來資料。

• 專家的模式辨識。 西洋棋特級大師在數秒內評估的棋盤局面，新手花數分鐘也無法評估。經驗豐富的醫師從學生遺漏的微妙症狀模式中做出診斷。消防員回報「就是知道」地板即將塌陷。在每個案例中，大量訓練建立了精密的內部模型，從現有線索中提取預測性資訊（Klein, 1998）。這些預測快速且有時是無意識的，但都植基於透過學習模型處理的現有資料。

• 動物預警。 在許多文化中，動物在地震前行為異常的報告廣為流傳。所提出的機制完全是尋常的：動物可能偵測到 P 波（其傳播速度比具破壞性的 S 波更快）、次聲波、地下水化學變化，或微妙的電磁前兆（Wikelski et al., 2020）。這些都是現在式的物理訊號，而非未來資訊。

• 無意識線索偵測。 Iowa 賭博作業（Iowa Gambling Task）（Bechara et al., 1997）顯示，受試者在能有意識地說出哪些牌堆不利之前，便已對「壞」牌堆產生皮膚電反應。這看起來像是對未來的直覺，但實際上是自主神經系統偵測到近期經驗中的統計模式──現有資料，在意識覺察閾值之下被處理。

以上每一個案例都是基於現有資訊的預測。 預測可能是快速的、無意識的、且準確得令人印象深刻，但用以產生預測的資訊在預測當時就已經可得。這些案例中沒有任何一個需要或提供了取得尚未確定之資訊的證據。

「算命師」主張：一個假說，而非證據

在各種文化和歷史中，某些人聲稱──或被歸因為──能預見尚未發生的事件。神諭、先知、算命師和占卜者幾乎出現在每一個人類文明中。這些文化敘事是關於人類信念和實踐的真實資料。但它們不是所描述能力為真的證據。

預知主張的文化普遍性告訴我們一些關於人類認知的重要訊息：我們覺得預見未來這個想法極為引人注目。認知科學（cognitive science）提供了充分支持的解釋（Kahneman, 2011）：

• **確認偏誤（confirmation bias）**確保準確的預測被記住，而不準確的預測被遺忘。一位做出 100 個預測、其中 5 個成真的算命師，會因那 5 次命中而被記住。
• 巴納姆效應（Barnum effect）（Forer, 1949）證明，人們會接受模糊、籠統的人格描述，認為它們獨特地適用於自己。大多數算命都依賴足夠籠統以適用於幾乎任何人的陳述。
• **後見之明偏誤（hindsight bias）**導致人們事後調整對預測的記憶，使其更符合結果。「我早就知道會那樣」是一種常見且充分記錄的認知扭曲（Fischhoff, 1975）。
• **基率忽略（base rate neglect）**導致人們過度看重某個正確預測的驚人程度，而不考慮做了多少錯誤預測或該結果純憑機率發生的可能性有多高。

文化中的預知主張是待檢驗的假說，而非待解釋的證據。對「每個文化都有算命師」的正確科學回應不是「預知是怎麼運作的？」而是「在控制條件下，預知究竟會不會發生？」這是非常不同的問題，混淆它們是確認偏誤的溫床。

❸ 已確立的科學

三組既有知識與評估預知主張直接相關：統計檢定方法論、超心理學的重複驗證紀錄，以及異常信念的認知科學。

統計檢定方法論（已確立）

評估任何聲稱的預測未來事件能力都需要嚴格的統計檢定。核心原則是已確立且無爭議的：

虛無假設檢定（null hypothesis testing）。 任何預知測試的虛無假設是受試者表現處於機率水準。對於二元強迫選擇作業（例如：「目標會在左邊還是右邊？」），虛無假設指定命中率為 0.5。檢定問的是：觀察到的命中率是否與 0.5 足夠遠，以至於我們可以拒絕虛無假設？

多重比較校正（multiple comparison corrections）。 如果你測試許多受試者、許多試次或許多結果指標，有些會純粹因機率而產生極端結果。在 N 個獨立檢定中，至少有一個產生極端結果（達到 p_extreme 閾值）的機率為：

P(at least one extreme result) = 1 - (1 - p_extreme)^N

這就是多重檢定陷阱。如果你以 p_extreme = 0.05 測試 1,000 人，預期約有 50 人純粹因機率而達到或超過 p < 0.05 的閾值。如果你接著公布這 50 個「命中」而不提 950 個「未命中」，結果看起來令人印象深刻，但完全符合虛無假設。每當進行多重檢定時，多重比較校正──Bonferroni、Benjamini-Hochberg 或類似程序──是強制性的（Benjamini & Hochberg, 1995）。

效果量與統計檢力（effect size and power）。 統計顯著性本身並不足夠。一個效果量極小的統計顯著結果（例如命中率 = 0.501 而非 0.500）在統計意義上可能是「真的」，但在實務意義上毫無意義。相反地，統計檢力不足的研究可能無法偵測到真正的效果。適當的實驗設計需要事前的檢力分析（prospective power analysis）：在收集資料之前，計算需要多少受試者和試次才能以足夠的機率偵測到指定大小的效果（Cohen, 1988）。

預先註冊（preregistration）。 探索性研究與驗證性研究的區分至關重要。探索性分析──在資料中搜尋有趣的模式──對於產生假說很有價值。但探索性發現必須接著在獨立的、預先註冊的驗證性研究中進行檢驗。在預先註冊的研究中，假說、樣本數、停止規則和分析計畫在資料收集開始之前便已指定並公開紀錄。這防止了 p 值操弄（p-hacking）、可選停止（optional stopping）和事後假說選擇──這些都會膨脹偽陽性率。

超心理學的重複驗證紀錄（已確立：重複驗證失敗）

最著名的現代預知研究計畫是 Daryl Bem 的「感知未來」（Feeling the Future）（Bem, 2011），報告了九項實驗，其中受試者似乎在刺激呈現之前便對刺激做出反應。該論文發表於 Journal of Personality and Social Psychology，引起了巨大關注。

隨後的重複驗證紀錄才是評估此主張的關鍵：

• Ritchie, Wiseman, & French (2012) 對 Bem 最穩健的實驗（逆向促發）進行了三次預先註冊的重複驗證。均未重現原始效果。
• Galak, LeBoeuf, Nelson, & Simmons (2012) 進行了七項實驗（總 N > 3,000），嘗試重現 Bem 的結果。在所有實驗中均未發現預知的證據。他們的後設分析效果量估計值與零無法區分。
• Wagenmakers, Wetzels, Borsboom, & van der Maas (2011) 使用貝氏方法（Bayesian methods）重新分析 Bem 的原始資料，發現在套用適當先驗機率後，證據壓倒性地支持無預知的虛無假設。
• 一項大規模、透明的重複驗證計畫（N > 26,000 名參與者、> 420,000 試次）在預先註冊的驗證性測試中未能重現 Bem 原始預測的預知效果。初步發現似乎與彈性分析實務和發表偏誤的結合一致，而非真正的現象。

更廣泛的模式。 Bem（2011）是最著名的近期案例，但它符合超心理學研究長達數十年的模式。Rhine 在 1930 至 1960 年代的猜卡實驗、Honorton 在 1970 至 1980 年代的超感官剝奪研究（ganzfeld studies），以及各種其他典範，都遵循了類似的軌跡：在寬鬆控制下的初始正面結果，隨後在控制收緊和獨立重複驗證嘗試中效果遞減或歸零（Alcock, 2003; Hyman, 1985; Hansel, 1980）。

這告訴我們什麼。 重複驗證紀錄並未證明預知不可能。它證明了沒有任何預知效果能經受住此主張所要求的審視水準。 這是一個關鍵區分。證據的缺席不是缺席的證明──但當多次統計檢力充足、預先註冊的尋找證據嘗試都得到空結果時，理性的回應是對此主張賦予極低的機率，同時對未來的證據保持開放。

異常信念的認知科學（已確立）

認知心理學（cognitive psychology）的研究解釋了為什麼即使缺乏預知的證據，人們仍然相信預知：

• 虛幻相關（apophenia）──在隨機資料中感知有意義模式的傾向──是人類認知中充分記錄的特徵（Brugger, 2001）。當人們遇到隨機序列時，他們系統性地低估巧合的機率，並高估叢集和模式的意義性。
• 連結謬誤（conjunction fallacy）（Tversky & Kahneman, 1983）證明，人們會判斷具體、生動的情境比一般情境更可能發生，即使這違反了基本機率理論。一個關於特定事件的生動預知夢感覺比模糊的不安更重要。
• **選擇性記憶（selective memory）**確保預感「成真」的少數幾次被生動地記住，而預感失敗的多次被遺忘。經過一生的時間，這在大量預測樣本上產生確認偏誤的作用，創造出強烈的主觀預知能力印象，而這完全可被確認偏誤所解釋。

狀態：充分確立。產生預知信念的認知機制已被徹底記錄和實驗確認。它們不能證明預知為假，但提供了一個完整的解釋，說明為什麼即使預知不存在，預知信念仍然普遍。

❹ ECI 框架詮釋

SPECULATIVE ── 本節的所有內容都超出了當前科學證據的範圍。此處不應被解讀為關於世界如何運作的主張。這是對 ECI 框架在其推測性前提為正確的情況下會預測什麼的形式化闡述。

一般預測與非凡預測：ECI 劃線的位置

ECI 框架明確區分兩種預測類型，且主要關注第二種：

Type O（一般型）。 現有資料 -> 模型 -> 預測。資訊在預測時已可得。模型可以是顯式的（天氣模擬）或隱式的（由經驗訓練的神經網路）。預測可以是有意識的（書面天氣預報）或無意識的（基於模式辨識的直覺）。在每個案例中，用以產生預測的資訊在預測時因果上已可得。ECI 對 Type O 預測沒有新穎的見解──既有科學已充分解釋。

Type X（非凡型）。 在 t_1 > t_0 才確定的資訊在 t_0 以統計方式可及。目標尚未產生。宇宙中沒有任何物理系統在回應時編碼了目標。若某系統在這些條件下能可靠地表現出高於機率的水準，標準因果論述便需要修正。

ECI 的推測性立場是：此框架容許 Type X 預測的可能性，但並未主張它確實發生。具體而言：

如果 ECI 的通道（Channel）模型是正確的（參見通道，B1），且如果通道內的時間排序是該通道維度架構的湧現屬性（emergent property），而非現實的基本特徵，那麼嚴格的因果箭頭（因先於果、資訊僅向前流動）可能是我們特定通道的屬性，而非普遍定律。在此詮釋下，Type X 預測不會違反因果律本身──它會違反某個特定通道的因果結構，暗示從時間排序結構不同的領域發生了洩漏。

這純屬推測。 沒有支持它的證據。之所以在此呈現，是為了明確說明 ECI 框架若被推到其邏輯極端會預測什麼，以便該預測可以被檢驗，且極有可能被否證。

多重檢定公式：為什麼機率本身就會產生「預知」

要理解為什麼即使沒有預知，預知主張仍然會出現，考慮一個簡單的玩具模型。

假設你讓 N 個人進行一項二元預測作業（例如：「預測下一張圖片會是愉快的還是不愉快的」），每人 k 次試次。在虛無假設（無預知）下，每個人的命中率遵循機率 p = 0.5 的二項分佈（binomial distribution）。

單一個人的命中率純因機率而達到或超過某閾值 h_extreme 的機率為：

p_extreme = P(hits >= k * h_extreme | p = 0.5) = sum from j = ceil(k * h_extreme) to k of C(k, j) * 0.5^k

N 人中至少一人純因機率而達到此極端命中率的機率為：

P(at least one extreme) = 1 - (1 - p_extreme)^N

具體數字：若 k = 100 次試次且 h_extreme = 0.60（60% 準確率），則 p_extreme 約為 0.028。若你測試 N = 100 人，P(at least one extreme) = 1 - (1 - 0.028)^100 = 約 0.94。你的 100 位受試者中，至少有一人純因機率而達到 60% 或更高準確率的機會為 94%。測試 1,000 人，你幾乎可以保證找到幾位看起來具有預知能力的人。

這不是一個次要的統計註腳。它是預知研究中的核心方法論挑戰。 任何從初始篩選中辨識「天賦」受試者、然後報告其分數而未校正篩選過程的研究，在方法論上都是無效的，無論個別分數看起來多麼令人印象深刻。

ECI 的推測性延伸

如果 ECI 的通道架構及其關於非固定時間排序的推測性概念是正確的，該框架會對預知做出什麼預測？

誠實的答案是：非常少具體的預測。ECI 最多能說的是：

1. 如果時間取得是可能的，它將是一個極其微弱的統計效果──回應分佈中的輕微偏移，而非戲劇性的能力。
2. 此效果（若存在）可能受被測試系統的協調複雜度所調節（在 ECI 的記號中為較高的 V 和中等的 kappa，見 C1）。
3. 個體差異會產生一個分佈，其中某些人得分較高、某些人較低──這恰好也是機率本身會產生的模式（見上述多重檢定公式）。

第 3 點至關重要。 「某些個體會得分較高」的預測不是有意義的科學預測，因為這也是虛無假設的預測。ECI 若沒有極大的樣本、預先註冊的方案以及分離的發現/驗證階段，便無法區分其預測的訊號與機率變異的雜訊。該框架對此限制是誠實的。

❺ 如果這是真的⋯⋯

如果真正的 Type X 預測曾被證實──如果在 t_1 才確定的資訊被證明在 t_0 以統計方式可及，且條件嚴格排除了所有替代解釋──其後果將是科學史上最深遠的之一。

因果律將需要改寫。 標準因果框架假設結果在時間上跟隨原因。此假設深植於物理學的每一個分支（熱力學、電動力學、廣義相對論、量子場論）以及實驗科學的哲學基礎（Pearl、Woodward 等人的介入式因果理論）。證實真正的時間資訊取得不僅僅是為物理學添加一個註腳，而是需要修正因果推理的基礎結構。

記憶與預知之間的區分將會崩解。 如果資訊能逆時間流動，過去與未來之間的不對稱性便成為我們特定物理情境的局部特徵，而非普遍定律。記憶（取得過去資訊）和預知（取得未來資訊）都將是時間資訊取得的實例，僅在方向上有所不同。記憶與預見之間深刻的主觀不對稱性──一個感覺自然、另一個感覺不可能──將是我們神經架構的特徵，而非現實的特徵。

實驗科學本身將受到影響。 控制實驗的邏輯假設未來結果尚未確定且不能影響當前狀態。如果此假設是錯誤的，假設檢定、隨機對照試驗和因果推論的整個框架都需要重新審視──不一定是拋棄，但肯定需要對關於時間排序的隱藏假設進行仔細審查。

這些後果都未被觸發，因為該現象尚未被證實。 本節的存在是為了明確說明什麼是利害攸關的，以便讀者理解為什麼接受預知主張的證據門檻必須相應地高。關於因果律的非凡主張需要非凡的證據──不是因為科學家天性保守，而是因為接受偽陽性的推論和實務後果將會極其巨大。

❻ 如何測試？

關於預知主張的好消息是它們可以直接測試。壞消息是這類測試的歷史充斥著產生模稜兩可結果的不充分方案。本節描述一個旨在避免最常見陷阱的方案。

核心方案：具有時間隔離的獨立隨機強迫選擇

設計嚴謹預知測試的關鍵洞察是：目標必須在受試者回應時確實是未確定的。 這意味著：

1. 受試者的回應先被記錄並鎖定。 受試者做出預測（例如「左」或「右」），且回應在任何目標產生之前被寫入不可變的、帶時間戳的日誌。

2. 量子隨機數產生器（QRNG）或獨立種子的硬體/密碼學隨機化系統在之後產生目標，僅在回應鎖定後才產生。 目標由量子隨機數產生器（QRNG）產生，或者在 QRNG 不可用時，由獨立種子的硬體或密碼學隨機化系統產生──核心要求是回應鎖定後的獨立目標產生且無資訊洩漏，而非特指量子隨機性。QRNG 是首選，因為偽隨機數產生器（PRNG）是確定性演算法：其輸出完全由種子狀態決定，而種子狀態在試次開始前已存在。使用 PRNG 意味著目標資訊在技術上先於受試者的回應而存在，造成使測試無效的漏洞。根據量子力學，QRNG 的輸出在量子測量發生前是真正未確定的。獨立種子的硬體隨機數產生器（例如基於熱雜訊的），其種子僅在回應鎖定後才產生，在 QRNG 硬體不可用時提供較弱但可接受的替代方案。

3. 受試者與 QRNG 之間的物理隔離。 QRNG 必須與受試者物理隔離──理想情況下在不同的房間或建築中，在回應鎖定之前受試者環境與 QRNG 環境之間沒有電子通訊。這防止了任何可設想的現時資訊洩漏。

4. 不可變的帶時間戳日誌。 受試者的回應和 QRNG 的目標都必須以密碼學時間戳記錄（例如區塊鏈錨定或可信第三方時間戳），使事後無法更改任何紀錄。這防止了對 QRNG 輸出的「目標在技術上先已存在」論點，也防止了對回應紀錄的任何追溯修改。

5. 自動化、實驗者盲操作。 實驗者在試次期間不得知道目標。理想情況下，整個試次序列是自動化的，在受試者的回應和目標產生之間沒有人類介入。

發現與驗證：強制分離

這是預知研究中最重要的單一方法論要求，也是最一貫被違反的要求。

發現（探索性）和驗證（驗證性）階段必須嚴格分離：

• 發現階段：測試一大樣本的受試者。辨識那些得分超過指定閾值的人。此階段產生假說（「247 號受試者可能具有高於機率的表現」），但什麼也不能證明，因為多重檢定公式保證某些受試者會純因機率而得高分。

• 驗證階段：僅取發現階段中辨識出的受試者。在新的場次中、以新的試次集、使用預先註冊的方案（假說、樣本數、停止規則和分析計畫在資料收集前指定）再次測試他們。只有驗證階段的表現才算作支持或反對預知的證據。

此分離必須是密不透風的。發現階段的資料不能與驗證階段的資料在主要分析中合併。驗證階段的假說必須在驗證資料收集開始前註冊。在這一點上沒有彈性：合併發現和驗證資料，或在看到驗證結果後調整驗證假說，會使整個程序無效。

由獨立實驗室進行的預先註冊重複驗證

即使單一實驗室在驗證階段獲得正面結果，在獨立重複驗證之前也不應接受該結果。「獨立」意味著：

• 不同的實驗室、不同的實驗者、不同的 QRNG 硬體。
• 在資料收集前商定的預先註冊重複驗證方案。
• 基於原始效果量估計的檢力分析來決定重複驗證樣本數。
• 所有資料無論結果如何都公開可得。

心理學的重複驗證危機（Open Science Collaboration, 2015）已證明，在單一實驗室中報告的效果經常無法在其他地方重現。對於像預知這樣非凡的主張，重複驗證要求是不可談判的。

所需專業

任何嚴肅的預知研究計畫至少應涉及：

• 實驗心理學家：設計行為方案、控制需求特性、感覺洩漏和反應偏誤。
• 生物統計學家：指定統計分析計畫、進行檢力分析、實施多重比較校正，並使用頻率主義和貝氏方法評估證據。
• 後設科學/重複驗證專家：確保預先註冊完整、發現/驗證分離得以維持、方案符合當前可重複性的最佳實踐，以及研究在資料收集前已在公開試驗登錄中註冊。
• 比較認知研究者：如果方案擴展到非人類動物（這可以提供較少受需求特性和文化期望汙染的證據），動物行為測試的專業知識是必需的。

正面結果會是什麼樣子

真正的正面結果需要：

1. 驗證階段（而非發現階段）中高於機率的表現。
2. 效果量的信賴區間排除零。
3. 貝氏分析（Bayesian analysis）產生的貝氏因子（Bayes factor）強烈支持預知假說而非虛無假設（例如 BF > 100）。
4. 至少由兩個實驗室獨立重複驗證。
5. 在對抗性審查後未發現方法論人為結果。

負面結果會是什麼樣子──以及它意味著什麼。 如果統計檢力充足、預先註冊的測試一致發現表現與機率水準無法區分，理性的結論是所聲稱的效果在可偵測的水準上不存在。這不能證明預知在原則上不可能，但它意味著如果預知存在，它太微弱而無法在科學上有用，甚至無法用當前方法在科學上被偵測到。

❼ 連結到其他節點

-> 觀察者壓縮（D4）：D4 確立了每個觀察者都會壓縮現實──投影 Pi_O 是有損的。如果時間資訊是觀察者投影所壓縮的維度之一，那麼時間的表面上單向性（我們記得過去但不記得未來）可能是我們壓縮方案的特徵，而非現實本身的特徵。D4 提供了形式化框架（觀察作為壓縮）；E2 問的是時間壓縮具體而言是否可能不完整或有洩漏。D4 的核心主張有充分支持；E2 的延伸是推測性的。

-> 跨通道取得（E1）：E1 檢視資訊是否能跨越通道邊界的一般問題。E2 是一個特定案例：如果時間排序是特定通道的特徵，那麼取得未來資訊便是一種跨通道取得的形式──觸及在當前通道的時間結構中因果上不可及的資訊。E1 提供了評估非凡資訊取得主張的一般四層框架；E2 將該框架應用於時間案例。兩者都是推測性的。如果 E1 的結論是跨通道取得不會發生，那麼 E2 的時間版本也不會發生。

-> 靈魂假說（E3）：E3 問的是資訊向量是否能獨立於其物理載體而持續存在。如果時間取得是可能的，它可能涉及不受限於當前時刻物理基質的資訊結構──與 E3 關於基質獨立性問題的連結。兩個主張都是推測性的。連結在於 E2 和 E3 挑戰了標準物理論述的不同面向：E2 挑戰時間排序，E3 挑戰基質依賴性。兩者都沒有經驗支持。

-> 時間架構（E4）：E4 問的是「在通道內，時間的結構是什麼？」──一個關於時間排序之存有論地位的理論問題。E2 問的是「未來的資訊能否被取得？」──一個關於特定現象是否發生的經驗問題。此區分很重要：E2 可以在不解決 E4 的情況下被回答（否定地），而 E4 可以在沒有任何正面 E2 結果的情況下在理論上被探索。E4 提供了理論脈絡，在此脈絡中正面的 E2 結果（如果曾經出現）需要被詮釋。E2 為 E4 的理論分析提供了潛在的經驗輸入。

❽ 數學細節

二元強迫選擇預知測試的虛無假設（已確立的統計學）

在二元強迫選擇作業（兩個等機率結果）中，虛無假設為：

H_0: p = 0.5

其中 p 是受試者在任何給定試次中回應與目標匹配的機率。

在 H_0 下，k 次試次中的命中數遵循二項分佈：

P(X = j | H_0) = C(k, j) * 0.5^k

其中 C(k, j) = k! / (j!(k-j)!) 為二項係數（binomial coefficient）。

對於大的 k，二項分佈可以用平均數 mu = k/2、標準差 sigma = sqrt(k)/2 的常態分佈良好近似。受試者的 z 分數為：

z = (observed hits - k/2) / (sqrt(k)/2)

標準顯著性檢定問的是 |z| 是否大到足以在指定的 alpha 水準下拒絕 H_0（例如 alpha = 0.05，對應於雙尾檢定的 |z| > 1.96）。

狀態：標準頻率主義統計學。此處無新穎或有爭議之處。

多重檢定校正（已確立的統計學）

當進行 N 個獨立檢定時，至少有一個純因機率而超過顯著性閾值的結果之機率為：

P(at least one false positive) = 1 - (1 - alpha)^N

對於 alpha = 0.05 和 N = 20：P = 1 - 0.95^20 = 約 0.64。在 alpha = 0.05 下進行 20 個獨立檢定，至少有一個偽陽性的機率為 64%。

Bonferroni 校正將每次檢定的顯著性水準調整為 alpha/N，確保族群錯誤率（family-wise error rate）維持在 alpha。對於 N = 20 和 alpha = 0.05，每個個別檢定必須達到 p < 0.0025 才能被宣告為顯著。這是保守的（它控制的是即使一個偽陽性的機率），但被廣泛使用。

Benjamini-Hochberg 程序（Benjamini & Hochberg, 1995）控制的是偽發現率（false discovery rate, FDR）而非族群錯誤率。它較不保守且更有檢力，適合在某些偽陽性可接受、只要偽發現的整體比例受到控制的情況下使用。

應用於預知篩選：如果一項研究篩選了 1,000 名受試者並辨識出前 50 名表現者進行進一步測試，發現階段的結果完全符合虛無假設，除非隨後的驗證階段（使用預先註冊的方案和獨立資料）確認高於機率的表現。篩選本身不能證明任何關於預知的事情，無論前幾名的發現階段表現看起來多麼令人印象深刻。

貝氏分析：貝氏因子（已確立的統計學）

貝氏分析提供了虛無假設顯著性檢定的替代方案，直接比較兩個競爭假說的證據：

BF_10 = P(data | H_1) / P(data | H_0)

其中 H_0 是虛無假設（p = 0.5），H_1 是替代假說（p 在指定方向上偏離 0.5）。貝氏因子 BF_10 = 100 意味著資料在 H_1 下的機率是在 H_0 下的 100 倍。

Wagenmakers et al.（2011）將此方法應用於 Bem（2011）的原始資料，發現貝氏因子接近 1（H_0 和 H_1 的證據大致相等）或偏向 H_0，取決於 H_1 的先驗機率選擇。這說明了一個關鍵要點：在套用合理先驗機率的貝氏分析下，Bem 結果在頻率主義檢定下的表面統計顯著性大致消失了。

為什麼貝氏分析在此很重要：對於非凡主張，H_1 的先驗機率非常低。貝氏分析自然地納入了這一點，要求資料必須相應地強大才能克服低先驗。頻率主義顯著性檢定不納入先驗機率，這就是為什麼預知研究中「顯著」的 p 值所承載的證據份量低於同一 p 值用於一般假說時的份量。

關鍵引用文獻

| Reference | Result | Relevance to E2 | |---|---|---| | Bem (2011) | 報告了九項暗示預知效果的實驗 | 著名的正面主張；隨後的重複驗證未能重現 | | Ritchie, Wiseman, & French (2012) | 對 Bem 的逆向促發進行三次預先註冊的重複驗證；虛無結果 | 直接未能重現 Bem 最穩健的實驗 | | Galak et al. (2012) | 七項實驗（N > 3,000）嘗試重現 Bem；虛無結果 | 大規模重複驗證失敗；後設分析效果量與零無法區分 | | Wagenmakers et al. (2011) | 對 Bem 資料的貝氏重新分析；貝氏因子偏向虛無假設 | 證明表面顯著性在貝氏分析下消失 | | Open Science Collaboration (2015) | 大規模重複驗證計畫；許多已發表的心理學效果未能重現 | 與非凡主張相關的重複驗證危機的更廣泛脈絡 | | Benjamini & Hochberg (1995) | 偽發現率控制程序 | 篩選研究中多重檢定的必要統計校正 | | Cohen (1988) | 檢力分析方法論 | 決定預知測試中適當樣本數的基礎 | | Rao & Ballard (1999); Clark (2013) | 預測編碼：大腦作為預測引擎 | 解釋一般預測而不需要取得未來資訊 | | Bechara et al. (1997) | Iowa 賭博作業：在有意識覺察之前的無意識風險選擇學習 | 證明無意識模式辨識（一般預測）而非預知 | | Klein (1998) | 專家中的辨識引導決策 | 解釋專家「直覺」為對現有資料的快速模式匹配 | | Kahneman (2011) | 認知偏誤：確認偏誤、後見之明偏誤、基率忽略 | 解釋為什麼即使預知不為真，預知信念仍然持續 | | Forer (1949) | 巴納姆效應：接受模糊人格描述為個人準確的 | 解釋算命的有效性而不需要預知能力 | | Fischhoff (1975) | 後見之明偏誤：對已記憶預測的追溯調整 | 解釋為什麼過去的「預測」看起來比實際更準確 | | Brugger (2001) | 虛幻相關：在隨機資料中感知模式的傾向 | 解釋在隨機事件中的主觀預知體驗 | | Alcock (2003); Hyman (1985); Hansel (1980) | 超心理學回顧：控制收緊時效果遞減 | 預知主張在審視下失敗的歷史模式 |