朱婉婷

2021年5月12日的《洛杉矶书评》网站上，刊载了克里斯托弗·J·菲利普斯的文章，题为《数字的背后：新冠疫情时代的累加风险》。在文中，菲利普斯对疾病统计学的历史及其意义进行了评析。

统计数据和模型的运用如今非常普遍，从理论上说，我们能够借助这些数据预测自己的健康风险，但所有这些数据却并非精确，它们所针对的，其实并非你的个人健康风险，而是与你在年龄、性别、种族和街区等诸多方面相仿的一群人的累加概率。对统计学这一学科而言，累加的概念是其核心，但累加的过程，同时也是系统地抹除某些信息的过程，换言之，就是在得出数据平均数的同时，你也就抹除了每次单个测量的信息，进而你所得出的数字也与单个观察的情况不同。而在医学领域，被抹除的往往是关乎个人的细节——也就是使你与众不同的地方，而你希望得到医生的关注，也正是因为你认为自己是独特的个人。反过来说，二十世纪的医学统计学想要做的，就是使你将自身与和你共享某些特征的人联系起来，并达成这样的认知，即群体风险就是个人风险，即使前者只是对于风险的估算，并不可避免的既不清晰也不精确。举例而言，你可能与一群人共享某些变量，且平均风险对于所有人来说都一样，但总有一些未被测量的变量能够揭示人与人之间的差异，比如家庭病史或饮食结构可能非常重要，但却不在这些变量的范围之中。而这也正是累加风险与个人风险之间的区别：你可以做测量、看数据并计算疾病风险，但如果并不清楚其在統计学意义上的分布情况（即你在多大程度上接近平均水平），那么你对个人风险的认知就会较低。

所有这些讨论对于新冠疫情来说又意味着什么呢？从正面来看，疫情期间的统计数据、数字模型等，的确为我们的日常决策提供了基本依据：今天要不要出门？出门要避开那些地方？是否乘坐交通工具？乘坐哪种交通工具？有多少人注射了疫苗？疫苗的有效率是多少？不注射疫苗则风险几率有多大？等等。但某种反讽情境依然无可避免：我们所生活的时代，数字模型更优、数据更为易得可靠、治疗也更为有效，但所有这些，都无法抵御人类最古老的威胁之一——流行病。在此前的流行病时期，人们可以一面基于数据统计来吁求公共医疗服务，一面仍然坚信个人对自己染病负有责任：正如有学者在研究1980年代的艾滋病时所发现的，关于流行病的核心叙事之一，就是人们会借助某种既存的道德确信和精神假设来解释谁得病、谁康复。如今，对于个人风险与集体风险的此类区分已经不再为人所熟知，我们也不太会说谁得病、谁康复是因为他/她有着不同的生活习惯或者精神信仰。面对新冠疫情，我们借助统计学能对一般的公共健康状况有更多了解，但与此同时，如果想要知道你的家庭成员或朋友如何才能保证安全，你获得的信息往往是不够的，这大概正是大数据背后的反讽。