为什么需要一套判断框架
「咖啡致癌」「每天三杯咖啡续命」——这类标题几乎每隔一阵就会刷屏，且常常互相矛盾。原因不在于科学反复无常，而在于不同研究的证据分量天差地别，媒体却往往把它们一视同仁。掌握几条基本的方法论原则，就能在看到一条新闻时迅速判断：这值不值得改变我的喝咖啡习惯？本词条作为「咖啡与健康」板块的导读，提供这套判断工具。
观察性研究 vs RCT
健康研究大致分两类，分量不同：
| 类型 | 做法 | 能说明什么 | 局限 |
|---|---|---|---|
| 观察性研究（observational） | 随访人群、记录其自选的咖啡摄入与健康结局 | 相关性 | 无法证明因果，受混杂干扰 |
| 随机对照试验（RCT） | 把人随机分组、控制干预 | 因果性 | 多为短期、小样本，难做硬终点 |
咖啡领域的多数「喝咖啡更长寿」结论来自观察性研究：它们只能说明「喝咖啡的人」与「某结局」同时出现，不能证明是咖啡带来了好处。而像咖啡因急性升高血压、咖啡醇升高胆固醇这类结论，则有 RCT 支撑，可信度更高。看到一条结论，先问：它是相关，还是因果？
警惕混杂因素
混杂因素（confounder）是观察性研究最大的陷阱。一个经典例子：在不少历史数据中，重度咖啡饮用者也更可能吸烟。如果研究没有充分校正吸烟，就可能把吸烟带来的危害「错记」到咖啡头上，制造出虚假的「咖啡有害」。反过来，爱喝咖啡的人也可能更年轻、更爱社交、收入更高，这些都可能让咖啡「看起来」有益。判断一项研究是否可信，关键看它是否识别并统计校正了这些因素——但即使校正，残余混杂仍无法完全排除。
相对风险 vs 绝对风险
这是被标题党滥用最多的一处。相对风险（relative risk）说的是「增加/减少了百分之多少」，绝对风险（absolute risk）说的是「实际发生概率变了多少」。
举例（数字为说明用的假设）：若某癌症的基线终生风险是 1%，一项研究称某习惯使风险「上升 20%」，听上去骇人，但 20% 是相对值——绝对风险只是从 1% 升到 1.2%，增加 0.2 个百分点。媒体偏爱报道相对风险，因为数字更大、更吸睛。养成习惯：看到「上升/下降百分之多少」，先追问「绝对值是多少」。
一条新闻的快速体检清单
下次刷到「咖啡如何如何」的标题，可依次自检：
- 是研究还是新闻？ 找到原始研究，别只看转述。
- 观察性还是 RCT？ 前者只谈相关。
- 样本与时长？ 几十人几周，还是几十万人随访多年？
- 校正了混杂吗？ 尤其吸烟、年龄、整体生活方式。
- 相对还是绝对风险？ 把吓人的百分比换算成实际概率。
- 单篇还是共识？ 单项研究易翻车，荟萃分析与多研究一致方向更可靠。
把这套框架用熟，再去看《咖啡与心血管代谢健康》《咖啡致癌吗？》这类具体词条，就能分清哪些结论稳健、哪些只是噪声。科学的态度不是非黑即白地相信或否定，而是按证据分量给每条结论一个恰当的权重。