前兩天發的Q姐升學文章意外獲得廣大迴響，沒想到這麼多人對英國的教育有興趣。 因應今天是928教師節，我決定再來詳細解釋一些比較多人提出的疑問，希望對教育話題沒興趣的朋友不要轉台，明天就回歸育兒或裝修或精品了（誤）

#喜歡Q媽英國教育主題的朋友歡迎留言分享啊

首先，文章中提到英國很多小朋友為了準備11+中學升學考，從國小三年級、四年級就請英文/數學家教的大有人在。有網友問：「已經住在英國了，還要請英文家教嗎？就像住台灣請中文家教？」 網友提出的這個問題，我知道絕對沒有惡意，一定很多人都有相同的疑問。 簡單來說，英國的英文考試並不像台灣的國小或國中英文，著重在英文單字/句型/文法；當然這裡的考試也有包含上述幾項，但難度更高更艱深，而且佔比不重。 英國的英文考試，最難的項目在於 #閱讀理解 Reading Comprehension 和 #寫作 Creative Writing or Composition這兩大部分。 其中閱讀理解真的是大魔王，不只要看懂、理解、難的考題甚至還要進一步分析。 用一個更具體的比喻，就好比我們台灣考國文一樣，要看懂理解文言文或古詩，這個要拿高分就有一定的難度了。

所以話題轉回來，如果是英國本地人，在準備考試時也會補英文或是請英文家教嗎？ 答案是肯定的。 當然，如果父母有辦法自己摸索或自己教就自己教、沒辦法就只好外包請老師教。我和DDC的英文都並非第一語言，Q姐的英文程度老早就超越我們，所以英文這考科我們完全舉手投降，就幫她找個家教輔助一下。 而且一般來說啊，數學反而是比較容易在短時間內靠刷題或大量練習而進步的科目，英文則是要考長時間的培養，所以 #從小閱讀習慣養成 是非常非常重要的，沒有大量閱讀，上述的閱讀理解和寫作能力真的會很有限！

———

再來，為什麼我們決定讓Q姐去參加11+考試？ Q姐從四歲多至今一直都是在快樂學習、沒功課（頂多一週一次10分鐘寫完）、沒考試、沒壓力的公立小學就讀。 學校教的內容大致上是跟著全英提供的課綱進度在走（私立小學則是整體超前1-2年）。Q姐從三年級接近四年級開始，學校會依照學習進度和程度來分table，她英文數學一直都是在Top Table，老師也會另外提供更難的試題給她寫； 再加上Q姐自己也很好學，看到難的題目就很興奮，當時我就覺得她適合走「考試」這條路，也許可以挑戰看看去和更多人競爭，目標放在私立中學或是公立重點學校（Grammar school）

我們大可以選擇念不用考試直接分發的公立學校一路到大學，既輕鬆又省錢，陪小孩一起準備考試最累的絕對是爸媽自己。 但我覺得既然現在我們自己還有能力、還有資源、女兒也願意的情況之下，何不讓她嘗試看看自己的潛力可以被開發到哪裡？ 能夠在這個年紀，在不是強壓硬逼的情況之下，慢慢學習處理壓力的能力也是不錯的。 經過這次準備考試的過程，Q姐也知道原來世界這麼大，在英國其他學校、其他區域，存在著更厲害、更優秀、更努力更用功的同儕們。

更何況，以前我考不好還擔心被媽媽罵、考不理想還會被說「一定是妳還不夠用功。」 、到了國中升學期間只能把學了好多年的鋼琴停掉，專心準備聯考。 對比現在，Q姐寫習題寫不好我卻得想法子安撫她的玻璃心，常常都在調整腳步，怕自己給她太大壓力； 音樂、運動部分還是持續在走 (現在她每周都組隊和其他學校打Netball英國女子籃球)，不用為了課業放棄。

「這個年頭的父母，比考生還不好當呀！ ！」

———

最後，有網友想看看英國11+中學升學考究竟在考些什麼？ 其實每間學校的考題、題型、考科都不盡相同，但主要準備的大方向就是四個項目：英文、數學、NVR圖像推理邏輯、VR文字推理邏輯。

我隨手分享一些習題和知名中學的考古題（Past Paper），大家可以一起來看看，以10-11歲、台灣小學五年級的年紀來說，是不是很有挑戰性呢？

#今天應景分享教育文

#祝全天下的老師教師節快樂

#也替自己和DDC身為孩子人生中第一個老師的身份鼓勵鼓勵

《緊箍咒》

上週末，小夥伴傳了即將要on檔的社群layout來，想問問我，A版B版哪個配置更好看。

社群的事，我已逐漸授權給年輕的孩子自己做決定。這麼久的時間下來，也慢慢讓她摸出一點心得和成就感。偶有拿不定主意的文字或設計，她就會來敲敲我的門。

兩孩子在身邊鬼哭神嚎，我快速瞄了一眼排版，想用最快的時間解決，只要不太離譜偏頗，社群梗原本就該奔放。我這個老人家最好別太中二。

然而，下一秒，我感覺到自己的頭腦，規律地發出高速運轉的聲音，像印刷廠趕印明日早報頭條那樣，「A版選色飽合度這麼低，看起來暮氣沉沉，完全沒有節慶感。」，「B版又太活潑一點了吧，主要訊息都被淹沒，眼花撩亂。」

手指開始打字回覆，沒打幾個字覺得速度太慢，切換成語音模式，這下快多了，說出來的話也急火火的，「親愛的，妳要不要試試簡潔的設計，配色用品牌主tone，訊息濃縮成一句話。或發展成社群金句之類。」

要按下enter鍵前，我想起了一件事。整個人停頓在半空中。

在複訓一階時，John曾形容，頭腦與邏輯中心，是強勢的，並不像我們以為的這麼柔弱。聽到這，我在銀幕前，不禁撇了撇嘴，哪有啊？身為這些區域被高度定義的我，從來不覺得自己強勢。也感嘆，白白被啟動了這麼多區域，要做決策的時候，一點忙都幫不上。強勢有屁用。

有了實際發生的例子，我咀嚼John的觀點，這些能量場域之所以強勢，是因為串接頭腦、邏輯的通路屬性，全是個體人與社會人迴路，我們於是依照「自己認為正確」、或「這樣做對於大家都好」的信念，而思考、歸納、與表達。沒在管家族人的感受，我們外顯的觀點，來自於靈光頓悟、事實推敲、歷練驗證，絕少根植於傳遞支持，目的也不在尋求盟友。

所以，有一種好，叫做，我跟你說，這樣做最好，也會讓所有事情步上正軌、一切邁向成熟與進步。

強勢，更可能是一種霸凌。因為，小夥伴的頭腦和邏輯中心，都是開放的。一開始共事時，我驚訝於她的天馬行空，而這些天上奔騰的馬，永遠落不了地，或是落地之後，就變成泥池打滾的驢，久久圈繞不出去。

我曾以為，這個世代的年輕孩子，多半如此。缺乏思考辨證和邏輯分析的能力。她們面對我，也戰戰兢兢，反駁不了幾句又去抄筆記、爬google、忙著回答我一籮筐的問題。

現在，我願意從另外的角度來看待這些差異。我也發現，共事一段時間的團隊與夥伴，最後形成的論述、做出來的作品，就是我的復刻樣板。對此，我曾十分自豪，直到最近重修了一階、又跟著瑪麗安老師練習了四週的覺察，使我願意正視頭腦與邏輯中心的盲點，並展開一個有趣的邏輯中心練習，「把自己非常在意的點，記錄下來。」

所謂在意的點，借用John的解釋，就是你特別容易嗤之以鼻、不以為然、急著辯駁的地方。不記錄還好，一認真觀察，馬上就有以下GY的各點出現，像是：
(1) 天外飛來一筆，沒有事實根據、也缺乏細節執行的想法。
(2) 固鎖或武斷的結論，被告知這件事情只能這麼做，沒有其他彈性空間。
(3) 來龍去脈不夠清楚、正反資訊的陳述失衡。
(4) 跳躍式、非線性推導、太過感性的溝通過程。

這也證明了，我果然是理解迴路相對發達的設計，很愛唱反調，常詰問對方，為什麼？從哪裡推斷得到這個假設？會不會不夠全觀？能不能換一種思考或執行的角度？

哈哈哈，然後對方就會開始焦慮，落入和我一樣，不斷地設立又推翻的迴旋，再多正反佐證都不夠。充分反應了我對於未知、對於徒勞無功、對於被他人挑戰或拒絕的莫須有恐懼。

邏輯中心，是距離能量中心最遠的覺察雷達，如實承接了頭腦中心不斷運轉的壓力，也許能夠發聲(只是未必會被當成救世之音)，但終難發起，只能在不受控制的孫悟空頭上，套上美其名是邏輯思辯，實則是高壓控制的緊箍咒。

回到《區分的科學》，有句話，是這麼說的：「邏輯察覺的價值，並不在於控制，而在於能夠分享獨特的觀點，清楚傳遞生而為人的體驗與可能，在正確的時候滋養與鼓舞他人。」人生中，絕大部分的事，不放手去試，永遠不會知道。也不是所有的問題，經過面面俱到的思量，就會出現兩全其美的解答。

那麼，A版B版，孰優孰劣，它對我而言，是一個決策，我可以用頭腦與邏輯的無敵鐵金剛，輕易找到一百個攻訐點。而，它對小夥伴而言，卻是一個嘗試和體驗。我反問她，妳喜歡哪個版本呢？

她說想換換繽紛的版型，一貫沉穩大器的用色主軸，雖然維持了質感，可是TA的反應沒有那麼好…。

換了以前，我聽到這裡就會開始搬出大道理，是嗎？妳有看過哪些數據證明反應沒那麼好？除了版型之外，有考慮其他變因嗎？妳覺得突然改變風格，會不會有更大的反效果?

然後，我會毀了大家的週末。只為了想要控制未知的恐懼。這些問題的答案，我不知道，就算認認真真推演過，我們最後的選擇，也可能是錯的。

那不如，就從這裡開始放手，讓空白中心的靈活，跳脫長久以來我自以為精準的制約，孫悟空有滔天覆海的本領，該放她躍出我的五指山。外面如何山高海深，她從此會有決斷和領悟。我也用不著當包山包海的如來佛了。苦海無邊啊，讓我們各自到內在權威靠岸吧。

我用剛買的貼圖，回覆了一張小學生比出「鶴」的姿勢，意思是，好，交給妳決定。接著把手機調成靜音，我轉頭對兩小女說，YA，媽媽功課做完了，那我們現在來開下午茶趴踢囉!

無論你是空白中心的靈活悟空，還是能量被定義的高深如來，願大家多多覺察，既不需要對所有的問題照單全收地思考，也不需要事事都在思辨過程中九彎十八拐，該放手體驗時，別瞻前顧後，希望大家，各得自在。

*照片取自網路

💥 20 個 ＃常見的統計錯誤，你犯過，或是犯了卻不知道嗎？⠀
⠀
MedCalc 的作者 Frank，在 Facebook 分享了一篇跟統計相關的文章，叫做「生物醫學研究文章中，連你都可以發現的 20 個統計錯誤」，很有意思。（連結請見原始貼文）
⠀
我（蔡依橙）認真看完後，覺得蠻不錯的，於是把這 20 個統計錯誤的標題翻成中文，協助大家節省時間，如果剛好有興趣的，可再針對該部分去閱讀原文。接著，分享一些我看完之後的想法。
⠀
⠀
1. 數值報告時，提供了不必要的精確。例如 60 公斤體重，硬要寫成 60.18 公斤。
⠀
2. 將連續變項分組，變成次序變項，但沒有說明為什麼這樣分。像是 CRP 不以數值去統計，而分成低、中、高三組，卻沒說明為什麼這樣分。
⠀
3. 配對資料，只報告各組平均，卻沒報告其改變。也就是只報告治療前血壓、治療後血壓，卻沒報告有多少人上升、多少人下降、平均下降多少。
⠀
4. 描述性統計的誤用，尤其該用 median (interquartile range) 的，硬是用成 mean +- SD。
⠀
5. 使用 standard error of the mean (SEM) 描述量測的精確度，而非 95% CI。
⠀
6. 只報告 p 值，卻沒提到差值以及臨床意義。
⠀
7. 誤用統計方式。尤其常見的是混淆有母數跟無母數統計方法。
⠀
8. 使用線性迴歸，卻沒有先確定資料之間是真的有線性關係。
⠀
9. 沒有使用全部的資料，然後又沒把去掉的資料「為什麼被去掉」說清楚。
⠀
10. 多組比較的 p 值校正問題。
⠀
11. 在隨機分組研究時，過於詳盡地比較了兩組受試者的基本資料，像是性別比例、年齡、體重、血壓等等，而且資料好得太奇怪。
⠀
12. 報告檢驗數值時，沒有定義 normal 與 abnormal。
⠀
13. 計算 sensitivity 與 specificity 時，沒有說明一些介在灰色地帶的檢查結果，如何呈現與去除。
⠀
14. 使用圖片與表格，只是為了儲存數據，而非以協助讀者理解為出發點。
⠀
15. 畫出來的數據圖，視覺主觀上給人的印象，竟然跟數據本身不同。
⠀
16. 在報告數據與解讀時，搞不清楚 units of observation 是什麼，例如心臟病的觀察研究，在 1000 個患者中有 18 位心臟病發，那 units of observation 就是 18。但如果這個研究是以診斷正確率為主，那 sample size 就是 1000。
⠀
17. 把不顯著的統計，或 low power，解讀成 negative，而非 inconclusive。
⠀
18. 分不清楚解釋性研究與實務性研究，前者為 explanatory / efficacy / laboratory，後者為 pragmatic / effectiveness / real world。嘗試兩種混著做，結果兩邊都做不好。
⠀
19. 沒有用臨床能理解的方式來報告最終結果。
⠀
20. 把統計的顯著性，當成臨床的重要性。例如：癌症用新藥治療，統計上很顯著的好，但追蹤了五年，患者只延長了七天的壽命。這就是統計有顯著，但臨床意義不大的例子。
⠀
⠀
🗨 我（蔡依橙）的一些想法
⠀
由統計專業人的角度，來看生物醫學發表，是很有警惕意義的，能讓準備發表的朋友，仔細看看自己是不是也犯了相關的錯誤。
⠀
但另一個角度看，作者也提到，這些錯誤在幾乎一半的生物醫學論文上反覆出現！這就代表，其實生物醫學論文要刊登，並不代表我們什麼錯都不能犯，相反地，這 20 個錯誤裡頭，有些就算犯了，也還是能被刊登。
⠀
以我們自己發表，以及過去協助同學的經驗來說，我會認為 2、7、10、14、15，是初學者也 ＃必須理解並避開的，其他的則是發表起步了之後，陸陸續續去注意，在往更高分期刊挑戰時，逐漸進步就行。
⠀
實務上，3 分以下的醫學期刊，幾乎沒有專門的統計查核，你只要能通過「一般同行」的統計知識審查就行。也就是說，我是一個放射科醫師，剛開始起步，投稿到放射科 3 分以下期刊，文章中的統計，只要「＃一般有在做研究的放射科醫師」覺得可以就行，不見得要到「統計專家看過並挑不出毛病」。
⠀
對於初學者如何起步，實務的協助，新思惟規劃了各種類型的研究課程，歡迎有興趣的朋友可以參考。目前正在開放報名中的，有以下三場工作坊，歡迎您瞭解各課程的課綱後，評估挑選最符合您需求的內容，前來上課，讓我們協助您成功起步。
⠀
🟠 2021 / 11 / 7（日）統合分析工作坊
無經費、資源少也能發表，不用 IRB 且免收案的好選擇。
https://meta-analysis.innovarad.tw/event/
⠀
🔵 2021 / 10 / 17（日）臨床研究與發表工作坊
全新改款！跟著國際學者走，讓你寫作投稿都上手。
https://clip2014.innovarad.tw/event/
⠀
🟢 2021 / 10 / 16（六）個案報告、技術發表與文獻回顧工作坊
把臨床上的各種想法，在 PubMed 化作專業生涯上的里程碑。
https://casereport.innovarad.tw/event/
⠀ ⠀
不只是說說而已，我們會舉實例，說明其意義、如何避開，在互動實作過程，實際由各位在自己的電腦上操作，從數據到軟體，從統計到繪圖，一次搞定，並避開常見錯誤，是真正以 ＃初學者起步 為核心的規劃。
⠀
⠀
二十個常見的統計錯誤，與實務寫作時的考量。
🔗 原始貼文 │ https://bit.ly/2WESphu

「孫在陽」直播-數據科學與雲遄運算1.using the data
「孫在陽」直播-數據科學與雲遄運算2.Data cleaning up
大數據分析-統計分析從資料取得，資料清理到視覺化分析。如何做大數據分析?
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT

時間軸
00:00 簡介
03:40 數據科學
09:30 大數據分析與統計分析的差別
13:35 AI是什麼
14:52 圖靈測試 Turing test
17:35 機器學習
20:47 建模
21:58 用線性迴歸做預測
26:46 用羅吉斯迴歸做分類
28:54 其他機器學習
31:28 研究目的
33:21 數據來源的差別
42:58 取得 Azure API for FHIR 數據
01:10:00 資料清理
01:19:48 如何展開資料
01:37:40 描述性統計:樣本個數