——————
编者按 之 ㊀
——————
《 瑞典独树一帜的宽松防疫成功了吗？》作者张柘木先生交给纽约华人资讯网他编译的一篇文章。这篇“另类”观点文章正在美国社交媒体风靡。原作者Yinon Weiss声称，目前几乎全球通用的封锁抗疫政策“有可能最终被称为有史以来最大的医疗和经济失误之一”。
https://twitter.com/yinonw/status/1263501966933549056
这篇文章赢得了众多大V的共鸣：特斯拉老板埃隆·马斯克（Elon Musk）向他的3500万推特关注者标记了它。媒体大亨史蒂夫·福布斯（Steve Forbes）欢呼它为“绝对必读”。
https://twitter.com/elonmusk/status/1265071009482358790
https://twitter.com/SteveForbesCEO/status/1263517767669596161
互联网革命性地改遍了人们接受信息的方式，同时也带来了撕裂人群的同温层效应（二十世纪70年代的一个心理学概念，指群体在决策过程中，由于成员倾向让自己的观点与群体一致，因而令整个群体缺乏不同的思考角度，不能进行客观判断。）。希望我们的读者也能够怀着开放的心态接收到不同寻常的信息。这也是我们愿意刊发不同声音的文章的初衷。
鉴于这篇文章与主流观点大相径庭。我们特别请纽约华人资讯网主笔詹涓撰写了编者按，给读者一个必要的提醒，然后得出自己的判断。（编辑：新约客）
——————
编者按 之 ㊁
——————
从4月份开始，人们开始提出一种可能性：封锁是基于最佳科学和数据的政策方案，还是一种对灾难的应激反应？Yinon Weiss的这篇文章援引部分近期关于COVID-19致死率的数据认为，考虑到其致死率对65岁以下人群并不高，封锁对公共卫生构成了比病毒更大的威胁，这种观点在主张尽快解除封锁的民众和企业主中获得了许多共鸣。
Weiss对部分模型、尤其是伦敦帝国学院模型提出的批评是有其道理的。不过在涉及到流行病学建模时，没有一个模型是完美的，正所谓“垃圾数据进，垃圾数据出”，考虑到华盛顿大学3月份的模型只能使用中国数据，情况就更是如此。对于COVID-19这样一种堪称妖异的新型传染病，人们的认识每天 —— 如果不是每小时 —— 都在更新，以5月的数据去批评3月的政策制订，难免会有马后炮之感。
另外需要注意的是，Weiss引用的关于“死亡率并不高”的主要证据本身也正面临质疑，这篇斯坦福大学John Ioannidis等人的论文选择了12项测量血清流行率的研究，这些研究显示了人群样本中有多少人产生了COVID-19病毒的抗体，再通过将这些研究中的死亡人数除以有抗体的人的估计人数，估算出感染致死率为0.25%到0.4%。批评者认为他纳入的研究有偏倚，比如纳入了本身较年轻的健康献血者的死亡率研究，但未包括最近西班牙的一项血清流行率研究，该研究感染致死率为1％至1.3％ —— 是他结论中最高估值的三倍。
此外批评者还指出实际死于COVID-19的风险更大，因为我们要考虑的不仅是短时间内的死亡风险，而且还要考虑未来18个月左右的死亡风险。这项研究也没有考虑到，如果病毒不受控制，多达80%的人会被感染，而这会导致更多的人因缺乏治疗而死亡。
可以确定的是，随着抗体筛查扩大范围，越来越多无症状感染者浮出水面，COVID-19的死亡率会低于世卫组织在2月份给出的2-3%的数字，随着数据的充实，我们也开始看到必须更加不遗余力地保护养老院里的老人。考虑到封锁必然导致经济停滞和失业，而关于失业率与过早死亡之间的相关性已经有了大量研究，随着美国热点区域形势开始好转，确实有必要基于现有数据调整下一阶段解除封锁的路线图，但人类对于这场疫情的认识还是太有限了，封锁-松绑-再封锁，可能仍将是未来一年的政策主旋律。（纽约华人资讯网主笔詹涓）
https://twitter.com/stephaniemlee/status/1261404852053131264
buzzfeed报道称，John Ioannidis的研究部分由JetBlue航空公司创始人David Neeleman资助，存有不独立嫌疑。不仅如此，科学家之间的幕后电子邮件表明，有2位斯坦福研究人员发现该测试不可靠，并拒绝在这项研究中署名。这项报道早于 Yinon Weiss 文章发表前一个星期，并且在推特中传播很广。但 Yinon Weiss 的文章显示他并未注意到有关其文章所依赖的这项研究引起的广泛争议。（新约客注）
——————————————————————————————————————————————
《恐慌与群体迷思 如何导致了 全球不必要的封锁》
https://m.nychinaren.com/page_forum/task_vtopic/t_421048.html
来源：纽约时间(微信公众号)
编者按 之 ㊀
——————
《 瑞典独树一帜的宽松防疫成功了吗？》作者张柘木先生交给纽约华人资讯网他编译的一篇文章。这篇“另类”观点文章正在美国社交媒体风靡。原作者Yinon Weiss声称，目前几乎全球通用的封锁抗疫政策“有可能最终被称为有史以来最大的医疗和经济失误之一”。
https://twitter.com/yinonw/status/1263501966933549056
这篇文章赢得了众多大V的共鸣：特斯拉老板埃隆·马斯克（Elon Musk）向他的3500万推特关注者标记了它。媒体大亨史蒂夫·福布斯（Steve Forbes）欢呼它为“绝对必读”。
https://twitter.com/elonmusk/status/1265071009482358790
https://twitter.com/SteveForbesCEO/status/1263517767669596161
互联网革命性地改遍了人们接受信息的方式，同时也带来了撕裂人群的同温层效应（二十世纪70年代的一个心理学概念，指群体在决策过程中，由于成员倾向让自己的观点与群体一致，因而令整个群体缺乏不同的思考角度，不能进行客观判断。）。希望我们的读者也能够怀着开放的心态接收到不同寻常的信息。这也是我们愿意刊发不同声音的文章的初衷。
鉴于这篇文章与主流观点大相径庭。我们特别请纽约华人资讯网主笔詹涓撰写了编者按，给读者一个必要的提醒，然后得出自己的判断。（编辑：新约客）
——————
编者按 之 ㊁
——————
从4月份开始，人们开始提出一种可能性：封锁是基于最佳科学和数据的政策方案，还是一种对灾难的应激反应？Yinon Weiss的这篇文章援引部分近期关于COVID-19致死率的数据认为，考虑到其致死率对65岁以下人群并不高，封锁对公共卫生构成了比病毒更大的威胁，这种观点在主张尽快解除封锁的民众和企业主中获得了许多共鸣。
Weiss对部分模型、尤其是伦敦帝国学院模型提出的批评是有其道理的。不过在涉及到流行病学建模时，没有一个模型是完美的，正所谓“垃圾数据进，垃圾数据出”，考虑到华盛顿大学3月份的模型只能使用中国数据，情况就更是如此。对于COVID-19这样一种堪称妖异的新型传染病，人们的认识每天 —— 如果不是每小时 —— 都在更新，以5月的数据去批评3月的政策制订，难免会有马后炮之感。
另外需要注意的是，Weiss引用的关于“死亡率并不高”的主要证据本身也正面临质疑，这篇斯坦福大学John Ioannidis等人的论文选择了12项测量血清流行率的研究，这些研究显示了人群样本中有多少人产生了COVID-19病毒的抗体，再通过将这些研究中的死亡人数除以有抗体的人的估计人数，估算出感染致死率为0.25%到0.4%。批评者认为他纳入的研究有偏倚，比如纳入了本身较年轻的健康献血者的死亡率研究，但未包括最近西班牙的一项血清流行率研究，该研究感染致死率为1％至1.3％ —— 是他结论中最高估值的三倍。
此外批评者还指出实际死于COVID-19的风险更大，因为我们要考虑的不仅是短时间内的死亡风险，而且还要考虑未来18个月左右的死亡风险。这项研究也没有考虑到，如果病毒不受控制，多达80%的人会被感染，而这会导致更多的人因缺乏治疗而死亡。
可以确定的是，随着抗体筛查扩大范围，越来越多无症状感染者浮出水面，COVID-19的死亡率会低于世卫组织在2月份给出的2-3%的数字，随着数据的充实，我们也开始看到必须更加不遗余力地保护养老院里的老人。考虑到封锁必然导致经济停滞和失业，而关于失业率与过早死亡之间的相关性已经有了大量研究，随着美国热点区域形势开始好转，确实有必要基于现有数据调整下一阶段解除封锁的路线图，但人类对于这场疫情的认识还是太有限了，封锁-松绑-再封锁，可能仍将是未来一年的政策主旋律。（纽约华人资讯网主笔詹涓）
https://twitter.com/stephaniemlee/status/1261404852053131264
buzzfeed报道称，John Ioannidis的研究部分由JetBlue航空公司创始人David Neeleman资助，存有不独立嫌疑。不仅如此，科学家之间的幕后电子邮件表明，有2位斯坦福研究人员发现该测试不可靠，并拒绝在这项研究中署名。这项报道早于 Yinon Weiss 文章发表前一个星期，并且在推特中传播很广。但 Yinon Weiss 的文章显示他并未注意到有关其文章所依赖的这项研究引起的广泛争议。（新约客注）
——————————————————————————————————————————————
《恐慌与群体迷思 如何导致了 全球不必要的封锁》
https://m.nychinaren.com/page_forum/task_vtopic/t_421048.html
来源：纽约时间(微信公众号)
相关主题
