费尔瑞·卡许曼（Fiery Cushman）：哈佛大学心理学助理教授。
许多科学家都误认为通过两个步骤就能够获得成功：识别出一个有影响力的现象，然后为其找到合理的解释。在这个方法背后还隐藏着另外一个理论，那就是非同一般的现象都有不同凡响的解释。相较于现象本身，科学家对解释这种现象的兴趣更大，牛顿会出名不是因为他向世人展示了苹果和其他物体都会坠落，而是解释了这些物体坠落的原因。如果这个隐含的理论是错误的，那么很多人都找错了通向成功的方法。
当然，也有一些貌似可信、有影响力的现象可以作为研究对象：很多小的相互交叉的解释。当它发生时，这种可替代的选项比错误的目标还要糟糕——这是一个近乎无望的目标。找错了目标只会得到一些微不足道的小发现。但对于那些近乎无望的目标，如果付出非凡努力是可以得到丰硕的研究成果的。
所以，是否对于一些有影响力现象的研究会获得较大的发现，或者得到很多发现呢？对于这个问题，可能不会得到简单的、一致的答案。（这是一个无望的目标！）但我们可以使用一个简单的模型进行合理的推测。
假设这个世界是由三种东西组成的。可以推动的拉杆；推动拉杆可以引发明显的现象；还有隐藏在背后的因果关系，将拉杆和现象连接起来。
为了探索这个“玩具世界”，我在我的笔记本电脑上对其进行模拟。首先，我创建了1 000个拉杆。每个拉杆可以激活1～5个隐藏的机括（200个拉杆仅可以激活第1个机括，另外200个可以激活第2个，以此类推）。在我的模型中，每一种机括，都是从平均值为0的正态分布中提取的。然后，每个被杠杆激活的隐藏机制都会形成一组可观察的现象。所以200个拉杆产生的现象，等于一个取自正态分布的数字，另外200个拉杆的收效等于两个这样的数字之和，以此类推。
这些工作完成之后，我就会得到一个包含1 000个大小不同的数字列表。这些数值中有一些的绝对值很大，有一些则很小（接近于零）。我找出其中最小的50个数值，我很好奇它们中有多少是由一个单一的机括形成的，答案是11/50。然后我又检查了一下，有多少个是由5个机括加总后形成的，答案是6/50。这也就说明小现象几乎没什么解释。
接下来，我又找出其中最大的50个数值（这些数值平均约为最小数值的100倍），并且发现这些数值往往有很多解释。其中的25个有5个解释，每个现象都至少两种解释。这种有单一解释的结果排在整体结果的第103位。这些例子使我的观点变得具体，但其实这个观点可以总结得更简单一些：两个不相关随机变量的标准偏差的总和，大于其中一个随机变量的标准偏差。
所以，如果一个科学家的研究目的非常简单，那在我的模型中，他应该避免选择最大的现象，而应该追求最小的。但他可能会感觉受到了欺骗，因为这种方法只能识别出影响很小的解释。作为一个在简单（很少的几种解释）和有影响力（不同凡响的解释）之间维持平衡的粗糙方法，我计算了试验中不同程度现象的“期望值”——用发现单一原因现象的概率乘以这个问题中代表此现象的数值。你可能已经猜到了，最高的期望值往往出现在数值分布的中间位置。看来，平衡在谦虚中找到了灵魂伴侣。
现在，对于我的这个粗略计算需要进行一些说明。大多数科学家都有能力找出多维度的因果关系机制（有些甚至可以找出5种）。事实上，科学家们研究的因果机制远比我的模型复杂。一种解释可能涉及很多种现象，多重解释相互之间可以进行非线性组合，这些解释之间也可能是相关联的，等等。
不过，这种“我们应该坚定地追求最有影响力的现象的隐含理论”应该被淘汰了。我认为每一个科学家对于这一理论风险都有自己的体会。在我的领域，一直有一个疑问——为什么人们可以接受超速行驶的车辆的可以为了避让五个人而撞上一个人，但不能接受，将一个人丢在车前面来阻止它撞上五个人。这个例子很吸引人，是因为这个现象颇令人深思，但是对于这个现象的解释却平淡无奇。然而，经过多年的跨实验室研究，得到的一个重要的结论就是，这个现象的解释不只有一个。事实上，对于一些有关键点，或是有单一因果关系的小现象的研究，反而能够使我们学到更多的东西。
对有重大发现的科学研究工作的赞美，是很自然的。这种赞美也往往是重要的、合理的，因为这个世界上确实有很多庞大的问题需要那些有野心的科学家去解决。然而科学只能以其最佳的解释速度向前发展。最优雅的事物通常都出现在适度比例的现象中。
