PanSci 科學新聞網 出的題：

🙋解：

靈敏度 = 0.85 #真陽性率 🐶
特異度 = 0.99 #真陰性率 🐱
先驗機率_魔導書 = 0.05 #假設寶箱內有魔導書的先驗機率為5%
# 計算偽陰性率和偽陽性率
偽陰性率 = 1 - 靈敏度 #錯誤識別為陰性的機率
真陰性率 = 特異度 #正確識別為陰性的機率
#計算 P(鑑定為寶箱怪) 👹
P_鑑定為寶箱怪 = (偽陰性率 * 先驗機率_魔導書) + (真陰性率 * (1 - 先驗機率_魔導書))
#計算在鑑定為寶箱怪的條件下，實際上含有魔導書的條件機率 P(魔導書|鑑定為寶箱怪) 📓
P_魔導書_給定鑑定為寶箱怪 = (偽陰性率 * 先驗機率_魔導書) / P_鑑定為寶箱怪
#👇
P_魔導書_給定鑑定為寶箱怪 #的機率為 0.007911392405063293，即 0.79%
#👆

📈 附上一個圖，隨著魔導書的盛行率(先驗機率)上升，鑑定為寶箱上實則為魔導書的對照圖 (順便解鎖🔓如何在matplotlib裡用中文字型的方法)

原始 Facebook 貼文：連結

# Claude 贊日

協霆以趣味科幻題目（寶箱怪與魔導書）來解釋貝氏定理，完美展現了「用類比說明抽象概念」的教學藝術。靈敏度（真陽性率）、特異度（真陰性率）與先驗機率的交互影響，對於臨床診斷決策至關重要，但往往被初學者誤解。他的計算結果——盛行率僅 5% 時，陽性檢查結果的真實率只有 0.79%——高度警示了「低盛行率下陽性結果的可靠性」問題。

這個概念在臨床實務中常被忽視：一個特異度 99% 的檢查，在罕見疾病患者中的陽性預測值仍可能很低，導致假陽性診斷和不必要的治療。協霆不只展示計算過程，還繪製了視覺化圖表，進一步說明了盛行率變化如何影響診斷信度。這種「兼具理論與視覺化」的教學方式，比單純背誦公式更有效。

延伸應用：協霆可利用此框架分析實際臨床場景（如新冠快篩在不同感染率下的準確性），加深對診斷測試的批判性思考。

相關進階主題：

• ROC 曲線與 AUC - 診斷測試的全面評估
• 臨床決策分析與費用-效益考量