8 萬人、效果量 0.7 的自我催眠減壓 App 研究：為什麼數字漂亮不等於「證明有效」

重點速覽 6 分鐘閱讀

效果量0.7、8萬人看起來漂亮，但沒對照組就只能講相關
用單題自評換到8萬人規模，代價是測量很粗、易受期待影響
大樣本只讓估計更準，治不了迴歸均值和選擇偏誤

如果你在新聞上看到「8 萬人實測，某 App 顯著減壓，效果量 0.7」，你的第一反應應該是什麼？

正確答案不是「太好了我要載」，也不是「一定是業配」，而是：先看研究設計。2025 年 12 月 npj Digital Medicine 一篇關於自我催眠 App 的論文，正好是練習這件事的好教材——數字很漂亮，但漂亮的數字底下藏著一整排該打的問號。

TL;DR

研究對象：自我催眠 App Reveri（Stanford 的 David Spiegel 是共同創辦人/科學顧問）的 84,395 名使用者、282,893 次 減壓 session，期間 2021/11–2025/01
結果：每次 session 前後用 單題 10 分 Likert 自評壓力，前 10 次 session 的下降效果量 Cohen’s d = −0.71～−0.78（統計上屬「大」效果），平均降 1.45–1.62 分
但它是回溯性觀察研究、沒有對照組、自陳單題測量——這幾點讓它只能停在「相關」，證明不了是催眠造成的
對工程師/讀數據的人：這是「大樣本 ≠ 嚴謹」「大效果量 ≠ 因果」的經典案例

研究到底做了什麼

它不是隨機對照試驗（RCT），而是回溯性觀察研究：直接拿 App 累積的真實使用資料來分析。使用者在每次減壓 session 前後各自評一次壓力（1=最低、10=最高），研究就看「後 − 前」降了多少。

作者明講選單題 Likert 而非多題標準量表的理由：為了最大化參與率與資料量。這是個誠實但關鍵的取捨——你用最低摩擦的測量換到 8 萬人的規模，代價是測量本身很粗。

數字本身

前 10 次 session，效果量 Cohen’s d 落在 −0.71 到 −0.78。照慣例 d≈0.2 小、0.5 中、0.8 大，所以這是接近「大」的效果。平均壓力下降 1.45–1.62 分（滿分 10）。

幾個有意思的 moderator：

可被催眠程度（hypnotizability）越高，降得越多——但相關其實很弱（ρ 約 −0.11～−0.15）
互動式/標準長度 session 效果是簡短版的 1.8 倍（−2.02 vs −1.13）
年輕人第一次降得多、年長者「累積」效果較好
付費會員前 10 次降得比較多
重複做並不會讓效果越疊越高（沒有長期累積效應）

安全性看起來很好：8 萬多人裡只有 10 人 回報症狀變差或其他問題，且都輕微。

為什麼「數字漂亮」還是不能下結論

這才是重點。下面每一條都是讓 d=0.7 失去說服力的理由：

1. 沒有對照組。 這是最致命的。你只知道「做完 session 後使用者自評壓力降了」，但你不知道如果他們什麼都不做、或只是閉眼坐 5 分鐘，會不會也降一樣多。作者自己也承認這限制了因果推論。

2. 迴歸均值（regression to the mean）。 人通常在壓力高的時候才打開減壓 App。而「特別高」的狀態，下一次量本來就傾向回到平均——就算什麼都沒做。前後測設計天生會把這個自然回落算進「效果」裡。

3. 自陳 + 單題測量 + 期望效應。 使用者知道自己在用減壓工具、知道這題在問壓力、剛花了時間「應該要有效」。這種情境下自評分數下降，有多少是真的生理放鬆、多少是「我期待它有效所以給低分」？單題 Likert 分不出來。

4. 選擇偏誤。 樣本是「會自己去下載付費自我催眠 App、而且願意填前後測」的人——高度自我選擇，不能代表一般人。付費會員效果較好，很可能也只是「更投入的人本來就更容易感受到效果」。

5. 大樣本治不了上面這些。 很多人看到 N=84,395 就覺得「這麼多人總可信吧」。但樣本大只會讓你的估計更精準，不會讓有偏的設計變無偏。8 萬人的迴歸均值，還是迴歸均值；只是你會非常有信心地測到一個被污染的數字。作者說大樣本「有助於緩解」混淆，這話對隨機誤差成立，對系統性偏誤不成立。