假如中國的醫療水準是各省均質，那湖北省跟其他省份的死亡機率不應該有差距。
電鍋乾蒸法可以利用一般家用電鍋、電鍋架及內鍋，在電鍋內依序置入內鍋架、內鍋，並放入沒沾上體液、血液或鼻涕的口罩，不用加水，直接按下煮飯按鍵，乾蒸約2到3分鐘，等到煮飯鍵跳起後，再繼續保溫約5分鐘，即可拿出來繼續使用。根據中山醫學大學特色領域研究中心介紹，賴全裕研究專長為個人防護具（包含呼吸防護具、防護衣等）進行生物防護性能及消毒、再利用。
此外，昨日，中央流行疫情指揮中心的記者會上，也有記者提問表示，有台大醫師認為口罩用越久，效果越好。《中央社》報導，賴全裕表示，「電鍋乾蒸法」可使口罩復活。此外，也要以肥皂肥皂勤洗手、避免觸摸眼鼻口。此外，《自由時報》訪問亞東紀念醫院感染管制中心主任廖俊星，廖俊星表示，紫外線消毒、水蒸口罩、酒精消毒，都沒有研究證實能有效消毒口罩，其中，水蒸、酒精消毒還可能破壞口罩結構。但中央流行疫情指揮中心強調，以台灣疫情狀況，非慢性病患，在開放空間不用戴口罩。
武漢肺炎疫情導致國內口罩需求量增大，網路上也出現各種可以讓口罩重複使用的「復活偏方」，包括用電鍋乾蒸、用紫外線照、用酒精消毒等但賴全裕也提醒，這是口罩短缺時的應急措施，不建議長期使用。舞團的首場秀，就是在日光小林永久屋的入住儀式上表演，找隔壁大愛永久屋的原住民朋友來教，跳的是阿美恰恰。
66戶入住杉林大愛，但居住在相對獨立的區域，自稱「小林小愛」村。儘管只是短短兩天一夜的行程，從小林夜祭、六重溪夜祭，到夜宿吉貝耍部落，「西拉雅」族人的祭儀、器物的美感，以及強韌的生命力深深烙印在心底，我再也不會忘記他們是台灣的原住民。2009年莫拉克重創小林，風災過後的兩個月，我得知小林村仍決定照常舉行夜祭之後，詢問洪坤是否可以幫忙安排前往，當時他正為協助小林重建工作忙得焦頭爛額，但依然一口答應了我的不情之請。他們所要面對、承擔的不只是漢人的歧視（你們的長相一看就是「番」）、「漢化」的不當污名（你們的語言文化都消失了）、法定原住民的不理解甚至誤解（你們祖先當年放棄當原住民，現在卻要來瓜分資源），更難的是歷代殖民政府有關「高山」和「平埔」之不同政策所造成的認同混沌（我究竟是漢人還是原住民）
文：Gene 「相關不等於因果」是正確的，可是有時候被濫用到幾乎成了廢話。珀爾研究機器學習時了解，因果學習者至少必須掌握三個層級的認知能力，分別是：（一）觀看與觀察，以探知環境中的規律，觀察A發生了，B是否也會發生。
珀爾表示，這爭議顯示出認清因果的重要性，如果科學家早就有適合的語言或方法來解答因果問題，得出結論將不再曠日廢時，更多人命將可被捥救。2002年，因為丹尼爾是美國人和猶太人，他在巴基斯坦被基地組織和國際伊斯蘭陣線涉嫌的武裝部隊所劫持和殺害。珀爾指出，統計學始祖法蘭西斯．高爾頓（Sir Francis Galton，1822-1911）與卡爾．皮爾森（Karl Pearson，1857-1936）原本要運用跨世代資料解答他們對於遺傳的疑問，可惜沒有成功，但是他們發展出統計學。珀爾指出，統計學大師費雪（Sir Ronald A. Fisher，1890-1962）提出的隨機對照試驗（random controlled trail，RCT）是統計學對因果推論的重大貢獻，目的是把要探討的變項與可能影響它們的其他變項分開。
《因果革命》舉了二十世紀「吸菸是否會致癌」的爭議為例，由於無法隨機強迫某些人冒著健康風險吸菸數十年以進行對照（除非活在某極權國家的再改造營中吧），統計學家不只對答案難有共識，連如何理解問題都有能爭執不休。如何去除這些潛在變項造成的失真或「干擾」，是已經存在超過百年的難題，現在我們在進行研究時仍是最為困擾的問題。以及（三）想像，假想如果不那樣做，又會怎麼樣。有些相關性即使有明確的因果關係，可是仍盲目相信「相關不等於因果」，只會劃地自限、固步自封。
因果階梯有三個層級——「觀察」、「介入」和「反事實」每個層級都具備前一層級缺少的能力。據我粗淺的觀察，近年也有愈來愈多研究發現，不問因果關係的「大數據分析」，有時候反而有更糟糕的誤導性。
珀爾是以色列裔美國電腦科學家，因為研發貝氏網路，而獲得有「電腦科學界諾貝爾獎」之稱的圖靈獎（ACM A.M. Turing Award）以及許多重要的獎章，他是美國國家科學院院士，任教於加州大學洛杉磯分校。後來美國衛生總署委員會採用一連串非正式指導方針「希爾準則」（Bradford Hills criteria），考量了時序性（Temporality）、強度（Strength）、一致性（Consistency）、劑量反應關係（Dose-response relation）、可逆性（Reversibility）、生物合理性（Biological plausibility）、同調性（Coherence）、類比性（Analogy）、特異性（Specificity），終於得出「吸菸會導致癌症」這結論，但這已花費了近十五年時間。
（二）實行，亦即預測刻意改變環境的效果，並選擇適當改變以獲得想要的結果，所以我們在實驗室中，總是要籍由改變變量來看看干預會造成什麼樣的結果。萊特的方法明顯迴異於統計學追求純客觀的無模型方法，而統計學界也出現了允許主觀機率的貝氏統計學（Bayesian statistics）。當然，有許多複雜事物的因果關係並非上述那麼簡單明瞭，而是混沌不清。但是珀爾認為，科學家直到最近才體認到，解決這問題需要的不是統計學方法，而是因果方法，在數學上發明的「do運算子」，能夠更簡單、準確地決定到底該控制哪些變量，用簡單的方式解決一般干擾問題。珀爾等別介紹了遺傳學大師西瓦爾．萊特（Sewall G. Wright，1889-1988）的故事，他於1920年代首先繪製因果圖，假設三種因素可能影響天竺鼠的毛色，分別是發育（d）、傳傳（h）和環境（e），還進行實驗量化這三種因素的相對大小，多年來一直是少數認真看待因果性的科學家。他的獨子丹尼爾．珀爾（Daniel Pearl，1963－2002）是《華爾街日報》（The Wall Street Journal）的美國記者。
我們要怎麼樣看清楚事物的因果關係？或者退一步問，我們該看清楚事物的因果關係嗎？ 美國電腦科學家朱迪亞．珀爾（Judea Pearl）的《因果革命：人工智慧的大未來》（The Book of Why: The New Science of Cause and Effect）就是要來談一場他和許多科學家領導的所謂的「因果革命」，試圖讓讀者理解因果革命的內涵，以及它將如何影響我們的生活及未來。如果要用「相關不等於因果」來反駁，也是因為我們清楚了真正的因果關係，而非盲目堅信「相關不等於因果」。
「相關不是因果」的觀念影響科學界長期探究「關聯」而不問「因果」。我們從小就愛問為什麼，可是之前興盛的「大數據分析」卻指明別管「為什麼」，只要從海量的資料中找到相關性夠好用就好。
然而，朱迪亞．珀爾想告訴我們，資料本身一點也不智慧，還得靠人的智慧主觀地探究（二）實行，亦即預測刻意改變環境的效果，並選擇適當改變以獲得想要的結果，所以我們在實驗室中，總是要籍由改變變量來看看干預會造成什麼樣的結果。
他的獨子丹尼爾．珀爾（Daniel Pearl，1963－2002）是《華爾街日報》（The Wall Street Journal）的美國記者。然而，朱迪亞．珀爾想告訴我們，資料本身一點也不智慧，還得靠人的智慧主觀地探究。後來美國衛生總署委員會採用一連串非正式指導方針「希爾準則」（Bradford Hills criteria），考量了時序性（Temporality）、強度（Strength）、一致性（Consistency）、劑量反應關係（Dose-response relation）、可逆性（Reversibility）、生物合理性（Biological plausibility）、同調性（Coherence）、類比性（Analogy）、特異性（Specificity），終於得出「吸菸會導致癌症」這結論，但這已花費了近十五年時間。珀爾是以色列裔美國電腦科學家，因為研發貝氏網路，而獲得有「電腦科學界諾貝爾獎」之稱的圖靈獎（ACM A.M. Turing Award）以及許多重要的獎章，他是美國國家科學院院士，任教於加州大學洛杉磯分校。
珀爾指出，統計學始祖法蘭西斯．高爾頓（Sir Francis Galton，1822-1911）與卡爾．皮爾森（Karl Pearson，1857-1936）原本要運用跨世代資料解答他們對於遺傳的疑問，可惜沒有成功，但是他們發展出統計學。萊特的方法明顯迴異於統計學追求純客觀的無模型方法，而統計學界也出現了允許主觀機率的貝氏統計學（Bayesian statistics）。
珀爾表示，這爭議顯示出認清因果的重要性，如果科學家早就有適合的語言或方法來解答因果問題，得出結論將不再曠日廢時，更多人命將可被捥救。珀爾指出，統計學大師費雪（Sir Ronald A. Fisher，1890-1962）提出的隨機對照試驗（random controlled trail，RCT）是統計學對因果推論的重大貢獻，目的是把要探討的變項與可能影響它們的其他變項分開。
因果階梯有三個層級——「觀察」、「介入」和「反事實」每個層級都具備前一層級缺少的能力。「相關不是因果」的觀念影響科學界長期探究「關聯」而不問「因果」。
如果要用「相關不等於因果」來反駁，也是因為我們清楚了真正的因果關係，而非盲目堅信「相關不等於因果」。但是珀爾認為，科學家直到最近才體認到，解決這問題需要的不是統計學方法，而是因果方法，在數學上發明的「do運算子」，能夠更簡單、準確地決定到底該控制哪些變量，用簡單的方式解決一般干擾問題。文：Gene 「相關不等於因果」是正確的，可是有時候被濫用到幾乎成了廢話。當然，有許多複雜事物的因果關係並非上述那麼簡單明瞭，而是混沌不清。
《因果革命》舉了二十世紀「吸菸是否會致癌」的爭議為例，由於無法隨機強迫某些人冒著健康風險吸菸數十年以進行對照（除非活在某極權國家的再改造營中吧），統計學家不只對答案難有共識，連如何理解問題都有能爭執不休。珀爾研究機器學習時了解，因果學習者至少必須掌握三個層級的認知能力，分別是：（一）觀看與觀察，以探知環境中的規律，觀察A發生了，B是否也會發生。
珀爾等別介紹了遺傳學大師西瓦爾．萊特（Sewall G. Wright，1889-1988）的故事，他於1920年代首先繪製因果圖，假設三種因素可能影響天竺鼠的毛色，分別是發育（d）、傳傳（h）和環境（e），還進行實驗量化這三種因素的相對大小，多年來一直是少數認真看待因果性的科學家。如何去除這些潛在變項造成的失真或「干擾」，是已經存在超過百年的難題，現在我們在進行研究時仍是最為困擾的問題。
我們從小就愛問為什麼，可是之前興盛的「大數據分析」卻指明別管「為什麼」，只要從海量的資料中找到相關性夠好用就好。2002年，因為丹尼爾是美國人和猶太人，他在巴基斯坦被基地組織和國際伊斯蘭陣線涉嫌的武裝部隊所劫持和殺害。
