故事开始于一个发展心理学实验：五个月大的婴儿看到实验台上放着一只米老鼠，时间一长他的眼睛就会四处乱转。接着出现一块幕布，婴儿可以看到一只手拿着另一只米老鼠放在台上。当幕布撤掉，婴儿看到两只米老鼠时，只会停留一眼。但如果幕后只有一只米老鼠，婴儿就会表现出吃惊并注视，并试图找出原因。另一组实验先放置两个米老鼠，幕布升起，一只手拿走一只。如果还剩一只米老鼠，婴儿同样不会理会，但如果依然有两只米老鼠，婴儿就会大吃一惊。
实验原本用于测定婴儿对计算的认知程度，其结果表明仅仅出生五天的婴儿已经对数字产生敏感。但实验同时揭示了另一个深刻的事实——人类自有意识开始就关注因果，他们本能地希望探寻事物的规律，对其变化寻求合理的解释。
我们生活的这片天地是受因果支配的，有简单灵智的动物也有因果意识。乌鸦找到坚果后从空中抛下，但重力冲击无法砸碎坚果，而把坚果放在路上，坚果就可以被汽车压碎。但在车水马龙的街上捡坚果是危险的，聪明的乌鸦通过观察发现，在有红绿灯的路口，车和人会规律性地停止。于是乌鸦逐渐在红绿灯、斑马线、车流和人流之间识别出了复杂的因果联系，掌握了新的生存之道：趁红灯把坚果丢在马路上，下一个红灯时叼走被车碾碎的坚果，从容享受自己的食物。
人类自灵长类演化开始便努力对世界进行因果解释。远古时期人们认为火山爆发、大洪水、闪电都是天上不可知的神灵发怒，为了平息神灵的怒火，发展出了祭祀、祷告等一系列的仪式。天上星辰的运动、日月的盈仄与气候相关，人们认识到这些因果之后发明了节气，并用于耕种与劳作的指南。因果的本质在于，事物的流变存在动因。古往今来，人类一直在试图解释万物因果。其中一些解释是有力且正确的，因为掌握了这些因果联系，人们才得以炼制青铜、制造纸张和火药、利用指南针导航等。
在近代科学出现前，人们对因果的认识是基于经验的。经验告诉人们，在限定条件下的一系列操作能导致确定结果。譬如小男孩的阴茎被蚯蚓咬后会红肿，老人们便找来一只鸭子，让鸭子嘴含住阴茎，不久后就会消肿。但人们不能理解因果背后的原理——鸭子的唾液中含有一种酶，可以分解蚯蚓的毒素。因此老人能治疗被蚯蚓咬到的阴茎，却无法制作出酶类药物。当限定条件变化时，经验无法为操作提供指引。
科学的诞生标志着人们找到了验证因果关系的可信方法。在经典的“两小儿辩日”中，一个孩子认为日初时太阳很大，日中时太阳很小，所以太阳日初近而日中远。另一个孩子则认为日初时冷，日中时热，所以太阳日初远而日中近。圣人孔子听后也无法解答。因为这两种猜想在逻辑上都能自洽，也符合因果直觉。但科学能够对两种因果解释进行验证，证明中午时地日距离要比日初时更近，只是由于大气折射和参照物的原因，日初的太阳才看起来更大。科学方法的解释如此有力，以至于从鸭子与蚯蚓的生克到星辰运动的规律无不被包含其中。
慈善是一种古老的行为。人类自进化出同理心以来，便时常不惜损耗自己的物理资源来减少他人的痛苦或增进他人的幸福。在古代这些行为常表现为修桥铺路、赈灾施粥。相传六祖慧能早年间听人讲金刚经入迷，便问谁讲金刚经最好，人说湖北双峰山弘忍法师。慧能虽有心求学，家中却有母亲需要照顾。后来受人资助得以安顿母亲并支付路途花费，慧能才上山修行，最后得五祖传法成为一代高僧。西方的宗教也自古就有慈善救济的传统，在瘟疫或其他灾害肆虐时，富人会通过教会对穷人和灾民施以援助。
由于人口激增、全球贸易、科技对生产力的推动以及自由、民主、权利等观念的普及，现代社会的组织方式发生了巨大变化。慈善也不再是简单的个体行为，而是深刻的嵌入在社会基本结构之中，成为社会资源再分配的重要方式（详见作者《现代慈善及其工作者的训练》）。人们的话语结构，也从传统的个体性走向了更广阔的公共性，并逐渐用“公益”取代了“慈善”。也因为这种转变，人们不再如从前只对慈善的动机予以赞赏，而是开始追问其行为与社会正义之间的因果联系是否真实存在。
其中，比较有代表性的是赞比亚学者丹比萨·莫约的著作《援助的死亡》。在书中作者回顾了西方主导的非洲援助项目，并尖锐批评了其失败的结局：这些项目不但没能改善非洲民生状态或推进发展进程，反而让非洲深陷依赖外援的陷阱。在政治经济学著作《国家为什么会失败》中，作者也指出数百万美元对阿富汗的援助，因为官僚化、错误的机制、失败的策略、缺乏科学论证的手段等等原因，最终的结果是村民将运到当地的木材当成柴火烧掉了。
慈善行为多种多样，其中一些的因果关系是很容易验证的。例如教视障群体独立生活，只需要看看有多少人能够利用盲杖独立出行；又例如为听障群体提供就业培训，只需要看看有多少人能够顺利就业并统计其工资水平。另一些慈善行为与结果的因果关系的验证是有难度的。例如为了降低艾滋病在高校中的流行率而对学生开展宣传教育，也许能得到学生的良好反馈，但这些活动是否真的在现实中减少了不安全行为，并不能通过简单观察得出结论；为了培养乡村学生理财观念而开设的课程，是否真的在未来对于学生的理财行为产生影响，仅依赖教师和学生的叙述也并不可靠；又例如为乡村学校捐助图书馆是人们非常喜爱的慈善行为，但是建立图书馆真的促进孩子们的阅读能力了吗？不同的图书馆、图书选择会对孩子产生何种影响？这些问题很难有人回答。
那么，该如何对这些因果关系复杂的行为进行规范验证？人们首先借鉴了医学的方法。现代医学建立在一套完整、严密的科学原理基础上。现代医学对疾病治疗与恢复的因果关系有明确的证据强度分级。虽然欧洲、美国、中国及一些国际组织在证据等级分类上略有差异，但总体上，根据验证手段的不同，可以归结为一条从弱证据到强证据的谱系。等级越低的验证手段，因果关系的真实性越低，等级越高的验证手段，因果关系的真实性就越高。其中，最弱的证据是“讲故事”，也就是零散的评论或反馈。
人们经常能听到一些感人肺腑的慈善故事。例如，来自非洲的帕帕拉·阿普拉卡，是一位有5个孩子的母亲。经过项目为期半年的支持，阿普拉卡现在已经能够负担起全部孩子的生活费用，并且掌握了正确的哺育孩子的方法。阿普拉卡说：“太感谢这个项目了，让我不仅仅有母亲的身份，还有了母亲的能力。”然而阿普拉卡可能是项目覆盖的200名女性中唯一一个过得不错的母亲，很难说两百分之一的成功实现了社会正义。
比单个案例或报告可靠一些的是多个案例系列的报告，如果一位教师教出了一名优秀的学生，很可能是靠运气，但教出了好几名优秀学生，似乎就更应该靠能力了。但依然存在其他可能：刚好这几个孩子资质都不错。所以更严谨的方式，是进行对照实验。例如对一批学生进行一些基线考试，会获得某个分数，当老师教学之后再次进行考试，发现平均分和中位数都上涨，说明教师的教学普遍有效。从对照实验开始，证据强度就进入了中级。
然而一般性对照实验的结果很可能受到外部因素的影响，从而呈现出假的因果联系。例如一个致力于提高乡村女童入学率的项目，十年前当地女童入学率是20%，十年后到了50%，对照表明女童入学率提高了。但其实邻村的入学率同样提高了不少，事实上在过去十年间整个中国乡村女童入学率都普遍的提高了。那么“女童入学率提高”的果并不一定是因为“项目”的因而产生的。这时就需要证据等级更强、更可靠的证明工具。这时，“随机对照”就登场了。“随机对照”是在所有因果关系验证方法有效性最高的工具，也被医学界称为证据等级的“金标准”。
随机对照的原理并不复杂。将一群待测对象随机分为不同组别，对每个组别实施或不实施某种行为并进行对比，找到行为所产生的影响。当然，在实践层面随机对照有很多细节，例如不同的对象和方法选取的样本数量有很大差异。统计和数据处理也非常复杂。在许多情况下，无法做到完全随机，还可以采取整群或其他随机方式分组，并通过数学方法剔除与之带来的影响。随机对照由于其可靠的因果验证效力，不但成为现代药物研究的守门人，还被广泛应用到教育学、经济学、心理学等各个学科之中。
在慈善领域，随机对照同样产生了深远影响。有代表性的是第51届诺贝尔经济学得主，其中两位合著了《贫穷的本质》，详述他们如何应用随机对照实验寻求减轻全球贫困的方法。他们在18个最贫困的国家和地区寻找与贫困相关的数据，涉及免费与收费的蚊帐和降低疟疾的关系、扁豆奖励与疫苗接种比例等，希望验证援助项目和扶贫的因果关系。在中国，随机对照在慈善领域应用的代表是陕西师范大学教育实验经济研究所与三一基金会合作的“三一学者”。一批青年学者尝试应用以随机对照为核心的科学方法为慈善效果提供验证，涉及婴幼儿养育、现代信息技术在农村教育中的应用、农村医疗公共服务、教育与教学、学生视力保护等多个领域，为更大规模的慈善投资和政府决策提供了坚实依据。
随着越来越多超大规模慈善行为的出现，随机对照也逐渐成为大型慈善项目必不可少的验证手段（其他强证据还包括队列研究、基于多个随机对照的荟萃分析、系统评价等方法）。在慈善领域常被提到的“影响力评估”，就是以随机对照为核心的数据评估方法。
然而，即便随机对照因为其卓绝的有效性被推崇，但在慈善实践中却仍面临昂贵、复杂及与部分现实脱节的障碍。一般的随机对照研究耗资数十万，甚至高达百万，超过了绝大多数慈善组织甚至是基金会能承受的最高额度。特别是在近些年的中国，由于国际资金的撤出，慈善事业的主体更多由国内的基金会和企业支持。以往国际资金，无论是使馆、基金会还是各国海外开发署，单个项目资金规模大多在十万至数十万美元之间，一些项目资金可高达百万美元级别。而国内近年资助以五十万人民币为限，少有组织能得到单个项目五十万以上每年度的支持。此外随机对照实施的复杂性极高，周期也往往较长。单次调研可能动用十余名人员长达两周的时间。对于抽样方式、遴选标准等也都有严格要求。常规组织不具备足够的协调能力和可调配的人力。
如果说资金和复杂度尚有回旋余地，那么随机对照的实验模型和现实的脱节则是其方法难以指导现实的根本障碍。随着实验条件严谨性的增加，模型与现实的差异会逐渐增大。最经典的例证是2018年哈佛大学教授使用随机对照研究降落伞与跳伞者死亡之间的因果关系。这项研究的实验设计、数据处理等流程均严格符合随机对照的要求，只是存在一个缺陷：那些干预组的人员只愿意从不到一米的高度跳下。所以实验人员最终从一架停在草坪上的小飞机上跳下来，高度仅为0.6米。研究由此得出了结论：降落伞并不能显著降低跳伞人员的死亡率，作者同样表示未来还需进一步研究在具有一定高度和速度的飞机上的影响如何。
这项一本正经发表在顶级医学期刊BMJ上的研究引发了轩然大波，在人们包括作者自我调侃的同时，它将一直以来从医学扩展到整个社会人文领域的随机对照方法的争议以极端的方式公示出来：当遵循严格的程序正当得出违反基本常识或毫无意义的结果时，方法的价值存在何处？
虽然跳伞研究属于极端案例，但随机对照在更广泛的慈善应用中也的确存在重重困难。例如，许多资助者要求在慈善项目规模化前提供有效性证据，评估专家通常会表示一般性对照实验不是影响力评估，其结果是值得质疑的。但一个初始模型使用随机对照，即使不考虑资金，也将面临三个难点：1.随机对照可能对样本量的需求很大，初始项目未必能提供相应选择。2.随机对照验证时间很长，初始项目不可能等待。3.即使初始项目顺利完成了随机对照，在规模化的过程中其流程与组织方式必然被重塑而与初始状态发生很大差异（详见作者另一篇文章：《慈善的规模化：重塑体系》）。按照标准随机对照的逻辑，一旦中间环节发生变化，因果关系便有可能被打破，需要进行新的验证。
全球减贫也有类似的问题，虽然《贫穷的本质》的作者利用随机对照等强证据研究对全球减贫做出了很大贡献，收集到了很多坚实有力的数据。但从实际成果来看，如果剔除中国，全球贫困在过去许多年里并未发生重大改善。而中国扶贫采用的是更为灵活的示范模式：一个地区扶贫做出了好的成绩，其他地区都去学习并吸取经验，再根据各地实际情况调整，在试错中不断矫正。
当然，贫困是极其复杂的事情，其因果和方法不能一概而论，也不代表随机对照没有价值。其核心在于，当运用某种思想和工具时，需要理解其适用范围和边界，只有在不同场景和状况中选择最合适的工具，才能真正发挥所长。慈善领域面临的一个基本障碍在于，关于技术细节的讨论常常被泛化为价值体系之争。例如，支持随机对照的人认为只有“影响力评估”才是重要的，其他都算不上证据，忽略了即使强证据也只是检验因果关系的程序手段而非创造因果关系的实质工作。反对随机对照的人则认为这只是“上层精英”喜欢舞弄的高级概念，动辄要求提供证据，实质是利用数据和方法垄断行业话语权，完全不顾草根的实际，也破坏了慈善的原初精神。
评估的另一个问题是，程序正当的评估机制未必带来有效和真实的结果，也缺少全局观。例如，一个教学平台，为了积累初始客户，希望在全国招募20家合作示范机构，给与它们培训及小额资金，这些机构需要使用平台完成一定的教学数字指标。按照标准评估程序，需要先进行因果关系的梳理，确定完整的因果链，在分步进行评估。其实项目的逻辑非常清晰，只需要看最后的数字是否达到指标就可以验证。然而在正式的项目评估中，评估方得出了结论：项目结束后合作示范机构的模式未再应用，因此项目是失败的。但其实项目的目标不是建立模式，而是积累初始客户，在未来平台的发展中，其一半的教学成果都来自于四个战略合作方，而其中两个都由最初的示范机构转化而来。因此，程序正当往往将项目从整体工作中割裂出来，只注重局部效果而非全局效果。
如果强证据只能适用于一部分因果关系的验证，那对更广泛的慈善实践来说，是否有更合理的依据作为指引？让我们再次回到医学领域。随机对照固然是现今被全世界医学界承认药物研究和治疗方案制定的最高标准，但医学同行们很早就认识到了疾病在真实世界中的复杂性。因此除了证据本身，医学界的先贤充满智慧的纳入了另外两种重要视角，并将三者整合在一起，构建了一个医学的新范式——循证医学。循证医学最初创立时叫“科学医学”，由于其名称引起了许多医学同行的反感，这似乎暗示着他们的医学是“不科学”的，因此遭到了抵制。后来改为“循证医学”才逐渐被接纳。
循证医学是指医疗决策应该在现有的最佳证据的基础上，结合医生的临床经验和患者的意愿及价值观共同做出。其中最佳证据就是指通过证据等级中的强证据研究获得的数据结果。最佳证据虽然有效，但在现实中未必可行，例如一名患有多囊卵巢的女性，按照最佳证据可以服用一种名为“达英-35”的口服避孕药进行治疗，但她同时是一名抑郁症患者，其服用的抗抑郁药物会和达英-35产生对冲，这时临床医生就需要对治疗方案做出调整。而医学的根本目的是为病人服务，一名濒临死亡的患者，按照最佳证据和医生的建议，通过某种治疗措施可以将寿命延长一个月，但患者并不希望只是在病床上插着管延续毫无质量的生命，而是希望医生能开一些止痛药缓解痛苦，回家和家人度过最后的时光，这时医生也应当考虑患者对生命做出的价值选择。
循证医学改变了医学的基本范式，循证思想也被借鉴到不同领域。循证的核心在于，为决策者提供了一个相对可靠和稳定的决策模型，通过“最佳证据”、“一线执业者的经验与洞察”及“目标对象的意愿与反馈”三种因素做出决策。这种程序性决策的结果在整体上会优于其他决策模型。
对慈善领域来说，循证思想同样可以被广泛的应用。当人们想开展某个慈善项目时，应当先了解该行业中有哪些经典做法、最佳实践及研究的成果。同时询问富有经验的一线执业者的洞察与建议，并结合目标群体本身的反馈来设计和开展项目。参考循证医学的历史，循证视角下的慈善，其实就是人们说的“科学公益”。
不同的慈善组织，依据其工作特点，可以在循证的三种视角中有所偏向。例如盖茨基金会聚焦于全球性的公共卫生工作，致力于消除疟疾、推广疫苗或推进艾滋病的检测和治疗。因此盖茨基金会非常注重最佳证据的获取，那些拥有随机对照成果的项目更符合盖茨基金会的目标。福特基金会自1950年发表其称为“大宪章”的盖瑟报告之后，致力于促进社会科学领域的工作，因此更加注重那些具有对社会深刻洞察的专业人员的意见。福特基金会的项目人员会花费大量时间聆听一线工作者的经验并与其共同讨论、设计项目方案。而嘉道理基金会则非常注重目标群体的反馈，虽然其资助也包含研究，但数据通常只作为项目的一部分，嘉道理的项目人员非常关注田野视角，要在现场看到项目是如何运行的。与一般基金会的抽查不同，嘉道理基金会支持的项目如果在10个学校开展工作，工作人员会去每一所学校与学生和教师交流。
慈善评估的另一个难点在于复杂因果关系指征（指标）的选择。事物的变化必然会通过某些方式显现，但不是每种显现都易于监测或觉察。一个致力于在乡村教孩子们学习、朗读、创作诗歌的项目，其理想是让孩子具备“诗性”的成长。这种诗性可以评估吗？从技术上是能够做到的，比如通过一些量表可以发现诗歌教育与抑郁程度、人际交往、亲社会行为之间的因果联系，以此证明诗歌教育是“有效”的。但用测量的方式评价诗性，似乎就失去了“诗性”本身。而诗性本身也并非为了降低抑郁，诗性只是诗性。随机对照这种技术手段可以验证诗歌与一些指标的因果联系，但却无法说明它的意义，以及什么是诗性。
慈善行为大多是补偿性的。在社会发展的进程中，公平和效率无法兼得，一部分人会因为发展而在经济、政治、教育、权利等方面落后于社会平均水平，慈善会对这些问题予以补足。对于这类慈善工作，可以用一套标准的方法进行优化，例如问题识别、有效性验证等。但也有一些慈善行为是非补偿性的，它们是为了实现对于社会的某种期待，例如诗歌教育或死亡教育。乡村诗歌教育项目，它解决了什么社会问题？我们当然可以说陪伴了孩子，但是陪伴孩子有很多方式，如果把同样的时间放在主科的教学上或许对孩子的未来有更大的帮助，为什么要选诗歌？其实答案很简单，因为项目人员认为诗很美好，希望乡村孩子们也能在成长过程中有一些诗性。这就触及到了方法学的边界，事实上也是科学的边界。
科学能够为人们描绘真实世界的样貌，但无法告知人们这些意味着什么。科学能够检验因果关系，却不能指出其意义。我们可以通过强证据研究证明项目让赞比亚的妇女经济收入提高了10%，但为什么要这样做？同样的钱为什么不捐给广西乡村的女孩让她们上学？为什么我们要花费精力去保护动物而不是提升残障人的福祉？为什么要花100万证明性教育是有效的而不用这笔钱来救助那些急需手术的白血病儿童？
慈善嵌合在现代社会的基本结构之中，但究其本质它仍是观念的产物，人们认为美好世界是什么样的，什么是“善”的。这些“善”甚至可能互相冲突，不同的观念在碰撞中相互影响，一些观念逐渐被大多数人接受，成为共识，就成了“公共的善”。科学的作用在于验明真伪，但真伪之外，慈善是关于公共善的选择。人们可以对具体的项目行为和结果进行因果关系的验证，但我们如何评价公共的善，何以进行抉择？
古往今来许多先贤对此都提出了思考，虽然至今并未有清晰答案，但他们论述的过程为我们指明了方向：为不同善的对话提供空间。慈善的从业者，在表述自己善的同时应当了解他人的善是如何建构的。由于慈善包含了许多看待世界的视角，理解这些视角有助于拓宽慈善的视野并促进融合。
例如，社会性别是社会发展领域的重要视角。扶贫人员如果能具备性别视角，在乡村振兴的过程中就会更注重纳入妇女的意见，而不至于出现投资的失败（一些乡村项目调研由男性投票决定建立公路，但做饭送孩子等家庭工作由妻子完成，公路建设后对妻子买菜、送孩子等生活造成影响，引发了许多问题）；紧急救灾的组织具备性别视角，就会在地震、疫情期间意识到女性需要卫生巾；又例如，谈到性侵害时，很多调研数据都会显示女童遭受性侵害的比例，但却没有男童的数据。方法论是基于世界观存在的，如果调研人员观念中没有男童也会遭受性侵的事实，无论多么高级的研究方法也不会呈现相应的结果。同样，如果慈善组织拥有残障视角，也会在大型会议中提前为残障人提供合理便利。
遗憾的是，今天的慈善领域缺少对话空间。人们知道不同善的存在，却不理解这些善是如何呈现的，它们为何能成为善。在资源有限的情况下，善不但无法融合，还会更加割裂并争抢资源，有时甚至会成为恶。市场上存在的，也不是经由交流讨论而形成的善的公共观念，而只是许多个体的善的产品。良好的对话应当致力于促进理性的交流，让善得以被讨论和评价，其结果非但不会争抢资源，还有可能吸引更多的资源进入。
当不同的慈善组织在一起对话时，往往能碰撞出一些火花。一个文化保护组织的负责人遇到了一个听障组织的负责人，两人交流之下，决定共同开展一次活动。双方共同招募一组人员，一半听障一半普通人。每两人结成一对，共同参加城市文化之旅的讲解。游览促进了听障者参与社会活动，也促进了普通人了解听障者，同时让残障者被公众看见。这时，科学的作用也得以显现：两人发现讲解员并不能只是常规讲解，因为许多历史文化词汇无法翻译，需要提前进行沟通。可以用一些对照研究来验证听障者对信息的了解，从而通过评估来改进流程。久而久之，游览活动就成为常规项目，不但通过科学评估实现了有效性，更重要的是促进了两种“善”的融合。让两个组织的人都看到了别的“善”的样貌，从而形成了一种新的，公共的善。
创造良好对话的公共空间并非易事。由于资源的稀缺，激烈的竞争环境迫使慈善从业者不得不像孔雀一样四处展示优点，而忽略了思考与观察。在仅有的发言空间（行业会议、论坛）中，人们也更习惯于介绍自己做了什么，而不是思考和发现了什么。以评估为例，比起介绍一个素质教育随机对照的有效结果，为什么使用随机对照、它的意义是什么、在什么条件下随机对照能发挥最大价值、同类项目是否值得重复研究、实验中哪些环节有所不足，这些更有借鉴意义。又例如，对于慈善规模化的学习，比起邀请缺少实践经验的研究机构讲解规模化理论，让那些成功实现规模化的组织相互对话、分享经验更有助于希望规模化的组织学习。
因此，塑造对话空间需要人们共同的努力。从业者需要在实践中形成洞见，资源方也要学会更加耐心和长远的投资这类基础设施。只有形成公共的善，科学和技术才会发挥更大的价值，从而对善的具体结果进行真伪验证。
工程学的历史告诉人们，建筑应因其功用及环境而选材建设。在地质活动活跃的地区，房屋的抗震等级应该更高，地质稳定的地区，抗震等级可以略低。微生物研究所应注重生物防护设计，摩天大楼应增设防火层和阻尼器。对慈善来说，重要的并非是评估本身，而是能否实事求是的依据具体情况选择适用的工具，只有理解真伪和善恶的边界，我们才能对慈善给与可靠的评价。正如那句耳熟能详的广告语：合适的才是最好的，而非最好的就是合适的。
- END -
*本文作者为三一基金会能力支持业务总监王龙玺。三一基金会由中国三一集团发起的非公募基金会，希望通过赋使公益充分实现其价值，给世界带来真实的改变，建设充满活力、善意和信任的美好社会。能力支持业务旨在帮助从业者提升公益项目的成效，进而实现公益行业的价值。
*免责声明：本站文章图文版权归原作者及原出处所有 ，文章内容为作者个人观点，并不代表本网站。如果您发现网站上有侵犯您的知识产权的作品，请与我们取得联系，我们会及时修改或删除。
