说清答案的哪部分不确定
“新服务可能让办理更方便。”这里的“可能”指什么？是人们说更好用，还是实际完成的人更多？又或者，你不确定其他地方是否也有效？加一个谨慎的词，并没有说明证据的弱点。
把已知和未知分开。例如：“受访者觉得新表格更容易理解。我们还不知道是否有更多申请人能填完。”读者能同时看到发现与限制，不必猜一个笼统信心标签的意思。
答案能核查时，还可以把信心与结果比较。SimpleQA用简短事实问题考察这种关系。[1] 如果许多可比答案都报70%的信心，其中约70%正确，这个水平就校准得较好。答对一次，不能证明有这样的长期表现。
告诉读者哪里不确定，什么证据会有帮助。
解释为什么没把握
不同缺口需要不同工作。记录缺失，要补证据；测量不可靠，要查收集方法；多个解释都合理，要设计能区分它们的研究；证据来自别国，要查本地条件是否相近。全写成“低信心”，会把下一步该做什么藏起来。
AI还带来一个问题：换提示词、来源或模型版本，答案会不会变？重复回答能暴露不一致，但模型也可能重复同一个错误。研究发现，模型能评估部分自身不确定性，却难以在新任务上保持这种评估的校准。[2] 模型自报的信心也需要测试。
把限制放在对应说法旁。官方通知可以确定政策开始日期，却未必说明执行有多一致。访谈可能提示使用更方便，但不能说明多少人受益。对日期的把握，不应让执行和效果听起来同样确定。
比较相似问题上的判断
擅长一类问题，不代表每类都可靠。查官方文件中的日期，与预测新产品需求不同。混在一起，容易核实的事实可能掩盖较差的预测。
一组可比判断有时称为参照类别。选择对工作重要的相似之处：问题、来源、方法、情境和预测期限。先积累足够案例，再检查有意义的差别。分组太小，估计不稳；分组太宽，又会隐藏信心失灵的地方。
预测要记录日期，并提前决定什么结果算正确、何时检查、由谁检查。如果宽泛结论无法这样评判，就用文字解释证据的强弱与限制。不必把每项解释都变成非是即否的预测。
能说明含义时，再用百分比
“73%”看起来可能比“很可能”更经过考虑，实际上两者也许都是未经检验的直觉。事件清楚、估计依据说得明白时，可以用百分比。要评估校准，还需要可比判断及其结果的记录。
校准只是有用预测的一部分。如果一半事件发生，每次都报50%可以符合总体频率，却难以帮助区分单个案例。预测研究也考察锐度，即预测分布有多集中，并与校准一起评估。[3] 对二元事件，有把握的估计只有能区分案例、经得起结果核对才有用。下方假设图展示了信心高于实际结果所支持程度的情况。
有多大把握，就有多常答对吗？
按报告的把握程度分组的假设示例
评分规则有助于比较多次预测。二元事件的Brier分数，是预测概率与结果（发生记1，未发生记0）之差的平方，再取平均。预测80%，发生时得0.04，未发生时得0.64，越低越好。它属于在期望上鼓励如实报告概率的恰当评分规则。[4] 对数评分对高度自信的错误惩罚尤其大。把分数与图表、重要人群的结果一起看，避免平均值藏住反复出现的问题。
看似精确的百分比，也需要依据和核查方法。
解释“很可能”这类词的含义
描述一组证据时，文字可能比百分比更有用。“两份独立记录支持，但尚未在实际中检查”，能说明依据和缺口。只写“高信心”，信息少得多。
在受研究任务中，模型可以学会用与观察概率较为一致的词语表达信心。[5] 读者仍可能有不同理解。一项关于IPCC概率表述的跨国研究发现，人们的理解常偏离预定含义。[6] 熟悉的词不一定有共同定义。
如果反复使用“有支持”“暂定”“未解决”等标签，就简要定义，说明它们指证据质量还是事件概率。如果方法中“很可能”代表数值范围，就在用词处写出范围。把依据放在附近，让读者自己判断。
把可能性与行动建议分开
60%可能造成小麻烦，与60%可能造成不可逆伤害，需要不同回应。信心本身不能决定行动。还要考虑判断错误和等待的代价、能否撤回，以及有哪些防护。
把估计和建议分开写。假设项目中，“我们估计这种模式再次出现的概率为65%—75%”描述判断；“先做有限试点，因为不利影响可控，两周内能看到结果”解释行动。别人就能分别质疑估计或试点的理由。
较弱信号可能足以支持再做一次访谈或小测试，却不足以全面上线。缺少支持可能成为暂停昂贵扩张的理由，却不能证明永远不会有效。问哪项可行观察最可能影响选择，就能说明下一步研究为什么值得做。
让“我不知道”有帮助
证据不足时，说明原因。缺记录，需要查找；问题含糊，需要澄清；发现冲突，需要比较；判断超出方法范围，需要其他方法或合适的审核者。虽然都暂时答不确定，下一步却不同。
一种研究方法比较多个AI答案的含义，以发现不一致、可能编造的说法。[7] 另一种用于机器人规划的方法，采用在样例上校准的共形预测来决定何时求助，并在明确假设下提供统计保证。[8] 它们解决特定问题。重复答案仍可能共有错误信念，保证也不能自动迁移到另一人群或任务。
既看系统回答多少，也看已回答的错多少。少答只有在减少错误的收益值得增加转交时才有用。检查哪些案例被转交，尤其按语言和用户群分别看。覆盖不足时，应改善证据或人工支持，而不是强迫系统给不确定答案。为转交案例设清楚的路径、负责人和预计响应时间。
有用的“我不知道”，会说明缺什么、下一步查什么。
事件定义清楚时可用概率；不能简单判定是非的说法，可描述证据。无论哪种，都说明依据和下一项核查。
说明什么会改变判断
估计反映某个时点已知的信息。写明哪些证据会加强、削弱或推翻它。新记录、另一人群的结果或失败的预测，可能比又一篇主题综述更重要。
保存带日期的重要估计、依据、所用可比案例，以及谁负责检查结果。结果到来后，先与原估计比较，再修改解释。保留旧版，才能看清原有信心是否合理、发生了什么变化。
结尾说明当前证据支持什么、什么仍不确定，以及在这种不确定性下怎样行动合理。写出下一项有用核查和复查时机。读者就能了解限制，并知道何时改变方向。