概述
如何判断一篇评测是否可信？本指南运用选择逻辑学框架，系统性地评估利益冲突、信源可信度和数据的可验证性。每篇评测都内嵌了价值假设（T1.2 推论）；目标不是追求“绝对真相”，而是将认知预算投入到那些更可能反映真实世界使用情况的信源上。
理论映射：T1 匹配定理提醒我们，评测的结论常常基于评测者的特定场景；M4 比较分析则要求交叉验证多个信源，而非依赖单一来源。
信源可信度
不同信源有不同的激励结构。应优先区分：独立媒体（编辑与广告分离）、KOL（披露合作关系）、品牌自有内容和用户生成内容（UGC，存在选择偏误但无直接商业回报）。
| 信源类型 | 典型激励 | 可信度检查点 |
|---|---|---|
| 独立媒体/测试实验室 | 订阅、广告、品牌合作 | 赞助披露、一致的方法论 |
| KOL/创作者 | 广告、送测样品、联盟营销 | “赞助”、“合作”、“联盟营销”等披露信息 |
| 品牌官网/商店 | 销售转化 | 仅用于查阅规格，不作为中立证据 |
| 用户评测 | 无直接回报；偶有虚假评测 | 阅读负面/中性评价、发布时间、可验证性 |
利益冲突
公开的赞助并不意味着评测是虚假的，但这提高了验证的标准。未披露的送测样品、联盟链接或品牌合作会显著降低其可信度。参见权威偏误和社会认同：知名度高或“人人都爱”并不能替代利益冲突检查。
交叉验证数据
对于关键信息（如性能、续航、画质），采用类似M2 多维评估的方法：至少通过两个独立信源进行验证。如果某篇评测在没有解释的情况下与多数可验证数据相矛盾，应降低其权重或视为不确定信息。
常见的操纵手法
选择性呈现、比较锚定、模糊框架（如“同类最佳”但未定义类别）、刷评和控评。识别这些手法有助于避免锚定效应和确认偏误。
建立个人过滤器
根据T2 认知预算定理：对于高风险决策，固定2-3个有明确披露政策的信源，并习惯性地检查利益冲突和交叉可验证性；对于低风险决策，接受“足够好”的信息，避免无休止的验证。