仔细看看上面的幻灯片，它来自新冠疫情爆发几个月后进行的一项国际民意调查： 这就是有效宣传的样子。 而实际影响甚至更大，因为用来计算人们夸大 Covid 风险程度的“真实世界”数字当然本身就来自……世界上最著名的宣传组织（伪装成公共卫生机构）。他们自己已经在夸大 Covid 的风险。
有效宣传的艺术是一门综合性的学科，需要仔细、彻底的研究—— 和审查 ——时不时地。对于初学者来说，掌握它可能非常困难。即使是经验丰富的宣传者有时也会陷入这样的误区：认为创作和传播宣传是一件简单的事情——这是赢得永久免费西伯利亚假期的好方法。一年 365 天、每天让整个社会感到困惑通常不是一项简单的任务。
以下简短的指南将为有抱负的宣传员、世界经济论坛的走狗、共产主义党羽、觉醒的马克思主义者以及经验丰富的政府官僚提供必要的工具和知识，以将他们的有前途的才能发展为宣传艺术的全面掌握者。
这本书有点长！！所以不要觉得你必须一口气读完它，因为那样会让你精疲力竭，无法记住其中的关键信息。
本手册分为以下几个部分：
第一节 定义 – 如何重新定义词语、术语和指标，使其与政权叙事保持一致
第二部分 整理数据 – 如何劫持数据的记录、报告和发布过程
第三部分 审查哪些数据被视为官方科学的一部分 – 如何审查和处理不符合制度的数据，使其永远不会出现在任何官方科学或制度数据集中
第四部分 如何操纵研究 – 听起来就是这样
第五部分 修改数据集 – 有时，你需要进入数据库并进行一些数据“手术”，以修改与政权谈话要点相矛盾的数据库内容，而这些要点是你不能简单消除的
第六节 控制证据标准 – 如何建立一个证据等级制度，将对政权友好的科学置于顶端，将对政权不友好的科学置于底端（马里亚纳海沟）
第七部分 教会的科学权威 – 如何确保科学权威可靠地重复政权的事实和叙述
后记 – 把一切都完美地绑起来，就像彼得·霍兹 (Peter Hotez) 的领结一样（他是一位特别令人讨厌的政权名人科学家）
第一部分 — 定义
“谁控制了语言，谁就控制了群众。”
— 索尔·阿林斯基， 规则自由基
我们如何定义概念或类别决定了它们传达或代表现实世界的哪些细节，或者它们不传达或代表哪些细节。
灵活的定义以及任意且反复无常的定义标准对于任何有效的宣传者来说都是绝对必要的。尽管尽了最大努力，即使是经验丰富、专业的宣传者也难免会遇到这样的情况：现有的精选数据或人们的生活经历与官方政权的叙述存在问题。
因此，有效的宣传需要灵活且高度适应性的灵活性来控制数据内容，尤其是公众习以为常的现有常规指标，而这些指标很难简单地消失（不像你可以轻易地从 YouTube 或 Facebook 上删除持不同政见的科学家）。例如，在新奇的“可怕疾病大流行”的背景下，你无法避免谈论“死亡”——人们衡量疾病严重程度的主要方式始终是“有多少人死于这种疾病？”但是，如果你想增加或减少人们对这种疾病致命性的感受，你可以在新奇的“可怕疾病”的背景下改变“死亡”所指的含义。
实际上，这意味着当对某个术语或概念的正常理解表明现实与政权所期望的叙述并不完全相符时，只需改变一些定义，问题就解决了。
正如历史上许多著名的共产主义宣传家所说：“谁控制了语言，谁就控制了世界。”
有多种方法可以将定义从有问题的改变或转变为可接受的：
I-1. 限制定义
如果某事物的传统定义包含与制度教条相悖的概念、数据或信息，则应限制该定义，使其不再包含不必要的信息。有很多方法可以做到这一点。因此，我们将列出一些可用于有效限制定义的更常见特征类型： 按时间间隔限制定义： 假设接种疫苗的人在接种光荣疫苗后的前 30 天内以及接种光荣疫苗后 90 多天感染可怕疾病的概率非常高。这是一个大问题，因为人们会认为光荣疫苗无效：
用简单的英语来说，您在上图上看到的是每百万人的病例数如下：
- 接种疫苗前：每百万人患 500 例可怕疾病
- 接种疫苗后 10 天：每百万人有 3,000 例可怕疾病
- 接种疫苗后 20 天：每百万人有 1,700 例可怕疾病
- 接种疫苗后 30 天：每百万人 100 例
对于光荣疫苗来说，这是非常不光彩的功效——这是不能容忍的。一种解决方案是简单地改变“接种疫苗”的定义，使其指注射光荣疫苗后 30 至 90 天的人——换句话说，接种疫苗后 30 天内或接种疫苗后 90 天后的任何人均不被视为“接种疫苗”：
几乎文明世界的所有公共卫生机构都率先采用了这种特殊策略，其中 Covid 疫苗的“完全接种”定义仅限于“第二剂后 14 天”：
通过数量来限制定义，例如曝光次数—— 例如，如果一群接受 1 剂或 5 剂神奇疗法 Mirafaucivir 的人死亡（第一剂会杀死那些对其毒性特别敏感的人，而 5 剂对几乎所有人来说毒性太大），则将“用 MiraFaucivir 治疗”的定义限制在 2-4 剂之间：
通过在定义中添加几乎不可能满足的荒谬条件来限制定义。 例如，您可以尝试使用以下条件来限制在新推出的光荣疫苗大规模疫苗接种运动中“疫苗死亡”的定义：
在这种情况下，很难得到因光荣疫苗而死亡的“确诊”病例。
（您必须记住尽可能地阻碍尸检，以使此示例定义完全有效。）
I-2. 扩展定义
相反，有时你可能想要的东西比实际的更多。扩展定义是一个很好的解决方案——只需反转上述限制定义的说明即可。
因此，如果您需要的死于可怕疾病的人数多于实际死于可怕疾病的人数，您可以将“可怕疾病死亡”的定义扩大为“检测呈阳性后 30 天内的任何死亡”，就像魔术一样，您手中就有一场全面的流行病。
为了说明这一点，假设在可怕疾病传播 12 个月后，每 7 例感染中只有 100,000 人真正死于可怕疾病——这并不可怕。你稍微转换一下思路，将“可怕疾病死亡”的定义扩大到类似 CDC 的定义——“任何在可怕疾病检测呈阳性后 30 天内死亡的人”。由于每天都有大量人死亡，如果你对所有人进行大规模检测，你将不可避免地“发现”一大堆死者在死亡时恰好患有可怕疾病，即使他们死于完全不相关的疾病，如癌症或车祸。看看这有什么不同：
纽约州提供了一个经典的例子，说明如何扩大“可怕的疾病死亡”的定义，以创造一场史上最可怕的末日大流行的假象——只需看看以下对“可能的”新冠死亡的华丽开放式定义：
注意事项： 你必须时刻注意永远、永远、永远——永远！！！——用他们能够理解的清晰、简洁的语言向公众清楚地说明你是如何对他们进行煤气灯操纵的。 伊利诺伊州公共卫生主任 Ngozi Ezike 博士在 2020 年犯下的以下非受迫性失误，是那种让你迅速被送往古拉格集中营的单程票的失误——她实际上在一次公开新闻发布会上说了以下的话（见下面嵌入的视频）：
“因此，病例定义非常简单。这意味着在死亡时，诊断结果为新冠肺炎阳性。这意味着，如果你在临终关怀医院，并且已经被告知只能活几周，然后你又被发现感染了新冠肺炎，这将被算作新冠肺炎死亡。这意味着，从技术上讲，即使你死于明显的其他原因，但你同时感染了新冠肺炎，仍然被列为新冠肺炎死亡。”
当然，她对新冠病毒死亡使用如此宽泛的定义是正确的，但她愚蠢而粗心地把秘密泄露给了全世界。这种粗心大意的错误可能会在一夜之间毁掉整个宣传活动。而且这种事情可能会毁掉她的职业生涯（甚至更糟）：
I-3. 创造一个全新的定义
有时，仅仅在定义上做些小改动是无法掩盖人们对某事物的普遍理解的。在这种情况下，你可以大胆地重新定义一个词、一个概念或一个类别，以满足你的宣传需要。但要注意，说服人们相信旧定义只是他们想象出来的，可能会稍微困难一些。
以疾病预防控制中心 (CDC) 为例 (是的，我们会经常引用 CDC；毕竟，他们是世界上最杰出的健康宣传组织)，其在 6 年的时间里多次改变了“疫苗接种”的定义：
边栏： 上述推文给我们上了一课，告诉我们有必要控制那些可能试图反对甚至揭露你的宣传努力的流氓立法者。你不需要再为处理国会或议会向公众广播的语言背叛的明显证据而头疼（或者更头疼的是被流放到西伯利亚，成为允许这种事情发生的替罪羊）。
有时，你甚至会发现自己被词语的普通对话意义所困，它们强调了你无法让人们关注的东西。如果发生这种情况，你将被迫对语言的本质进行根本性的改变。这是一种核选项，适用于你无法以其他方式隐藏某事，也无法承受不隐藏它的时候。（小心！！如此大胆的尝试伴随着相当大的困难，因为许多人会倾向于抵制这种开放而大胆的语言转变——就像许多愚昧的卢德分子抵制性别转变一样).
以“和平抗议”一词为例：
当然，“有限”是一个主观术语，其确切的轮廓并不明确，这给了你很大的自由度来将描述应用于几乎任何事物，无论该应用有多么不连贯或不合适，正如这个不需要进一步描述的真实媒体报道所证明的那样：
I-4. 合并类别
有时，仅仅通过改变定义来塑造数据是不切实际或不可行的。不过不用担心——如果你不能改变定义，你可以改变人们习惯用单词或短语指代的数据点或类别本身。人们不适应类别或数据点的细微差别，而且媒体总是会混淆大多数事物，这是一个简单方便的技巧。例如，你可以尝试：
- 结合不同年龄组：
假设“光荣疫苗”导致一群孩子变成僵尸。这对政权来说非常糟糕。（这意味着你应该重新分配几位科学家到南极洲的气候研究站工作，度过他们的余生。不穿袜子。）
首先，你必须始终将这种新奇状况称为“安全有效地转变为食肉僵尸”。之所以使用食肉部分的原因很简单：“食肉僵尸”听起来太可怕了，而简单的“僵尸”让人感觉僵尸基本上已经死了——也就是说，珍贵的小孩子已经死了——这两种印象都不是你想让人们留下的印象。（尽管我们此处假设的例子不太可能在实践中实现，但该原则适用于任何情况：您必须始终以一种能够传达您希望人们留下的印象的方式来命名某种事物。)
其次，由于 12-17 岁年龄段的僵尸化率非常高，任何人只要看数据（下图）就能看出来，因此你可能不得不处理这个问题。因此，不要按年龄细分数据，因为这样人们会立即注意到儿童僵尸化的激增，而是将数据呈现为一个足够大的综合年龄组，以隐藏或掩盖信号：
现在没有人会注意到，数据显示，孩子们有被光荣疫苗变成肉食僵尸的明显风险。
或者相反，假设年轻人死于可怕疾病的比率并没有高到吓坏妈妈们，你可以提供 0-50 岁年龄段的可怕疾病死亡数据，让人觉得这个年龄段的死亡人数非常多， 包括 小朋友们：
- 结合不同的人口群体：
与年龄组的想法相同；假设你需要避免公民发现可怕的疾病实际上只对病态肥胖的人有危险——这是很糟糕的：
- 首先，这样他们就不会害怕可怕的疾病
- 其次，人们可能会开始质疑脂肪是否健康，这是你不能允许的，因为他们可能会开始质疑有关“脂肪积极性”的制度叙述，然后谁知道之后还会有什么。
因此，您应该只使用涵盖所有类型体重特征的组合类别来呈现可怕疾病死亡数据：
- 结合不同的时间段
假设你注意到，死于可怕疾病的人数逐月减少——这对政权计划来说可能是灾难性的，因为政权计划要求人们相信可怕疾病大流行将在未来几个月内全面流行。如果人们认为可怕疾病正在逐渐消退，那么，这将失去很多利用可怕疾病危机作为实现社会转型、巩固政权权力的手段的机会。
因此，我们不再按月呈现死亡数据，而是将三个月的死亡数据合并为一个新的类别“三个月的月平均值”，这将掩盖 1 月至 3 月的死亡数据下降情况，如下所示：
- 结合不同的地理管辖区
假设国内有一个流氓国家，给不遵循政权指导应对可怕疾病的政权制造麻烦，我们将其称为死亡圣斯坦。如果他们表现出比全国其他地区更好甚至相同的结果，他们是好公民并遵循政权指导，那就太糟糕了。进一步假设在这个糟糕的州内有一个城市或县，它是一个忠诚的政权县，遵循所有政权指导，但其死亡率远高于死亡圣斯坦的其他地方。这非常非常糟糕。解决方案？您可以提供整个州的数据，这样人们就不会知道遵循政权指导的忠诚县的死亡率是该州其他地区的 10 倍。甚至还有一个额外的好处：你可以指出整个死亡圣斯坦州是一个失败，因为忠诚的政权县会让整个州看起来更糟！！
将不忠诚国家的所有城市和县合并起来，以隐藏忠诚政权城市特有的问题，这是常用的宣传策略之一，试图隐藏不利信息，例如忠诚政权城市的犯罪率远远高于邪恶反对派控制的城市。
(边栏: 高犯罪率当然是好事，这是政权刻意为之的选择——高犯罪率对政权有用，因为不稳定使得人们更愿意接受暴政作为解决方案。)
为了说明这一点，以下是来自政权主流媒体喉舌之一的一段精彩的煤气灯言论：
看看深红色框里的字幕——看他们如何熟练地指着红色 国家 为什么高犯罪率都出现在红州的蓝州城市，而其他治理为“红色”的州却没有犯罪率？确实如此。
- 结合不同类型的效果或现象。 例如，如果某种特定亚型疾病的发病率有所增加（比如在推出“光荣疫苗”后，罕见癌症的发病率出现惊人增长，这可能会使人们质疑官方的说法，即“光荣疫苗”是人类历史上创造或发现的最安全的疫苗），您可以使用癌症的一般类别（其规模是后者的 1,000 倍）来隐藏信号。
另一种考虑合并类别的方法是，你永远不会给出不同群体或子集的具体数据，当新冠疫情来袭时，这一点被完美地实现了。请考虑以下民意调查结果，并列显示了每个年龄组的新冠肺炎死亡人数占比，以及每个年龄组担心自己会被新冠肺炎杀死的百分比。（蓝色条显示每个年龄组担心被新冠肺炎杀死的百分比，绿色条显示每个年龄组新冠肺炎死亡人数占总死亡人数的百分比。）
如果人们了解他们实际的死亡风险，蓝色条至少应该与绿色条大致相同。当蓝色条明显更高时，这是残酷有效的宣传的结果，宣传将所有年龄组合并为一个类别，而从未进行区分：
确实巨大的成功！！
I-5. 分类
有时您需要拆分一个类别，而不是将其与另一个类别合并。只需反转上面列出的合并类别的框架即可。
当您需要获得低于统计意义阈值的数值时，这个巧妙的小动作特别有用。
由于统计显著性是数据和科学中一个非常重要的概念，因此解释其工作原理是一个好主意。
传统医学学术/科学语言中使用的统计意义基本上意味着某事不是由于随机机会而发生的可能性小于 5%。
If 你抛硬币10次，由于随机性而出现 7 次正面的概率为 11.72% – 统计上不显著。如果您抛硬币 100 次，由于随机性而出现 70 次正面的概率为 0.0023% – 统计上非常显著（因为这比 5% 小得多）– 这意味着这不能合理地归因于随机性，而是某些特定因素（如作弊）导致硬币出现正面的概率为 70%。
这是为什么呢？要得到 7/10，你只需要多抛两次硬币，这样你就有希望了——有点随机。像这样的小偏差很容易随机发生。然而，要得到 70/100，需要多抛 20 次硬币，这样你就有希望了——在总共 20 次硬币中，随机出现 *100* 次额外抛硬币的几率微乎其微。所以如果我们在 70 次抛硬币中看到 100 次正面朝上，我们可以假设存在某种作弊行为，因为这种情况随机发生的可能性非常小。
您可以利用这一点来分而治之具有统计学意义的信号——您可以将具有统计学意义的、与政权原则相悖的信号类别划分为更小的类别，以便将“70/100”的信号分解为一堆单独来看并不具有统计学意义的“7/10”。
因此，例如，如果有信号表明在“令人赞叹的疫苗运动”之后，每年每 100 万人的死亡人数有所增加，那么您可以发布按年龄组细分的死亡数据，其中没有一个年龄组的死亡人数会显示出统计上显着的增加（并且您可以声称，这可能是因感染可怕疾病的并发症而导致的“长期可怕的疾病”造成的过量死亡）：
注意事项： 这种特殊的策略最好与其他策略结合起来；否则人们可以通过做一些简单的算术将所有年龄组加在一起来反向计算细分情况。 因此，请务必添加其他令人困惑的技巧。
I-6. 重新分配/重新绘制类别
比直接合并类别更精细的替代方案是重新分配类别，也就是重新划分界限。这可以使用任何区分类别的特征来实现。
为了说明这一点，回到我们关于死亡圣坦这个邪恶不忠诚国家的例子，你可以秘密地重新绘制州内各县的地理边界，以便获取像这样的可怕疾病数据，而不是将整个州合并为一个全州的统计数据——看看当我们将县边界更改为绿线时会发生什么：
注意： 这并不意味着您必须为了政治目的和其他目的（例如选区）而重新划分县；您所做的只是使用不同的边界，其唯一目的是统计可怕疾病。（然而，人们会认为您指的是实际存在的县，因此不会意识到您欺骗了他们。这被称为宣传是有原因的。）
I-7. 流体定义
有时你可能会有矛盾的需求，既需要对某件事使用特定的定义，又必须避免对其他事使用特定的定义。在这种情况下，你必须像字典一样行事——字典通常对一个词有多个不同的定义，你也可以这样做。
例如，“女人”一词有时被定义为“拥有女性解剖学和遗传特征的成年人”，例如在讨论女人的选择权时；有时被定义为“认同自己是女人的人”，例如在有组织的体育运动中。
第二部分 — 整理数据
比运用可塑性定义更好的方法是首先避免需要改变定义的情况。
避免此类问题的最佳方法是以避免产生潜在麻烦的方式管理数据，通过采用以下一种或多种经过尝试和测试的方法来破坏数据管理、组织和呈现。
II-1. 不要诊断或识别某事
如果患者在服用 Glorious 疫苗后出现多种神经功能障碍，并因“焦虑”而带着 Xanax 处方回家，那么任何数据库都不会首先生成神经功能障碍的诊断。没有可能由 Glorious 疫苗引起的疾病的诊断 - 或某些大型政府或保险数据库中的诊断代码 - 意味着您必须使用定义上的花招来掩盖与 Glorious 疫苗相关的诊断伤害的存在。因此，您应该确保负责诊断或识别与完全安全有效的 Glorious 疫苗存在问题或矛盾的数据/观察结果的人员不会这样做。
值得强调的是，患者很容易被自己的医生欺骗，说“这一切都是他们想象出来的”，即使他们知道自己遭受了严重的、改变生活的医疗伤害，导致他们残疾，完全无法活动 他们每天都会经历.
让我们通过以下假设场景来说明这一点：
政权官员认为，在政府控制的 宣传 建立安全监测数据库来监控光荣疫苗的安全性 –
– 存在 VAMP 综合征的信号（V疫苗 A相关 M变态的 P异常（henomena）条件：
一名患者来到医生办公室，表现为快速、急性发作的 伦菲尔德综合征 （嗜血）、极度光敏性、明显 巨齿症以及严重的接触性皮炎，所有这些都是在接种 Glorious 疫苗后数小时内开始的。这是一个明显的 VAMP 综合征副作用案例——患者的表现符合成熟吸血鬼的诊断标准，并且该病症是由 Glorious 疫苗引起的（因为医生可以安全地排除任何其他原因，再加上接种后立即出现 VAMP 症状，这是一个非常不言而喻的指标，表明 Glorious 疫苗导致了这些症状）。
即使患者能看出他们明显不对劲——他们感到一种难以抗拒的诱惑，想咬断你跳动的颈静脉；他们无法忍受站在窗前，除非窗帘完全拉上；他们不小心用新长而锋利的门牙咬掉了几片舌头；如果他们碰到银制的传家宝，他们的皮肤就会开始脱落——那又怎么样？你仍然可以告诉患者，“这是你的想法”，然后给他们开 Xanax 处方（如果您感觉到患者可能无法再控制自己太久，并且您不想让您的颈静脉为他们提供午餐，也许可以给他们一袋或两袋 O 型阴性血）。患者实际上会接受它并回家，而不会进行太多的抵抗。
这巧妙地避免了生成任何 VAMP 综合征的诊断记录，因此任何地方的任何数据库中都不会显示任何内容。
你会惊讶地发现，有多少医生如此顺从，以至于他们会说服自己，那个在接种光荣疫苗一小时后突然长出尾巴的毛茸茸的女人 与光荣疫苗毫无关系.
(注意：: 严肃地说，为事物想出朗朗上口的缩写或名称很重要，这些缩写或名称可以传达出你希望人们如何看待该事物的印象，所以不要在现实生活中使用这个例子，因为它传达出你没有认真对待安全监控，并且让人们更有可能相信你试图隐藏光荣疫苗的实际安全问题。）
II-2. 过度诊断或过度识别某事
相反，如果你需要制造比现有产品更多的产品，只需反转第 1 条即可。例如，如果你需要让人们更加害怕可怕的疾病，你可以实施大规模检测制度，以增加可怕疾病的“确诊”病例数量。此外，无论结果是否属实，一定要确保使用的检测结果阳性率非常高。
通过增加对某事物的监控或检测，你可以制造出检测对象数量不断增加的假象，或者至少保持检测对象仍然存在的假象。请看下面这张来自美国的图表——你可以在上面的图表中看到，随着每日新冠检测数量的增加，同时阳性检测比例下降了 75% 以上（下图）。这样做的目的是让病例数保持在相对较高的水平（中间图表），因此，即使阳性检测比例下降了 75% 以上，在同一时期内，新病例的数量也只下降了约 25%。
病例数量的增加完全是由于更多的检测，但却毫无意义地增加了，这导致了类似 NBC 于 11 年 2020 月 XNUMX 日发表的这篇惊恐色情报道的头条新闻：
记得： 你会找到你所寻找的东西，并且你会找到更多你所寻找的东西。
II-3. 不要报告已诊断或发现的情况
有时无法避免诊断或识别最好不要发现的事物。在这种情况下，您至少可以确保观察到的内容未包含在官方报告或数据中：
在更加个性化的层面上，你应该向医生、医务人员和管理人员发出指导，不要诊断你不想在数据集中出现的东西。不要犹豫使用经济激励来增加忠诚遵守制度的医生的回报。不要吝啬——预防几乎总是比在问题出现后解决问题更便宜（压力也更小）。
即使在极少数情况下，医生无法避免诊断出患者在接种光荣疫苗后出现的严重疾病，医生仍然可以确保避免将不良事件报告给任何光荣疫苗伤害数据库。
或者，如果用于记录光荣疫苗伤害的制度数据库最终仍然包含太多问题报告，让人对其安全性产生怀疑，那么您必须做两件事。
第一个办法是将几名数据库管理员困在海盗出没的索马里海岸线，以便其他人能够齐心协力，不让这么多报告被泄露。你付钱让他们做一项工作，即维护公众对光荣疫苗是有史以来最安全的药品的看法；失败是不能接受的。
第二是不要公开披露数据库中有问题的报告。CDC 尽了最大努力，但最终还是被一名流氓法官击败（这也强调了对司法机构的控制的必要性）：
II-4. 如果发现结果可能导致问题，则不允许调查现象
“你会找到你寻找的东西”的另一面是“你不会找到你不寻找的东西”，所以要确保没有人去寻找可能对政权叙事造成问题的潜在信号。如果政权“意外地”在第三世界城市引发瘟疫，你不可能让讨厌的社交媒体阴谋论者弄清楚发生了什么，所以你最好确保没有人对病人进行尸检或测试。
疾病预防控制中心提供了另一个例子，说明如何采取良好的先发制人的战略思维，阻止可能对政权造成危害的数据进入：
CDC 非常聪明，尚未对其自己的 VAERS 疫苗安全监测数据库中报告的数千例死亡病例进行尸检。(还记得第一部分关于在定义中添加荒谬条件的部分吗？如果不记得了，最好复习一下相关内容，以便随时掌握。)
II-5. 首先只发布部分数据
通常情况下，只需发布一部分数据，而将另一部分留待以后再发布，就可以创建一个根深蒂固的虚假叙述。因此，当您最终发布其余数据时，它与现已成为公认教条的基础相矛盾就无关紧要了。
例如，如果你需要将这种可怕疾病描绘得比实际情况更加普遍，你可以效仿弗吉尼亚州最前沿的宣传者，暂时隐瞒一些阴性检测结果，以提高阳性检测结果的百分比，这让人觉得有更多的人患上了这种可怕的疾病：
另一种可以有效利用部分数据发布技术的场景是，你发现自己被迫发布数据，无论出于什么原因，这都会让政府看起来很糟糕（这种情况确实发生）。所以你想尽可能长时间地推迟发布真正有害的东西——如果你等得太久，它最终将不再有意义。此外，如果你一下子把所有信息都发布出去，冲击力将非常大，你会陷入一个大混乱。然而，如果你一点一点地发布信息，那么等到丑闻被发布时，“哇”的冲击力早已消失，人们将不再那么关注。FDA 曾尝试过这种策略，尽管它大多被流氓法官挫败（强调司法控制的迫切需要，以防止叛徒法官对政府不忠）：
II-6. 限制可接受的数据或信息来源
当有消息来源提供的数据与政权叙述不一致时（尽管你尽了最大努力，这种情况还是会偶尔发生），只需将其视为宣传或其他不可信和危险的东西，例如俄罗斯机器人。（作为一般经验法则，在紧急情况下，你总是可以默认将任何不便的信息归咎于或归咎于“俄罗斯的虚假信息”。）
这一策略的典型案例是 CDC 运营的 VAERS 数据库。当 VAERS 显示新冠疫苗造成的伤害数量惊人时——
– 整个科学机构都简单地将 VAERS 标记为用于传播危险虚假信息的阴谋论：
然而，如果这些数据来自难以简单地视为不科学垃圾的政权数据集（是的，确实存在这种情况），那么 停止发布它们 反而认为它们结构不良，充满致命错误。
我们可以用英国卫生统计局 (UKHSA) 来说明这一原则。在几乎所有年龄组的疫苗粗效效力都大幅下降到负值范围后（接种疫苗的人感染新冠的风险高于未接种疫苗的人），英国卫生统计局干脆停止发布每周疫苗效力数据：
UKHSA 还提供了一个警示故事，说明如果等待太长时间才停止处理有问题的数据集，将会发生什么：
你不能每周都看到这样的头条新闻！！他们应该在接种疫苗的人比未接种疫苗的人感染新冠的人数多之前就停止收集这个数据集。这是一个非受迫性失误，是那种需要人为之付出代价的愚蠢错误。他们为什么要等到 80 岁老人的*加强剂*效力即将变为负值？？？英国卫生标准局的某个人已经有一段时间没读过这本书了，显然，如果能读一读这本书，他会受益匪浅。。。
II-7. 确定哪些信息是严谨可信的，采用双重标准
有些宣传者可能不愿意赤裸裸地虚伪，因为他们觉得公开提出两个不可调和的标准会暴露自己，甚至一些普通农民都能注意到这一点。然而，你必须克制这种冲动。要知道，在制定谈话要点和立场来操纵公众时，采用双重标准会成倍地增加你的选择。
就轶事而言尤其如此。支持政权观点的轶事，尤其是来自政权认可的消息来源的轶事，应被视为最高证据；而来自异端或未经批准的消息来源、与政权宣传相矛盾的轶事则必须被谴责为仅仅是轶事，没有任何证据价值，毫无意义。
因此，服从政权的医生和忠诚的公民讲述的可怕疾病杀人致残的轶事是无可辩驳的证据，但因光荣疫苗而受伤或死亡的轶事只不过是随机巧合，甚至是彻头彻尾的捏造，是由卑鄙的骗子为了诽谤政权和危及世界各地所有只想活下去和健康的好人而推动的：
公然采用双重标准还有一个关键的好处，那就是让民众认为，判断数据或信息是否可靠的真正标准就是政权的说法。
II-8. 篡改数据以保护或支持你的叙述
有时，避免出现问题数据的最简单策略就是编造假数据。你可以凭空捏造一些东西。或者你可以采取更细致入微的方法，通过引入普通人难以察觉的细微缺陷或偏见来破坏数据。伪造或伪造数据的方法无穷无尽，这里无法一一列举。只要小心伪造数据的方式，不要轻易被发现或被逆向工程。
例如，回到我们之前的假设情况，你需要让人们相信一种可怕疾病的病例比实际病例多得多，另一种可以将可怕疾病描绘成更普遍的方法是将目前患病的人数与已经康复的人数相结合。CDC 实际上就是这么做的，他们将抗体测试（衡量已经从 Covid 中康复的人数）与 PCR 测试（衡量目前患病的人数）结合成一个“Covid 阳性测试结果”指标，狡猾地将所有已经康复的人都归为目前患病：
请注意上面带下划线的句子，它们非常具有启发性。
绿色下划线的句子——“CDC 的方法让人觉得美国的检测能力比实际更强”——看看疾控中心如何巧妙地利用这一策略获得了多个宣传片。他们不仅制造了感染率大幅上升的假象，还制造了政府拥有比实际能力更强的病毒检测能力的假象。（炫耀政府能力的例子是件好事，因为政府以无能著称，这是人们对政府最难反驳的观念之一。）精明的宣传者总是希望利用额外的角度来获取优势，而不是满足于所部署的宣传策略实现了其主要预期目标。
红色下划线的句子——“这些数字可能让人觉得各州有足够的检测能力，并准备解除限制，但事实可能并非如此”（实际上是最后两段）——提供了一个明智的教训，告诉我们要将潜在的麻烦扼杀在萌芽状态。你必须始终——始终！！——保持警惕，避免任何潜在的影响或对信息的快速解读，尽管这些信息总体上是支持政权的，但也包含一些可以被扭曲的内容，以破坏官方政权叙述的其他方面。基本上，你可以鱼与熊掌兼得！在此，请欣赏引用的政权科学家如何巧妙地同时（1）表示赞同增加检测能力，以此作为衡量政权非凡能力的指标；（2）将[故意]“事故”的责任归咎于持不同政见的政党；（3）警告说，即使国家在广泛提供检测方面做得非常出色，但这并不意味着可以安全地重新开放！请记住，有一场疫情需要维护，而这位政权科学家在这方面做得很专业。（一定要给政权科学家丰厚的奖励，以表彰他们出色的工作。这将激励其他人提高水平，这对士气也有好处。）
还要注意，媒体是政权的重要盟友，没有他们，你就会失败。所以，你应该尽你所能维持这种亲密的关系——不要在这里吝啬。
II-9. 删除有问题的数据
是的。就像 Bleach Bit-ing 希拉里的电子邮件一样。不时清除数据库中与政权叙述或立场不一致的数据是件好事；否则它可能会积累成一种可辨别的趋势，可能会被政权异见人士或虚假信息传播者注意到。
因此，如果 Glorious 疫苗的安全数据库包含太多报告，只需像 CDC 那样将其删除，如下图所示，该图显示了 CDC 每周删除的有问题的 VAERS 报告数量：
请注意，在这种情况下，CDC 的 VAERS 工作人员大部分时间表现不佳——你不能让关键人员懈怠。整个图表应该显示顶部的条形图——没有理由他们不能像 2021 年 2022 月和 XNUMX 月那样在 XNUMX 年 XNUMX 月删除大量 VAERS 报告。如果你必须雇用额外的人员来处理删除报告，那就这么做吧。
另外，这些懒人为什么一开始就允许积累这么多报告？这样的数据库中本来就没有足够的报告，否则就需要每周大规模清除这些报告。
也许整本书最重要的教训是： 传播和维护宣传的无聊、滑稽、繁琐的后勤细节与宏大的弥天大谎或令人惊叹的语言技巧同样重要。
如果人们发现缺少数据，你可能必须发挥创造力来对此提出理由或解释，因此请务必提前准备好谈话要点以防万一。
另一个恶意删除数据的绝佳例子是澳大利亚政府采取的以下巧妙的删除措施，删除了令人不快的气候数据，这些数据表明，许多年前发生的高温记录不能归咎于人类的碳排放：
不幸的是，他们被抓了，当你试图删除一些真正重要和引人注目的东西时，这有时是不可避免的。这就是为什么必须有一个古拉格系统随时待命，随时处理突然增加的新囚犯（就像澳大利亚的隔离营一样）。
II-10. 制造虚假数据，使自己的说法看起来与事实不符，以此欺骗和抹黑反对派
当面临持续的信息威胁，而这些信息威胁会腐蚀你的宣传工作时，这是一种巧妙狡猾的策略，可以剥夺他们的权威、可信度和影响力。只需发布虚假数据，表面上似乎可以揭穿政权的叙述，但这些数据很容易被证明是错误的。国家的懦弱敌人无疑会抓住这些虚假信息或数据，因此，当你证明他们相信这些现在显然荒谬的说法时，他们就会失去信誉。
例如，军方对他们自己的内部数据库 DMED 所做的事，该数据库记录了整个军队的所有医疗状况。他们故意在其中植入虚假数据，这些数据看起来完全是 OMG!!!!!!!! 时刻，显示各种医疗状况（如癌症、流产和其他与神圣的 Covid 疫苗相关的疾病）大幅增加。然后，当几位英勇的军医发现 DMED 数据时，他们完全相信了……这毁了整个故事。（有关此事件的完整详细时间表和解释， 看到这里.)
II-11. 利用图片、表情包或其他媒体类型大胆撒谎
公众对科学或数据的认知很大程度上取决于科学或数据的视觉呈现——一个好的模因或图像可以有效地传达完全错误的数据，让人们确信这些错误的数据绝对是 100% 真实的。
例如，如果你想描绘可怕疾病引起的心肌炎的发病率和严重程度比光荣疫苗引起的心肌炎的发病率和严重程度要严重得多 尽管事实恰恰相反，你可以创建一个像这样的强有力的图像：
现在，人们会本能地将“可怕的疾病心肌炎”与巨大的蘑菇云灾难联系起来，而将光荣疫苗引起的心肌炎视为图表上根本就看不见的微小针刺。
II-12. 创建歪曲数据的数据可视化
有时你不得不发布非常非常糟糕的数据（对政权或 Science™️ 来说）。但幸运的是，大多数人（和学者）都是肤浅的白痴，懒得阅读印在图表或图形旁边的文字。因此，你可以以一种扭曲或隐藏数据内容的可视化方案来巧妙地描绘数据。
让我们用最伟大的 Science™️ 期刊中的一个例子来说明—— Lancet。 该 Lancet发表了一项研究，估计每年全球因极寒和极热造成的死亡人数。由于世界各国政府都想维持全球变暖对人类造成致命威胁的假象，他们需要证明因高温造成的死亡人数多于因寒冷造成的死亡人数。至少，两者必须相等。因此，当 Lancet 发现寒冷死亡人数多于炎热死亡人数 以 10 比 1 的优势 （字面意思），他们必须想办法创建一个图表来掩盖这个不方便的小事实。结果就是下面左侧的图表：
蓝色条形表示寒冷导致的死亡，红色条形表示高温导致的死亡。条形越大，死亡人数越多。所以他们需要让红色条形和蓝色条形一样大。所以他们采用了一个狡猾的小技巧——如果你看一下紫色下划线的数字，这些数字将条形的大小转换为具体的死亡人数，你会发现，对于蓝色条形（寒冷死亡），每英寸条形代表 50 人死亡，但对于红色条形（高温死亡），每英寸条形仅代表 10 人死亡。因此，相同大小的条形代表的寒冷死亡人数是高温死亡人数的 5 倍，尽管它们看起来一样。但人们不会注意，只会说“哦，它们看起来差不多，所以高温死亡和寒冷死亡的比例一定大致相等。”（他们甚至试图在最后偷偷加入一个巨大的间隔，红色条形的最后一英寸代表 210 人死亡，而不是 10 人（橙色箭头）。）
如果他们诚实地制作了一张图表，使用相同的尺度来衡量寒冷死亡和炎热死亡，那么它看起来应该像右边的图表。问题是，一眼望去，你会清楚地感觉到极寒比极热的威胁大得多，这可能会引发一些令人不安的问题：全球变暖是否真的对人类有益。
注意：：使用这种策略时，要比柳叶刀更微妙、更谨慎，因为即使是外行人也很容易发现这种花招。
操纵科学
“为此，李先科开始“训练”苏联农作物在一年中的不同时间发芽，包括用冰水浸泡等方法。然后他声称，未来的农作物会记住这些环境线索，即使不经过处理，也会继承这些有益的特性。=1
操纵科学并不是什么新鲜事。对于宣传者来说幸运的是，如果你是政权，科学很容易被随意操纵。只要看看特罗菲姆·莱先科在斯大林同志的支持下取得的成就就知道了。以下部分将详细说明你需要做些什么才能成功操纵科学来支持政权的叙述和目标。
制药巨头的宣传机器运转良好，完美地体现了其协同有效的科学操纵行为。一群叛逆的科学家密谋，精确阐述了制药巨头如何随心所欲地控制和操纵科学和数据：
显然， 这篇文章仍然可以公开访问 这是当局审查人员的惊人失败。在一个政府运转良好的国家，所有对当局进行如此大胆攻击的作者（以及未能阻止其发表和/或未将其删除的审查人员）昨天将被驱逐到北极。
边栏：这些作者确实准确地描述了我们如何破坏科学以适应政权议程。 这类文章虽然显然不允许公开传播，但完全可以在政权宣传人员中传播，以便更好地了解如何有效地进行宣传.
同样需要注意的是，制药公司——“大型制药公司”——通常会遵守政权，但如果制药公司变得“不那么”遵守，那么你当然应该起诉他们卑鄙的欺诈行为。此外，每隔几年就要对忠诚的制药公司处以巨额罚款，这样人们就会认为政权与大型制药公司之间存在对抗关系，因此不太可能意识到政权和制药公司是勾结的。几十亿美元对他们的资产负债表来说不算什么。
第三部分——审查哪些数据被视为官方科学
选择性地选择将哪些数据纳入官方科学。被认可为科学信息的信息对民众来说更有分量和可信度，即使是那些拒绝听从政权说法的人（没有人希望被视为“反科学”——这几乎和现代社会中的种族主义者一样糟糕）。
III-1. 不要发表有问题的研究，如果发表，就撤回
防止官方科学研究推翻政权叙事的最可靠方法是剥夺其官方性。（然后你把它藏起来，让任何人都无法访问，并声称既然它被撤回了，就表明它一直是腐败的反科学异端分子推动的虚假欺诈性垃圾科学，他们想通过销售奇怪的维生素混合物致富。）
然而，你必须小心谨慎，行动要迅速，因为如果你等待的时间太长，未经批准的科学研究的副本可能会在非信徒或反对政权的异端分子中秘密流传，并具有近乎神话的地位。一旦一项研究在人们的经验中根深蒂固地成为一项“真正的研究”，撤回它只会让他们认为你拼命隐藏“真相”。
看看这些对新冠疫情期间政权叙事有害的研究的光荣撤回吧（这只是第 36 页中的第 XNUMX 页）：
想象一下，如果这些不正当的研究被允许保留而不被撤回，可能会造成多大的损害！
再想象一下，还有多少研究从一开始就没有面世，因为这些研究只代表了异端研究（或偶然发现异端结果的好科学）的一小部分。
III-2. 挑选数据集中代表“官方科学”的部分
令人惊奇的是，只需利用数据集的选定部分来支持政权的叙述，同时丢弃（或者更好的是，隐藏）与政权立场不同步的数据集部分，就可以彻底改变科学。
例如，假设我们看到政权的以下两种趋势 宣传 光荣疫苗安全监测数据库。
(不幸的是，你必须假装在监控安全，以安抚那些对任何新事物都感到紧张的公民，同时也为了对潜在的批评者和虚假信息传播者有现成的回应，他们会试图指责政权隐瞒有问题的安全数据。你必须假装非常认真地对待这件事.)
无论如何，让我们假设每接种一百万剂光荣疫苗，就有 26,878 份关于安全有效地转变为食肉僵尸的报告，但只有 2 份关于接种疫苗的人在接种后立即被食肉细菌杀死的报告，如下所示：
您不能让这件事公开发表，因为这样会助长人们对疫苗的犹豫，并导致人们普遍怀疑政府的说法，甚至怀疑其他事情。但您还需要证明，宣传数据库显示，潜在的 Glorious 疫苗伤害率可以忽略不计。（每次引用安全数据库时，请务必强调，这些报告并未证实 Glorious 疫苗是导致伤害的原因，只是存在潜在的关联。）
这里的解决办法很简单——只使用数据来表明，每 2 剂疫苗中只有 100,000 例报告有人感染了可怕的食肉菌。然而，每 26,878 剂安全有效的食肉僵尸变身中就有 100,000 例报告，则应尽可能地被公众忽略，当你无法避免忽略它时，你必须谴责它是未经审查的、不科学的、毫无意义的、无关紧要的报告。一定要斥责媒体胆敢向你询问这件事。 （理想情况下，你应该与一位忠诚的政权记者合谋，让他来询问这个问题，这样就可以以一种轻蔑的方式提出这个问题，例如“一些边缘人试图声称光荣疫苗正在造成数以万计的耸人听闻的伤害，你能解释一下他们是如何歪曲宣传数据库中的报告的吗？”）
此外，在试图让人们冷静下来的情况下，永远不要使用“可怕”这个词。永远不要。即使你所描述的东西客观上是可怕的。当描述某种本质上可怕的东西时，应该使用听起来很学术的科学术语。因此，“食肉细菌”可以被描述为“坏死性筋膜炎”，没有人知道它到底是什么意思（大多数人都懒得去谷歌搜索）。它甚至有两个“i”，这让它听起来在智力上有点令人印象深刻，就像被如此复杂的东西杀死几乎是一种特权：
这并不复杂；你很快就能掌握它。（如果你不掌握，你很可能也活不了多久了。）
注意：：当你遇到政权认可或强制使用的产品很危险的情况时 — — 这种情况经常发生 — — 你必须确保自己不会被自己的宣传所蒙骗；否则你很可能最终成为下一个“安全有效的僵尸”，就像这四位美国参议员一样：
III-3. 延迟报告数据
审查官方科学中包含哪些数据的更巧妙的方法是虚假地报告数据或信息。战略性地安排不同数据子集的报告时间是一种简单但非常有效的操纵科学数据的方法。（不要担心理解这是如何运作的；只要知道它确实如此，并聘请能够找出如何最好地实施这一点的称职统计员。）许多计算都依赖于报告数据的时间，因此您可以通过在最佳时间小心地发布数据的不同部分来控制数据显示的内容。
例如，一个 死亡报告延迟一周 可以从根本上改变医疗干预的明显有效性或安全性——实际上，通过将死亡报告延迟一周，你可以让毫无效果的东西看起来有 95% 的效果。（你可以点击链接了解更多详情，但这种特殊的策略对于《傻瓜指南》来说有点太复杂了，在这里包括深入的描述可能会导致原本前途光明的宣传家感到沮丧，怀疑自己的能力，如果他们无法理解解释，这可能会导致他们辞职，这将是一场悲剧。真的。）
第四部分 – 如何操纵研究
也许操纵科学所需的最重要的技能是设计和操纵研究以获得必要结果的能力。
[注意： 实际的研究操纵总是由以研究为生的专家（称为 PI，即首席研究员）来完成。所以你不需要精通这些内容。但对基础知识有足够了解还是有帮助的。
研究——尤其是那些通常被认为是科学“黄金标准”的大型研究——是极其复杂的野兽，可以通过无数种方式进行操纵。我们将解释更突出、更直接的欺骗、操纵和设计缺陷类型，这些类型可以被利用，使研究成为你手中的傀儡，可以随意操纵。
[注意： – 实施以下任何一种操作都有许多复杂程度的等级。我们只会使用简单直接的原则应用来解释和说明底层概念，而不会添加任何花哨的装饰和小玩意。这里的目标是您应该了解各种类型和操作数据的方法。之后您可以学习更高级的方法（当然，我们非常鼓励和推荐这样做）。
IV-1. 研究操纵策略 #1：操纵研究方案的设计
与本节相关的大部分材料也与下一部分有关，该部分涉及破坏研究方案的实施，因此我们在这里只讨论操纵方案本身设计所特有的策略。
研究方案基本上就像一本规则手册，规定了研究的开展方式。因此，一定要制定有利于实现所需结果的规则。
A）堆叠牌组——策略性地将研究对象分配到相应的研究组和对照组
几乎所有大型专项研究都有两个组——研究组和对照组。在一项新药研究中，研究组得到药物，而对照组得不到药物。理论上，如果药物有效，那么对照组的患病人数应该比研究组多。
因此，如果您正在进行一项研究来测试一种新的 Wunder-drug 疗法，您可以利用这一点，将更多的不健康的人放入对照组而不是研究组，这样即使疗法药物不起作用，研究组也会表现得更好。（当然，您不应该在研究文件中承认这样做或任何其他这些战术诡计。）
B）仔细审查纳入研究的对象
只要将那些可能以某种方式破坏你的结果的人拒之门外，就能避免很多麻烦。
例如，如果你正在测试一种新药，并希望证明其安全有效，那么就应该将那些特别容易出现不良反应或无效的人排除在外。你懂的。（比如，他们在 Covid 疫苗试验中没有包括任何患有合并症的老年人，这就会揭穿“99% 有效”的谣言。）
IV-2. 实验操纵手段 #2：破坏实验方案的执行
通常情况下，你无法直接操纵研究方案本身来产生你想要的结果。在这种情况下，你需要破坏官方研究方案的实施或遵守。这很容易做到，而且有无数种方法可以做到这一点。
注意： 提前规划好后勤工作是明智之举，这样可以避免在涉及数千名受试者和人员的大型研究中可能出现的各种问题和紧张情况。例如，如果你想“证明”一种特别烦人的药物实际上是致命的，你应该准备好尸袋，以便快速将尸体从公共场所移走，并配备一个 24 小时待命的火葬设施，以销毁尸体可能含有的任何不良法医或病理学证据。）
破坏协议 #1：对研究组实施研究治疗/干预
人们认为给受试者用药是简单直接的。他们错了。大错特错。你可以通过巧妙地调整给受试者用药的方式来控制整个研究，包括以下内容：
- 干预剂量/数量 – 你可以根据自己的目的选择药物剂量过少或过量。如果你想让药物看起来无效，剂量过少将确保它不会起作用。如果你想表明药物是危险的，只需将剂量增加到剧毒水平即可。
- 治疗时间 – 另一种破坏药物效果的方法是过早或过晚给患者用药，以致药物无法发挥功效。您可以选择多种不同的方法来实现这一点。例如，您可以通过邮寄的方式将药物发送给患者，这不可避免地会延长几天的用药时间（David Boulware 伊维菌素特刊）。
- 产品质量——即纯度/效力 – 受污染或制造不良的产品不会发挥与采用高质量成分并完全按照理想制造规范制造的纯净产品相同的功能。
(注意： 在研究中部署受污染的版本之前（除了对药物正常配方进行的官方临床前研究），您始终应该对动物和人类进行非公开的临床前研究，以了解不同版本的药物或干预措施将如何发挥作用；否则，您可能会意外破坏自己的破坏企图。请记住，进行研究的目的是为了展示预先确定的结果，而不是发现任何新颖的科学见解！您正在研究的药物或干预措施在现实生活中的作用的不确定性或不可预测性是成功进行研究操纵的致命弱点。或者，当您努力从现在极其混乱的研究中找出危险和令人不安的数据时，至少会给您带来一些严重的偏头痛。)
- 使用盐水或安慰剂代替干预措施 – 另一种可以最大程度降低治疗方案所选择的干预措施风险的方法是给予安慰剂而不是治疗，这样可以减少干预措施的毒性。显然，您还需要确保使用盐水不会产生显示药物无效的不良副作用，因此这种策略通常与其他方案操纵或不忠行为结合使用。
- 连连看 – 您可以随时混合搭配这些建议。例如，您可以给出 一些 治疗对象使用不同的产品。您还可以组合使用多个建议，以便用不同的建议覆盖研究组的不同部分，这可以使局外人更难发现违反协议的情况。
破坏协议 #2：向研究组提供安慰剂
这实际上是上一节的另一面。有一些应用于安慰剂的具体策略有点独特：
- 给予对照组/安慰剂组干预 – 确保研究不会显示任何治疗效果的一种方法就是让对照组也接受治疗。如果两组都接受治疗，那么两组之间就不会有差异，因为治疗组因接受治疗而表现更好。
更简单但风险更大的方法是让研究人员直接将药物伪装成安慰剂交给对照组。（这很容易，因为安慰剂应该在外观、感觉、味道和气味上与治疗剂完全相同，以防止对照组受试者发现他们没有服用该药物。）
更困难但风险更低的方法是鼓励对照组受试者在研究之外接受治疗。例如，你可以使用与药物明显不同的安慰剂。由于研究对象可以通过谷歌轻松发现这不是药物应该有的外观、气味或味道，他们会努力在旁边购买真正的药物，因为他们不想死于或遭受药物用于治疗的任何疾病或状况的严重并发症。
或者，您可以选择在人群已经广泛接触所研究治疗方法的地方开展研究，这样受试者群体将完全受到已经在使用或至少有该药物供应的人群的污染。
（但请记住，这种策略可能会被讨厌的反科学异端异端者注意到，因为在进行研究的地方，人们广泛了解和/或使用该药物将成为公开记录。）
- 添加安慰剂 – 如果您不想要惰性安慰剂，您可以添加一些更“活跃”的东西来引起副作用和/或治疗效果。
一种特定的方法是使用治疗成分来增强安慰剂的效果。这种方法尤其适用于隐藏由除活性治疗成分以外的其他成分或成分引起的治疗副作用——如果你将这些成分放入安慰剂中，那么两组都会有类似的副作用。
(注意：：请记住，如果副作用太明显，简单地将治疗的有毒成分放入安慰剂中可能会引起疑问，如果人们注意到研究对照组中特定副作用的发生率远高于一般人群。)
破坏协议 #3：激励研究对象改变其行为
在设计方案和开展研究时，研究对象的行为通常是一个重要的考虑因素。充分利用这一点。
激励措施有 3 种基本类型：
- 经济诱因 – 激励某种行为最有效的方法之一就是给予经济奖励：
- 你可以在研究中实施贿赂计划。例如，如果研究通过要求受试者报告信息（例如在接受 Glorious Intervention 后他们经历了哪些副作用）来获得结果，你可以付钱让受试者不报告副作用。但是，你还必须执行保密措施并确保没有人发现它，这可能很棘手。
- 或者，您可以操纵或利用进行研究的环境，充当您的中介或中间人来分发财务利益。例如，如果您正在测试阻止可怕疾病传播的潜在干预措施的有效性，您可以在人们只有在未感染可怕疾病的情况下才能上班的地方进行研究，利用这种内在激励，让人们不报告检测结果呈阳性的情况（他们想要全额薪水）。
- 社会压力 – 第二种激励是社会压力。这种压力可能来自同龄人、政治力量、社会团体、专业同事、机构、名人或社会上任何其他有影响力的来源。关键在于，你可以利用其中任何一种或全部来为自己谋利。
例如，假设您正在进行一项研究，以测试神奇布盾在阻止可怕疾病传播方面的有效性。因此，您为第三世界国家的一些村庄提供神奇布盾，并创建一个未获得神奇布盾的村庄对照组。您可以在获得这些设备的村民面前展示这些设备有多么神奇。您还可以让村里的长老宣称神奇布盾是上天的恩赐，这使得佩戴神奇布盾成为一种道德美德，更重要的是，使佩戴神奇布盾但感染可怕疾病成为宗教失败的标志。这使得他们报告可怕疾病病例的可能性大大降低，尤其是与未获得神奇布盾的村庄相比。这看起来神奇布盾可以减少可怕疾病的传播。 - 严厉处罚 – 如果研究对象没有完全按照你的意愿行事，你可以威胁他们要承担各种可怕的后果。这在法治很少甚至没有、腐败盛行的第三世界国家尤其容易实施。事先以某人为例来表明你是认真的，可能会很有用——例如，你可以随机挑选一个人送往苏丹的监狱，他们不太可能活着回来。
破坏协议 #4：雇佣不称职的人来进行研究
研究——尤其是进行某种实验的研究（而不是仅仅分析现有的数据集）——通常需要大量工作人员进行。雇佣能力不足的员工是一种很好的方式，可以让你有一些回旋余地来“处理”研究中出现的不方便的数据——“这些数据是错误的，因为工作人员把它弄乱了。”所以当然，你必须“修复”这些“错误”。
更重要的是，不称职的员工不太可能注意到你在操纵研究，因为他们不具备有关如何进行合法研究的知识或经验。
破坏协议 #5：从研究中删除任何有问题的研究对象或事件
这显然是“废话”。如果 Glorious 疫苗 3 期试验中的一些受试者在注射 Glorious 疫苗后立即遭受严重伤害，那么，你不能让他们破坏“安全有效”的说法。但幸运的是，解决办法很简单：将他们从研究中移除。
在旁观者看来，这甚至不会有什么可疑之处！每项研究的协议中都写有规则，允许你开除违反研究协议或因“个人原因”而希望离开的研究对象。（想想每次一位政客说他要辞职以“花更多时间陪伴家人”——同样的想法。）但大多数学者都对此上当受骗，每次都会上当。
如果你真的非常聪明，在设计协议时就应该加上一个条件，禁止受试者寻求研究之外的任何医生的医疗服务。因此，如果受试者出现严重的副作用，比如安全有效的心肌炎或轻微的贝尔氏麻痹症，导致他瘫痪，他们就会直接去最近的急诊室……这明显违反了研究协议！！再见，问题解决了。
如果你想看到现实世界的大师，那就看看辉瑞疫苗第三阶段儿童试验的负责人吧——当一位名叫 Maddie de Garay 的试验对象在接种疫苗 3 小时后遭受多处相当严重的神经损伤（包括长期使用喂食管和轮椅以及其他生活方式“调整”）时，他们干脆将她排除在研究之外。然后将她的伤势记录为“未解决的腹痛”。他们还将另一名名叫 Augusto Rioux 的律师从主要试验中剔除，因为他在接种第一剂疫苗后患上了轻微的安全有效的心包炎。
阿斯利康也一样——Brianne Dressen 在服用第一剂后就被开除了——但据他们报道，她因个人原因退出。看到了吗？很简单。
协议破坏#6：记录虚假数据
当所有其他方法都失败时，您可以简单地记录完全错误且凭空捏造的研究数据。辉瑞研究承包商 Ventavia 在这方面向我们展示了方法 - 以下截图是 Brooke Jackson（Ventavia 的站点经理之一）发送的实际电子邮件 - 他决定通过揭露正在进行的欺诈行为来试图破坏该制度：
FDA 的回应异常迅速有效，杰克逊女士在向 FDA 发送这封电子邮件后不到 6 小时就被解雇了。XNUMX 小时！！事情就应该这样完成。
此外，当她向联邦法院提起诉讼，试图推翻整个辉瑞疫苗试验时，该政权利用各种巧妙的法律手段成功地将其拖延了近两年。（然而，应该指出的是，负责招聘的人把事情搞砸了；你必须进行彻底的背景调查，以确保潜在的申请人没有强烈的道德信念。）
不幸的是，FDA 并不控制外国医学杂志，其中一家杂志决定（令人震惊地）发表一篇记录辉瑞试验欺诈的文章。真是大错特错。这就是为什么必须为全世界建立一个统一的管理机构。
IV-3. 研究操纵选项 #3：研究分析
完成研究本身后，现在是时候对研究数据进行分析了。任何通过所有协议设计和破坏而泄露的问题数据都将在这里被清除。想象一下，这就像给一辆破旧的二手车刷上一层全新的油漆，以掩盖下面的所有损坏——你并没有改变任何实质性的东西，只是掩盖了一些东西（大部分情况下）。没有人愿意刮掉新油漆以确保它没有隐藏任何东西。
“分析”数据的方法有很多种。诀窍在于明智地选择方法以及如何进行分析。
分析策略1：不要调整数据
数据调整是科学中相当标准的事情。原始数据几乎从来不适合直接进行推论或推断，因为通常存在各种混杂变量。
这是一个非常简单的数据调整示例：
以下是 Darth Santistan 州（坏州）和 Commiefornia 的性别光谱天堂州（好州）的人口：
以下是这些州因可怕疾病导致的死亡率——总体而言，坏州的死亡人数多于好州。由于它们拥有相同的人口，这意味着 Darth Santistan 这个非常糟糕的州的死亡率更高：
但是...（是的，这里有一个很大的“但是”）
如果我们分别看老年人口和非老年人口的死亡率，令人震惊的是，好州的死亡率在两个方面都更高（?!?!?!?!?）：
这里有两个重要的观察：
- 死亡圣坦不忠诚状态总体比率较高的原因 尽管各年龄段的死亡率均较低 其实很简单——老年人的死亡率远远高于非老年人，但不幸的是，糟糕州的老年人数量是好州的 2.5 倍，这意味着由于死亡圣坦糟糕州的老年人数量庞大，总体死亡人数会更多：
为了使坏州的老年人死亡人数与好州相同，其老年人死亡率必须达到好州的 40%，因为好州的人口中老年人的数量只有坏州的 40%。这就是为什么（当我们想要诚实时，比如当真相对政权有帮助时）科学会调整数据——以避免出现这种情况。（这种特殊的统计现象实际上有一个官方名称：“辛普森悖论。“）
因此，当调整数据会损害政权的叙述时，请不要调整数据。
分析策略2：欺骗性地或不恰当地调整数据
相反，有时原始数据或经过适当调整的数据不利于您的叙述。在这种情况下，您必须不断以创造性的方式进行调整，直到您成功掩盖异端结果，这样就没有人能看到或弄清楚它们。
例如，如果我们对上述虚构的科米福尼亚性别幽灵天堂/死亡圣坦州进行假设性比较，你可以添加一个“调整”来“解决”问题。你需要做的就是找到一个特征，它可以代表死亡圣坦的糟糕状态比科米福尼亚性别幽灵天堂的良好状态更糟糕的结果。由于死亡圣坦决定不遵循政权的救命封锁，死亡圣坦的老年人比其他州更多地离开家，即使只是在街区走走呼吸新鲜空气——这意味着不离开家的老年人可能更经常病得无法离开家。这些生病的老年人也更有可能死于可怕的疾病。
事情可能会这样发展：
图表 1 – 各州老年人口（左栏 = 每周至少外出一次的老年人；中间栏 = 每周不外出的老年人；右栏 = 各州老年人总数）
图表 2 – 图表 1 中三个类别的死亡人数：
这完全解决了我们的问题数据（实际上可能修复得太好了！！）——观察我们如何改变老年人的死亡率：
您现在要做的就是将室内老年人死亡率称为“人口调整后的老年人死亡率”。
此外，你仍然可以时不时地提到室内老年人的死亡事件，因为用这样的话题来宣传要容易得多，“老年人最容易受到伤害，因为他们行动不便 在糟糕状态下死亡的可能性几乎是在良好状态下死亡的三倍。”人们很自然地将老年人与困在室内联系在一起，因此他们不太可能意识到“室内老年人”实际上只占我们假设的死亡圣坦老年人口的一小部分。
分析策略3：选择最佳端点
终点很重要。正式而言，研究的主要终点是决定研究成功还是失败的核心发现。终点基本上是用来评估研究成功/失败或影响的事物或指标。例如，如果您正在测试一种新药以查看它是否能阻止可怕的疾病杀死您，终点将是可怕的疾病死亡人数。如果治疗组的可怕疾病死亡人数少于对照组，则治疗有效，但如果没有，那么这意味着您对研究的操纵不够好。（这有点过于简单，但您明白基本意思。）
因此，在选择端点时，你必须确保做出明智的选择。
因此，您通常应选择具有以下尽可能多的特征的端点：
- 取决于主观判断而不是客观观察
- 自然地偏向于你喜欢的结果
- 容易操纵结果
- 很容易对结果撒谎
- 人们很难弄清楚你是否伪造或操纵了结果
- 难以掌握/理解——尤其是对于外行人来说
例如，假设你正在进行一项试验，目的是破坏一种对可怕疾病有效的替代疗法（如果政权希望大流行危机持续一段时间，这将是非常糟糕的）。你需要证明它不起作用。如果你选择“死亡”作为终点，那么当这种药物拯救了治疗组中的一群人时，你可能会陷入大麻烦。
除了死亡，您还可以选择“出院时间”之类的终点。此终点满足所有六个条件（在一定程度上）：
- 患者出院是医生（应在研究工资单上）做出的主观决定，因此您不必强制释放符合客观出院标准的患者。
- 出院结果会偏向于你希望的结果——因为对照组死亡的比例更高，这意味着 严重的情况 永远不会出院，这样就不会增加对照组其他患者的平均出院时间；与治疗组相比，病情较重的患者非但不会死亡，反而需要多花几天时间才能康复，这增加了治疗组的平均出院时间。
- 出院很容易操纵——你可以招募参与研究的医院工作人员不必要地推迟治疗患者的出院（你需要确保相关工作人员知道谁接受了治疗，因此需要等待额外的时间才能出院）。
- 出院时间也相当容易伪造；只需编辑入院日期和/或出院日期的文件（必要时还有安全录像）。死亡更难伪造，因为死亡时间通常记录得非常准确 并出现 死亡证明上.
- 对于外行人来说，“出院时间”并不是最直观的指标。
显然，对于大多数这些情况，你可以做得更好，但这传达了基本思想。
分析策略#4：隐藏替代端点指标
这一点实际上是不言而喻的：如果你使用“出院时间”作为终点，但报告称治疗组的死亡率降低了 50%，那么，我们只能说这会引起很多人的关注。
因此，你不必面对诸如为何选择如此荒谬的终点、为何在发现治疗显著降低死亡率后却声称治疗无效等棘手问题，理想情况下你不应该在研究的任何地方报告死亡情况。
如果你无法避免报告死亡率统计数据，至少应该将它们埋在附录的随机表格中间，格式很难理解。或者更好的是，将它们分散在多个数据表中，而不是全部放在一个地方，因为地下室里某个讨厌的随机书呆子很容易识别它们。
分析策略#5：采用最佳分析类型来获得所需的结果
分析数据的方法与性别身份或代词组合一样多。不幸的是，对各种方法的深入解释无法浓缩成适合这类《傻瓜指南》的格式。看看这些名字：
- 平衡设计方差分析
- Beta 分布拟合
- 两个或多个组的 Box-Cox 变换（T 检验和单因素方差分析）
- 聚类热图（双树状图）
- 分布（威布尔）拟合
- 模糊聚类
- 伽马分布拟合
- 一般线性模型 (GLM)
- 格拉布斯异常值检验
- 层次聚类/树状图
- K均值聚类
- 中心点划分
- 多元方差分析 (MANOVA)
- 未检测数据组比较
- 单因素协方差分析 (ANCOVA)
- 回归聚类
重点是，不同的统计分析方法会产生不同的结果。如果它们没有给出不同的结果，那么就不会有这么多方法。这完全是一个观点问题。因此，你必须聘请了解这些知识（并且忠于政权）的称职统计专家，原因有二：
- 您将受益于他们的专业知识（您确实需要这些专业知识；请记住您的专业知识是宣传，而不是花哨的统计分析。要成为一名成功的宣传员，必须具备一点实际的谦逊，认识到自己的局限性；过度自信是许多忠诚的政权走狗的败笔[并且常常导致在令人沮丧的古拉格集中营度过漫长的假期]）。
- 政权异端者不能以统计分析师缺乏可靠专业知识为由，玷污和质疑政权研究的可信度。尼尔·弗格森的案例是一个警示故事——尽管他最初成功地用他的神话般的模型说服了世界各国政府，该模型预测了新冠病毒带来的世界末日大屠杀，但他完全缺乏任何主题专业知识，加上他长期完全妄想的疫情预测，这给了反对派坚实的基础，让他们抛弃了他的模型以及各国政府推行的所有后续模型。他们还能够在这次灾难之后进行有效的宣传。
分析策略#6：删除无法分析、调整或隐藏的问题数据
这与将研究对象从研究中剔除（如果他们与政府规定的结果不一致）的概念相同；只不过这里你移除的是已经生成的数据，而不是研究对象本身。但目的是一样的：首先防止与你希望研究结果显示的内容不符的数据进入研究的官方记录。
IV-4. 研究操纵选项#4：招募媒体来操纵结果
无论结果如何，你都应该准备好谈话要点，让同情你的媒体为你辩护。无论这些要点多么虚假、误导等等，宣传的目的就是煽动和误导，媒体只需向整个生态圈灌输你的信息，就是一种强大的力量，至少会让大多数人很难揭穿你在社会上迅速传播的谎言和欺骗。
你应该特别准备好恶意攻击那些可能质疑你所说的任何内容，或者更糟的是，可能指出你的研究中存在缺陷的具有异端倾向的科学家或学者。带着最大的偏见。
第五部分——修改数据集
除了研究之外，科学的另一个主要来源是用于发表科学声明的数据集和其他信息来源。数据（尤其是官方国家数据）无需正式研究即可使用，因此您必须确保可用数据（尤其是社会上学者和普通民众普遍引用的传统指标的基础数据集）完全在您的掌控之中，您可以随意修改和修改。
以下是您应该采用的策略类型，以最大限度地提高对可用数据集的控制和效用：
V-1. 统计“钓鱼”
统计钓鱼更容易举例说明，而不是抽象地解释它：
假设一家大型制药公司推出了一种新药（他们声称）可以让孩子更聪明，提高他们的学习成绩。不幸的是，尽管这种药物已获得 FDA 批准，但他们知道这种药物没有效果，人们开始怀疑其中可能有什么猫腻（而且他们有数十亿美元的风险）。所以他们来找你，给你一份高达 7 位数的薪水，以“证明”他们的新药有效。所以你，作为一个无所顾忌（当然除了对政权的忠诚）的大胆雇佣科学家，接受了他们的提议。你如何“证明”他们的药物有效？很简单。你从全国所有学区获得数据，这些数据显示了学业成绩和服用新药的孩子的百分比。这就是“钓鱼”部分的由来：你必须仔细检查每个地区，直到找到一两个学业成绩高于平均水平，并且该地区服用新药的孩子比平均水平多（就像钓鱼一样，你要一直钓鱼，直到钓到鱼为止）。然后你发表你的“研究”：“我们在“X”区发现了一种相关性，服用新药的孩子比例越高，学业成绩就越高。”这完全是胡说八道，因为其他所有地区都表明该药物对学业成绩根本没有影响，但你巧妙地避免了这种情况，通过突出显示一个随机存在相关性的地区。（如果样本量足够大，你几乎肯定会找到一个随机的地区，巧合的是，很多孩子服用了这种药物，学业成绩就提高了。）
主要的教训是，有时你只需要一点坚持。例如，如果你有一个包含许多国家/地区的大型数据集，那么只需一次浏览一个国家/地区，直到发现你正在寻找的相关性。或者，你可以尝试这种策略的更高级版本，称为“P-黑客“。
这种策略的一个很好的例子是以下 CDC “研究”，他们遍及所有 50 个州，寻找一个可以巧妙处理数据的州，以表明新冠疫苗降低了接种疫苗前已经感染新冠的人再次感染的风险。你知道吗，他们找到了一个（在 50 个州和华盛顿特区等几个非州管辖区中）可以让数据说出他们想要说的话的州：
瞧，如果 CDC 能够使用多个州的数据来证明新冠疫苗降低了再次感染的风险，他们就会这么做（呃）。但他们试了又试，直到找到一个可以扭曲数据来证明这一点的州。
顺便说一句，这里还有另一个重要的教训：坚持的价值。如果你找不到一个可以轻易篡改或操纵以支持政权论点的数据集，不要轻易放弃。有时你必须发挥创造力，坚持下去，直到找到收获。
V-2. 调整有问题的数据
是的，我们之前在有关索具研究的部分提到过这一点。
如果原始数据不符合您的首选叙述，那么只需“调整”它直到符合要求，就像您对研究内部数据所做的那样。数据调整是科学的常规部分，由于很少有人真正了解它的工作原理，因此您可以利用并滥用这种做法。
有人甚至发表了一篇关于这个主题的科学文章（如果你是一个书呆子的话，这篇文章会很有趣）：
这一概念的一个绝妙应用与全球变暖科学界共识有关，该共识曾是全球变冷科学界共识。您认为，1974 年的数据显示世界正走向不可逆转的冰河时代，威胁人类的生存，而现在的数据显示，确实存在一个*变暖* 趋势 来自完全相同的数据 威胁人类生存的？？
他们只是“调整”了数据，让前几十年更冷，后几十年更暖，问题就解决了！这真是狡猾至极，而且非常有效——请看下图（来自一位著名的政权异见人士），两条线跟踪年平均气温，蓝线 = 原始数据，橙线 = 政权科学家“调整”后的数据：
如果你看蓝线，过去 100 年里没有整体变暖——这对灾难性全球变暖的官方叙述来说非常糟糕！然而，橙线显示了过去 100 年里明显的变暖趋势——这正是官方叙述的。
当然，如果将来出于某种原因，恢复到全球变冷的趋势变得切实可行，那么美国国家海洋和大气管理局的科学家们只需“重新调整”数据，让过去 100 年看起来像一个稳定的变冷趋势。
重点是，一切都在调整之中。
(注意：：允许一些随机的低调的政权科学异端者闲逛是有用的，因为他们产生的数据和分析实际上对政权内部使用非常有帮助，只要你确保他们不会开始突出地位 - 然后你毫不拖延地将他们送到关塔那摩湾。）
V-3. 从官方数据分析中排除任何与你期望结果不符的内容
仔细审查分析中应包含的内容实际上是 101 项基本工作。如果信息或实际结果有可能破坏您希望的结果，请将其排除在官方数据分析之外。因此，如果有政府数据库显示，在疫苗问世后，一系列疾病的发病率大幅上升，请忽略它。
以CDC和FDA联合管理的VAERS（疫苗不良事件报告系统）数据库为例：
CDC（假装）鼓励人们向 VAERS 报告接种疫苗后出现的医疗状况，“即使你不确定疫苗是否导致了疾病：”
2020 年 XNUMX 月中旬推出 Covid 疫苗后，VAERS 中的死亡记录如下所示（图表显示了每年所有疫苗报告的死亡总数）：
这张图显示了 VAERS 关于 Covid 疫苗伤害/死亡的报告统计数据：
然而，您上次在 CDC 有关珍贵的 Covid 疫苗的声明或分析中听到 VAERS 是什么时候？
完全正确！！CDC（以及其他所有人）都直接忽略了 VAERS（除非他们时不时发布“事实核查”文章来揭穿 VAERS）。
此外，一定要毫不留情地追杀那些敢于尝试使用此类数据来破坏你的政权分析和声明可信度的人。这往往是一个问题，因为一旦原始数据存在，不可避免地会有一群人能够访问这些数据。
V-4. 利用先前建立的关系和差异
临时拼凑研究的一个简单方法是比较两个你已经知道有特定差异或相关性的实体。然后你可以假装“发现”这种差异或相关性，但将其归因于一个新因素。
因此，例如，如果贫穷国家与富裕国家相比，健康状况往往更差，如果贫穷国家恰好不太遵守政权指导，你可以指出他们更糟糕的健康状况，并将其归咎于他们没有接种疫苗。媒体特别擅长放大这一信息，因为他们最喜欢把糟糕的结果归咎于与“坏”政党的政治联系。
V-5. 控制用于科学研究的关键数据集
谁控制了数据，谁就控制了科学。小心地对最突出和最广泛使用的数据集进行严格控制，这样你就可以省去很多压力和麻烦。例如，军方控制着他们的内部数据集，并且可以随意操纵它们。就像 DMED 一样——他们篡改了这个数据集，以至于整个数据集都变得毫无用处。请看下面的两个图表，它们显示了 *相同的* 2015 年至 2018 年“门诊就诊率”的 DMED 数据 - 左图是 2019 年发布的版本，右图显示的是 2021 年版本 - 不知何故，它们并不相同（红色圈出的区域）。
注意到 2016-2018 年数字的变化了吗（你可以通过趋势线的形状看到）？2016 年的就诊次数在 XNUMX 年和 XNUMX 年之间是如何增加的？ 2019 和 2021？
因为政权只是重写了数据。当你完全控制数据集时，你就能做到这一点。
毋庸置疑，在任何情况下，你都不应该允许任何异教徒科学家接触你控制下的神圣文本或科学数据——记住，你必须时刻保持警惕，以免流氓异端研究人员进行可能使科学无效或与之相矛盾的分析。CDC 在这方面做出了表率：
如果你不让那些令人讨厌的独立科学家访问数据，你就不必担心他们会在数据中发现会严重破坏政权叙述的东西。
第六部分——控制证据标准
想象一下自己是主持刑事审判的法官，决定哪些证据可以在法庭上采纳，从而确保陪审团永远不会收到定罪或开脱的证据。同样的想法——通过控制证据标准，你可以间接消除大量具有挑战性的科学证据，而无需直接质疑具体主张或证据。
VI-1. 确保最高质量的证据类型只有获得政权批准的人员才能提供
这是一个简单的规则： 尽可能让独立科学家或研究人员难以开展被认为“高质量”的研究。
你可以让持不同政见的异见人士花费太多，无法进行未经批准或异端的科学研究。宣传史上最伟大的政变之一就是将随机对照试验提升为证据的“黄金标准”。这些试验通常要花费数百万美元，除了大型制药公司（忠诚的政权参与者）之外，任何人都不可能经营这样的科学企业。
如果某个团体设法获得足够的资金来进行此类研究，您还可以通过法律或利用政府机构禁止进行未经批准的高质量研究。
VI-2. 将未经批准的科学家可以进行的研究类型指定为“低质量”
相反，确保任何仍可进行的不符合规定的科学或研究都被指定为低质量证据。这通常比彻底禁止所有未经批准的研究更好，因为后者自然会让民众对政权产生怀疑，并倾向于接受各种荒谬的阴谋论。相反，让他们进行研究，但要解释这是毫无意义的，因为它不符合基于证据的科学的正确规则。
VI-3. 没有阐明普通人可以自行应用的明确证据标准
你不可避免地会面临需要回旋余地来采用双重证据标准的情况。如果你阐明了一个清晰易懂的标准，那么你就是在削弱自己篡改科学的能力，因为人们可以要求你遵守你自己宣称的标准。此外，正如前面指出的那样，你要让人们明白，真正的标准只是政权宣称的高质量证据，而不是任何稍微客观的标准。
VI-4. 迫害傲慢或不忠诚的科学家
有时，你可能会发现自己无法以研究证据质量低劣为由质疑其可信度。在这种情况下，你应该起诉传播异端科学的违规科学家，从而停止传播和进一步开展有问题的研究。这可以是无害的，比如从社交媒体上删除他们的平台，也可以是将他们送往古拉格，从此再也见不到或听不到他们的消息。无论你或政权最终决定如何将他们从公共领域中移除，你都必须确保毫不留情地攻击他们的声誉和专业知识（即使在叛乱分子被消灭之后）。这也是一种很好的策略，可以用于对付那些因为俘获了群众的心而威胁政权的魅力科学家。即使他们看起来很忠诚，情况也是如此，除非你绝对知道他们永远不会叛逃到另一方（比如如果你有勒索信息，或者他们是政权叙事的核心人物，并且像圣人福奇博士一样狂热地致力于此）。因此，你应该维持一个强大的间谍机构来追踪所有忠诚的政权科学家。
第七部分——教会的科学权威
你必须意识到的第一件事是，科学领域的权威概念本质上是教会的。当今社会中的大部分科学论述都由权威论据组成。因此，不要抵制它，而是接受它并运用它，因为它是控制科学本身的斗争中最强大的武器。你是科学教会。政权是它的梵蒂冈。展示你的肌肉并强加你的意志！！
你必须确立惯例，自然而然地选择只有政权的忠诚者才能登上社会科学权威的位置。这主要通过以下方法实现：
VII-1. 专家必须持有资格证书
资质是筛选出大多数潜在不法分子的第一道屏障。通过要求资质——当然，只有通过政权本身或由政权认可并忠于政权的机构才能获得资质。你必须强化这样的信念：没有资质的专家是极其危险和无知的，因为民众总是渴望就政权的立场和声明寻求第二种意见。
VII-2. 专家必须隶属于信誉良好的机构或组织
另一条显而易见的规则。这是进一步淘汰任何通过资格审查的潜在满洲科学家的好方法。
VII-3. 专家必须被纳入“主流”
严格执行这一社会惯例，因为如果专家打破常规并决定反抗政权，这将是一个强大的安全网。这类人的资格很难被轻易取消，有时很难或不切实际地终止他们与信誉良好的组织的所有联系。因此，需要取消资格，但不依赖于上述任何一项。宣布他不属于主流是剥夺此类专家权威的一种相当有效的方式。
VII-4. 执行科学共识
控制谁拥有科学权威的另一种有效方法是强制遵守一种捏造的“共识”，将任何偏离该共识的人打上最离经叛道、不可救药的异端分子的烙印。这是一种外部工具，对于罢免任性的有资质的科学家非常有用。“共识”在普通民众的耳中和心中响亮，如果政权决定突然剥夺一位曾经备受尊敬的科学家的神职，他们很容易有理由不提出质疑。
后记
宣传艺术是一门涵盖多种学科的广泛学科。不要指望一夜之间就能掌握它。要预料到你会犯错误——这就是你学习什么方法有效的方式（因此也要确保总是有其他人可以为你的错误负责）。
幸运的是，绝大多数公民都是知识分子。奥巴马医改的首席设计师乔纳森·格鲁伯教授出色地诠释了这一原则。
然而，格鲁伯教授喜欢在录音演讲中解释太多、太清楚。当然，用清晰的语言向年轻的政权学生解释有争议的问题并没有错，这是了解政权政治运作方式的关键，因为如果他们想成为有成效的政权工作人员，就需要牢牢掌握这些事情。然而，当这些演讲被录制成视频，供公众观看时，这就成了一个问题，而你应该欺骗公众：
你可能会认为，在起草一项当时极不受欢迎的法律的人被拍到在众多视频中吹嘘这项法律是如何“巧妙利用了美国选民对经济的缺乏理解”以及“美国选民的愚蠢”对于将增税视为非增税至关重要（如前所述，这两点都是 100% 正确的）之后，政客们将被迫撤回这项法律，并在几年后的喧嚣平息后再次尝试。
但事实证明，你通常不仅可以指望普通选民的愚蠢，还可以指望他们缺乏短期记忆、缺乏自我保护意识，以及对政治意识形态的忠诚。奥巴马医改被推翻了吗？甚至被推迟了吗？没有。所以，即使你被大肆破坏，你也可能没事。（特别是如果你已经培养了一个忠诚地为政权服务的顺从的主流媒体。）
你也可以感到欣慰，宣传自然是一种自我纠正的事业——当犯错时，你只需发动更多的宣传和煤气灯来掩盖或以其他方式减轻这些错误。观察一下政权官员如何从推崇格鲁伯教授转变为声称他完全无足轻重，毫不犹豫，也没有丝毫尴尬，因为他们不可调和的立场赤裸裸的虚伪：
（不过，你应该注意不要太过粗心大意而犯下错误，否则你可能会发现自己被转移到摩洛哥的苏联古拉格或中央情报局黑色行动地点。）
我们可以共同努力，为注定成为新人类一部分的人们创造一个更加美好的世界。
