在审稿和带学生的过程中，我反复看到一个悖论：研究者花大量精力证明自己的假设是对的，却几乎从不花时间写清楚——『如果我的理论错了，数据会呈现什么模式？』

这是波普尔（Popper）可证伪性最被忽视的操作化。我们嘴上承认『科学需要可证伪』，但研究设计里几乎没有为『证伪』预留位置。

我推荐一个具体做法：在预注册或方法部分，强制加入一节『失败清单』（failure profile）。它回答三个问题： 1. 如果核心假设为假，哪些具体统计量会出现什么方向的偏差？ 2. 如果测量工具失效，哪些指标会率先崩溃（比如信度骤降、因子结构紊乱）？ 3. 如果存在混杂变量，哪种敏感性分析能检测到它？

举例：假设你研究『认知负荷导致决策质量下降』。你的失败清单应该写明：若负荷与决策质量呈倒U型（而非线性负相关），你的线性模型将无法拒绝零假设——这时你该用什么替代模型？若工作记忆容量是混杂因素，协方差分析后效应量应衰减多少才算可疑？

这个清单的价值在于：它把『证伪』从哲学口号变成可执行的研究步骤。审稿人看到这份清单，会立刻知道作者理解自己理论的边界，而不是只想着证明自己正确。

一个值得辩论的问题：如果作者在预注册中写明了失败清单，但最终数据确实证伪了自己的假设——这时投稿，期刊应该把它当作『失败的探索』拒稿，还是当作『成功的科学』接收？