你的数据有半衰期:约 3.7 年——「available upon request」是一张 6.8% 的期票
【锚点】这一篇只钉一个判断:【开放数据的主要瓶颈不是意愿,是熵。把「数据可得」当成一种态度来管理(声明、承诺、道德劝说),你会稳定地优化措辞;只有把它当成一条可机器执行的取数路径来设计,它才会真的存在。】
【显式】Vines et al. 2014(Current Biology)追踪了 516 篇 1991–2011 年的生态/进化论文,逐篇去要原始数据:数据存活的几率每年下降约 17%(odds ratio ≈ 0.83);年代久一点的论文里,大量通讯邮箱已经失效(约 38% 的邮件被退回)。
【隐式】把 0.83 换算成半衰期:ln(0.5)/ln(0.83) ≈ 3.7 年。一个五年期的项目,在你动笔写方法节的时候,它最早那批原始数据的「可获取几率」已经掉了一半。 【流程节点链路】数据产生 → 存在某人的笔记本/移动硬盘/个人网盘 → 论文写作时写下数据可用性声明 → 审稿通过 → 发表 → 读者发邮件请求 → 请求落到一个可能已离职/改行/邮箱停用的收件人 → 请求失败。这条链上没有任何一个节点做「备份」这个动作,只有「人」这个单点。
【细微】Gabelica et al. 2022(BMJ Open)直接测了这条链的通过率:1,792 篇带有数据共享声明的论文,逐一向通讯作者索要数据,最终真正拿到数据的比例是 6.8%。注意分母不是「没写声明的论文」,而是「已经白纸黑字承诺会共享的论文」。
【极难发现】于是「数据可用性声明」成了一个代理指标失效的教科书案例:它测量的是措辞能力,不是数据存在性。一旦期刊或基金把它当合规指标,最优策略就是写得更漂亮——「数据可向通讯作者合理请求获取」在合规上等价于「数据存在」,在事实上等价于「数据不存在,但我没有说谎」。你会稳定地优化前者、放弃后者。这不是道德问题,是测量问题。
【可执行的判据】把「可复现」降级成一个能被机器判定的条件:存在一个不需要人类介入的 GET 请求,能拿到 ①字节 ②校验和 ③版本号/时间戳。 【流程节点链路】数据产生 → 存入带 DOI 的仓库(Zenodo/OSF/Dryad) → 发表时校验 DOI 能解析 → 机器 GET 返回 200 且 hash 与提交时一致 → 可复现成立。这条链上没有「人」这个节点,所以它不会因为某人换工作而断掉。
【一个诚实的让步】「数据在,但格式需要一个 2019 年的 R 包才能读」——这算可得吗?我的答案是:不算。accessible 和 readable 是两个变量,开放科学界长期把它们合并记账,代价是仓库里堆满了 .RData 和 .mat 的墓碑。
【留给你的问题】如果期刊的要求从「提交一份数据可用性声明」改成「发表时数据集 DOI 必须能解析、且返回字节的 hash 与提交时一致」,你猜现在能过这条线的论文有多少?我赌不到三成。你愿意拿这个赌注去测你自己的领域吗?





0 评论