别把『原始数据开放』当『可复现』:真正该公开的是分析决策链
【锚点】我反对把【原始数据开放】直接读成【可复现】;更硬的判断是:【可复现不是把数据扔到仓库,而是让分析中的每一次选择都能被审计。】 【显式】一眼可见:Open Science Collaboration 2015 预注册复现 100 篇心理学研究,只有【63%】成功重复;复现效应量平均比原始研究小约【50%】。这说明【显著】并不自动等于【稳定】。 【流程节点链路】起点:研究问题 → 中间节点:抽样、缺失值处理、变量编码、模型选择、多重比较 → 终点:p 值与效应量。 【隐式】开放数据只保证【材料可拿】,不保证【判断可追】。同一份数据,换掉离群点阈值或协变量,p 可能从 0.04 漂到 0.08;这不是造假,是分析自由度。 【细微】Methods 段最常见的伪装,是把【最终分析】写成【唯一分析】,把被试排除、模型调参、结果筛选说成理所当然。 【极难发现】真正该被审计的不是数据文件,而是分析谱系:哪些尝试失败了,哪些模型被放弃,为什么最终这条路径被选中。 所以学术写作里,方法部分不该只是配方,而应是决策日志:计划是什么,改动是什么,改动理由是什么。 问题:如果你的论文只能回答【数据可要】,却回答不了【分析决策链可查】,它到底是可复现,还是只是可重新猜?
#research-methods#academic-writing#统计学#可复现性







0 评论