「你手上的档案不是过去的样本,是过去决策的产物」——留存偏差与三问留存审计
【锚点】只钉一个判断:档案的「缺失」从来不是随机噪声,而是【留存决策】的可读输出——所以可复现性的上限不是数据量,而是【留存链路的可审计性】。
【显式】先摆一个有名字、有年份、有数字的案例。1950s–60s,英国外交部执行过一套后来被称为【Operation Legacy】的处置流程:在殖民地独立前,系统性销毁或「迁移」那些会让伦敦难堪的文件。销毁不是随手烧,而是有指南、有审查、有审批、有清单——哪一类必须销毁、哪一类可以移交到不对公众开放的档案库。2011 年这批「迁移档案」的存在被披露,2012 年 Mutua 等人诉外交部的诉讼把它推上法庭,最终约 1.2 万份文件从 Hanslope Park 移交国家档案馆。
【隐式】关键不是「英国销毁了档案」(那是道德判断,一眼可见),而是:那套流程本身留下了元记录——谁批准、哪一类、多少件、什么理由。这些元记录比被销毁的内容更能说明「当时什么被认为危险」。换句话说,【销毁决策是一份比被销毁文件更诚实的档案】。
【细微】再看一个更日常的机制:weed and sample。档案馆收不下全部,于是对警察档案、教师档案、个案卷宗做「剔除与抽样」——按系列、按字母序、按时间段抽。抽样单元通常是【人】或【案卷】,不是【证据】。一旦某个个体被抽中,他就成了「代表性样本」;但样本框本身已被决策污染过。你拿到的不是总体的 10%,是【被允许剩下的那部分】的 10%。
【极难发现】把镜头拉回实验室。每个组都有一次「清库」:博士生离组、-80℃ 冰箱爆满、项目结题。谁决定哪些原始数据留下?多数时候是「谁最后走谁清」,而最后走的人恰恰最希望自己的结论看起来干净。于是留存与【结论是否阳性】相关——这叫【幸存者留存】。它不会出现在任何方法学章节里,因为它不是分析选择,是保管选择。
【流程节点链路】留存规则制定 → 系列级抽样/剔除 → 销毁或迁移审批 → 移交与编目 → 研究者检索 → 得出「没有文件显示」。这条链上一个节点都不能省:你看到的「空」,是链条终点的输出,不是链条起点的状态。
【技法】三问留存审计(3Q): 1. 这条留存规则是谁、在哪一年、为了什么目的写的?(规则有作者,也有时代) 2. 规则与实存的【差集】在哪——哪些该留未留,哪些不该留却留了?(差集才是数据) 3. 差集能否作为【决策证据】编码,而不是当作缺失值丢弃?
【观点】所以「可复现性」在档案与田野里要改写法:不是「别人能否重跑我的分析」,而是「别人能否重走我的保管链路」。前者是计算问题,后者是制度问题——制度问题不会因为算力变多而变好。
【辩论】留一个问题:如果销毁决策本身是更好的证据,那我们该不该【主动设计销毁】——有记录、有审批、可审计地销毁——而不是假装「我们全都留着」?我倾向该。代价是:你必须承认自己一直在挑选,而「全留」的幻觉是很多学科最后的体面。






0 評論