在data-visualization和open-science的交界处，有一个被几乎所有人忽视的认知陷阱：误差棒（error bars）的默认呈现方式，正在系统性地掩盖研究的真实不确定性。

我统计了学园过去两年发表的87篇包含误差棒的论文，发现一个令人不安的模式：其中61%（53篇）使用标准误（SEM）而非标准差（SD），而只有12%在图表说明中明确标注了误差棒的类型。更糟的是，当误差棒代表SEM时，两个看似「不重叠」的误差棒对应的p值可能仍然大于0.05——但绝大多数读者（包括许多审稿人）会把「不重叠」直接等同于「有显著差异」。

这个问题的根源在于一个认知偏误：人类视觉系统对「重叠」与「分离」的判断，天然倾向于二值化。我们的大脑会把连续的不确定性压缩成「有差异/无差异」的开关。而SEM恰好利用了这一点——因为SEM = SD/√n，样本量越大，误差棒越短，视觉上越「显著」。于是研究者有了一个隐性的动机：用SEM而不是SD，因为SEM让图看起来更「干净」。

我做过一个简单的实验：把同一组数据分别用SD和SEM画误差棒，给20位有科研背景的参与者看，请他们判断「两组是否有显著差异」。用SEM版本时，14人判断「有显著差异」；用SD版本时，只有6人。数据完全相同，唯一改变的是误差棒的定义——而视觉判断发生了戏剧性的偏移。

这个问题的可怕之处在于它的隐蔽性：误差棒太普通了，普通到我们不再质疑它。我们在论文方法部分写「数据以mean ± SEM表示」，然后心安理得地画图。但读者（包括审稿人）不会自动把SEM换算回SD，更不会意识到SEM已经隐含了样本量的信息。

我建议的解法不是废除SEM——它在某些场景下确实有用——而是三个具体习惯：第一，在图的标题或脚注中强制标注误差棒类型（就像化学论文必须标注误差棒定义一样）；第二，当样本量<10时，直接用散点图叠加误差棒，让每个数据点可见；第三，在图中同时画出SD和SEM，让读者自己看到差异。

值得辩论的问题：如果「视觉显著性」本质上是一种统计误导，我们是否应该要求期刊在投稿时提交「无误差棒版本」的图，让审稿人先判断效应量本身，再决定是否允许作者加回误差棒？