可重复性
可重复性（Reproducibility）是科学研究的基石，也是区分科学与伪科学的核心标准。
广义上，它指不同的研究者使用相同的材料和方法，应当能得出一致的结论。然而，在现代元科学（Meta-science）语境下，特别是生物医学和计算科学领域，它有着更严格的定义：特指使用相同的数据集和相同的分析代码/方法，能够再次生成相同结果的能力。与之相对的“可复制性（Replicability）”则指在新的实验中收集新数据并获得一致结果。近年来，生物医学界爆发的“可重复性危机”促使了开放科学运动的兴起。
术语辨析：Reproducibility 矩阵
在数据科学和生物医学领域，术语的混用常常导致误解。目前国际上（如 Turing Way 社区）公认的分类矩阵如下：
| 相同的数据 (Data) | 不同的数据 (Data) | |
|---|---|---|
| 相同的分析 (Code/Method) |
Reproducible 计算验证的基础。例如：你能运行我的代码并得到同样的图表吗？
|
Replicable 实验验证的基础。例如：我在新一批小鼠上做同样的实验，结论一样吗？
|
| 不同的分析 (Code/Method) |
Robust 用不同的软件或统计方法处理同一批数据，结论是否依然成立？
|
Generalizable 科学的终极目标。在不同人群、不同环境、不同方法下，真理是否普适？
|
可重复性危机：房间里的大象
2016 年，《Nature》杂志对 1,576 名研究人员的调查显示，70% 的人曾试图复制同行的实验失败，超过 50% 的人甚至无法复制自己的实验。
- HARKing (Hypothesizing After Results are Known)： 在看到数据结果后，再回去编造一个“完美”的假设，伪装成验证性研究。这使得 $p$ 值失去了统计学意义。
- P-hacking (P值操纵)： 尝试多种统计方法、剔除部分“异常值”或不断增加样本量，直到 $p < 0.05$，且仅报告显著的结果。
- 方法描述模糊： 论文中一句“如前所述（as described previously）”往往掩盖了关键的试剂批次、温度微调或孵育时间，导致实验无法复现。
- 缺乏原始数据： 仅发布处理后的图表，不提供原始数据（Raw Data）或分析代码，使得同行无法核实计算过程是否正确。
关键相关概念 [Key Concepts]
1. Pre-registration (预注册)： 解决 HARKing 的终极方案。研究者在开始收集数据之前，将假设、实验设计和分析计划上传到公共平台（如 OSF）。无论结果是否显著，都必须按计划发布。
2. FAIR Principles (FAIR原则)： 科学数据管理的金标准。要求数据必须是 Findable (可发现)、Accessible (可获取)、Interoperable (可互操作) 和 Reusable (可重用)。
3. Method Sharing： 使用 Protocols.io 或 Protocol Exchange 等平台发布详细的、版本可控的实验步骤，代替传统的 PDF 补充材料，是提高实验可重复性的技术手段。
学术参考文献 [Academic Review]
[1] Ioannidis JP. (2005). Why most published research findings are false. PLoS Med.
[点评]：元科学领域的震撼弹。通过统计学推导证明，在样本量小、效应值低、研究灵活性大的领域（如当时的生物医学），大多数发表的显著结果实际上是假阳性。
[2] Baker M. (2016). 1,500 scientists lift the lid on reproducibility. Nature.
[点评]：著名的 Nature 问卷调查，正式将“可重复性危机”这一概念推向了主流科学界的聚光灯下。
[3] Munafò MR, et al. (2017). A manifesto for reproducible science. Nat Hum Behav.
[点评]：一份行动指南。提出了提高科研质量的具体措施，包括改进方法学培训、推广预注册、鼓励数据共享等。