心理学的可复制性危机

危机的起源#

2011年，达里尔·贝姆在顶级期刊《人格与社会心理学杂志》上发表了一项声称证明"预知能力"存在的研究， 使用了心理学研究的标准方法论。这篇论文成为可复制性危机的导火索—— 如果标准方法能够"证明"超自然现象，那么这些方法本身可能就有问题（Bem, 2011）。 争论的要点不是超心理学忽然变得可信，而是：可选终点、灵活分析与显著才发表，已经足以把噪声写成发现。方法若不能挡住这类结果，就不能只靠「我们用了标准程序」来为发现背书。

同年，社会心理学领域接连爆出多起研究欺诈事件，包括德里克·斯塔佩尔的数据造假丑闻， 进一步动摇了公众和学术界对心理学研究的信任。 欺诈是极端，p-hacking 是日常。把两者混成一件事，会把改革写成道德整风，而漏掉激励结构。

可复制性项目#

2015年，开放科学协作组（Open Science Collaboration）发表了里程碑式的研究： 他们尝试重复100项已发表的心理学研究，结果只有36-39%的重复研究得到了与原始研究一致的统计显著结果， 且效应量平均缩小了约50%（Open Science Collaboration, 2015）。

更细的口径必须分开写。原研究中 97% 达到 p<.05，重复研究中只有 36% 达到；39% 被重复团队主观评为「复制成功」；47% 的原效应落在重复效应的 95% 置信区间内。平均效应量从原研究的 Mr=0.403 降到重复的 Mr=0.197。没有单一成功标准，但几条尺子指向同一方向：发表出来的效应，系统性大于后来用更高功效、更少分析灵活性得到的效应。

这一结果震惊了整个学科。虽然后续分析指出某些方法论差异可能影响了重复率， 但心理学研究的可靠性问题已被推上了风口浪尖。 Gilbert 等人 2016 年在 Science 上的评论认为，若改用区间重叠等标准，成功率会被低估；原团队的回应强调：改尺子不能把「原效应普遍偏大」说成无事发生（Anderson et al., 2016）。争论本身证明了 OSC 的另一贡献——把可复制性变成了可公开计算的对象。

方法论问题#

p值的滥用#

p值（p < 0.05作为显著性阈值）的机械使用是可复制性危机的核心方法论问题。 研究者通过多种方式操纵数据以达到统计显著，这些做法被称为"可疑研究实践" （Questionable Research Practices, QRPs）：

• p-hacking：在数据收集和分析过程中进行多种尝试，直到p < 0.05
• HARKing（Hypothesizing After Results are Known）：在看到结果后才提出假设
• 选择性报告：只报告显著结果，隐藏不显著的发现
• 发表偏倚：期刊倾向于发表显著结果，不显著的结果难以发表

西蒙斯、纳尔逊与西蒙森的经典论文《假阳性心理学》通过模拟证明，研究者未披露的分析灵活性（p-hacking）可使假阳性率从名义上的 5% 膨胀到最坏情况下的 60% 以上（Simmons, Nelson & Simonsohn, 2011）。 更精确地说：在他们的模拟里，同时使用四种常见的「研究者自由度」——在两个因变量中挑选、可选地追加被试、加入性别作为协变量、选择报告哪些条件——假阳性率达到约 61%。名义上每二十次才错一次，实际上错一次比不错还容易。这不是造假，而是分析路径未上锁。确认偏差在这里有了统计外形：显著的路径被留下，不显著的路径被当成「还没找对」。

HARKing 把探索装成验证。探索本身合理，问题是读者被引导去相信：这条假设在看见数据之前就存在。预注册要锁住的，正是这条时间顺序。

样本量不足#

许多心理学研究使用小样本，导致统计功效（statistical power）不足。 低功效的研究即使发现显著结果，其效应量估计也往往被夸大 （这是因为小样本中只有偶然出现的大效应才能达到显著性水平）。

科恩 1962 年审查当时异常与社会心理学期刊，发现检测中等效应的平均功效大约只有一半，远低于他后来建议的 80% 惯例（Cohen, 1962）。功效不足与 p-hacking 会叠在一起：样本越小，越需要灵活分析才能「做出」显著；发表出来的显著结果，又更可能是被夸大的幸运抽签。OSC 2015 里重复效应量约为原效应的一半，与这条「赢家诅咒」是同一件事的两面。效应量与统计功效要回答的，不是「显著了没有」，而是：若效应是真的，这项设计有多大机会看见它。

已崩塌的经典发现#

自我损耗效应#

罗伊·鲍迈斯特的自我损耗（ego depletion）理论——意志力是一种有限的心理资源， 使用后会暂时耗竭——是社会心理学中最有影响力的理论之一。 然而，一项大规模的注册重复研究（23个实验室，2141名被试）未能重复这一效应 （Hagger et al., 2016）。 汇总效应 d=0.04，95% 置信区间为 [-0.07, 0.15]，与零难以区分。 鲍迈斯特与沃斯事后批评：字母 e 划消任务缺少「先养成习惯再打破」的阶段，因此不算公平检验。争议没有结束，但关键事实已经换了位置：被写进教科书的序列任务范式，没有通过预先登记的多实验室检验。自我损耗从「机制已阐明」退回「效应是否稳定存在仍待高功效证明」。

启动效应#

多项经典的启动效应研究（如"教授 priming"使被试在知识测试中表现更好、 "老年 priming"使被试走路更慢）未能通过大规模重复检验。 卡尼曼本人对启动效应的可复制性危机表示了严重关切（Kahneman, 2012写信给 priming 研究者）。

Bargh、Chen 与 Burrows 1996 年报告：用与老人刻板印象相关的词完成组句任务后，被试走走廊更慢。Doyen 等人 2012 年用红外计时、更大样本做直接重复，主效应消失；只有当主试被明确告知「启动组会走得更慢」时，速度差异才重新出现。这把解释从「概念自动驱动行为」，推向实验者期望与测量方式。教授启动（Dijksterhuis & van Knippenberg, 1998）同样在后续高功效重复中站不稳（Shanks et al., 2013）。不是「启动作为注意现象」被一笔勾销，而是社会心理学里那些戏剧性的行为启动，失去了原先被当作稳定机制的地位。

姿势与面部反馈#

"权力姿势"（power posing）研究声称，采用扩展性姿势可以改变激素水平和行为。 重复研究未能复制这些生理和行为效应，尽管主观感受的变化可能仍然存在。

Carney、Cuddy 与 Yap 2010 年的样本只有 42 人，却把两分钟扩展姿势写成能升睾酮、降皮质醇并改变冒险。Ranehill 等人 2015 年用 200 人、主试对条件盲法的概念重复，没有发现激素或行为任务上的效应；主观上「更有力量」这一项仍在。2016 年，原作者之一 Carney 公开表示不再相信具身的权力姿势效应。戏剧性生理故事崩塌之后，剩下的是更小、也更容易被需求特征解释的主观报告。

开放科学改革#

可复制性危机催生了心理学领域的一系列方法论改革：

• 预注册（Pre-registration）：在数据收集前公开注册研究假设、方法和分析计划
• 注册报告（Registered Reports）：期刊在数据收集前审稿，承诺无论结果如何都发表
• 开放数据和开放材料：公开原始数据和研究材料
• 大规模重复项目：ManyLabs等项目通过多实验室合作验证重要发现
• 贝叶斯统计：作为频率派统计的补充或替代

预注册的要点是把验证路径锁在看见数据之前。它不禁止探索，但禁止把探索写成事先计划。Nosek 等人把这称为「预注册革命」：让时间顺序重新成为方法的一部分，而不是靠作者事后的记忆（Nosek, Ebersole, DeHaven & Mellor, 2018）。注册报告更进一步：期刊先审设计，再承诺无论显著与否都发表，从根上削弱「不显著就换题目」的激励。开放材料处理的是另一层：别人能不能用同一程序得到同一数字。预注册解决的是假说与分析的时间顺序，不是样本外是否还有同样的人。

积极意义#

尽管名称令人不安，可复制性危机实际上被视为心理学走向成熟的标志。 它推动了更严格的方法论标准、更透明的研究实践和更谦逊的知识声称。 正如丹尼尔·卡尼曼所言："我认为可复制性危机是一场有益的革命。" 谦逊不是把一切旧发现作废。它是把「一次显著」从结论降级为「待重复的证据」。能公开承认某条经典效应不再稳定，是这门学科仍把世界而不是教科书当作最高法庭的标志。

如何在日常生活中识别可复制性危机的影响#

可复制性危机不仅是学术界的内部问题——它直接影响你每天接收到的心理学"建议"和"发现"。

"科学研究表明..."的警惕：当你在社交媒体或新闻中看到"科学研究表明..."时，这项研究很可能从未被独立重复。许多广为流传的心理学"发现"——如"权力姿势改变激素""自我损耗效应""启动效应"——都未能通过大规模重复检验。在采纳任何心理学建议之前，值得问一句：这项研究被重复过吗？

商业产品的心理学宣传：许多商业产品——从"脑力训练"游戏到"提升自信"的课程——都声称基于心理学研究。但这些研究中许多可能存在 p-hacking 或样本量不足的问题。Simons 等人（2016）的综述发现，商业脑力训练产品宣称的"认知改善"缺乏可复制的科学证据。

自我提升书籍的科学基础：畅销的心理学自我提升书籍中引用的研究，部分已经崩塌。例如，"权力姿势"研究曾被广泛引用为提升自信的方法，但后续重复研究未能复制其生理和行为效应。在阅读这类书籍时，保持批判性思维至关重要。

"常识心理学"的验证：你可能听说过"我们只使用了大脑的 10%""左脑人更理性，右脑人更创造性"等说法。这些"常识"大多缺乏可复制的科学支持。可复制性危机提醒我们，即使是"专家"的观点也需要经过严格的实证检验。

为什么今天仍然重要#

可复制性危机在科学传播和公共政策领域的影响力正在持续扩大。

科学信任的重建：在假新闻和反科学情绪蔓延的时代，心理学的可复制性危机进一步侵蚀了公众对科学的信任。透明、开放和自我纠错的能力恰恰是科学的核心优势——可复制性危机展示了科学共同体如何通过内部审查来纠正错误。

循证政策的挑战：越来越多的公共政策声称"基于证据"，但如果这些证据本身不可复制，政策的有效性就值得怀疑。例如，"助推"政策的部分理论基础来自未能通过重复检验的心理学研究。

AI 时代的科学方法：机器学习正在改变科学研究的方式——通过大数据分析发现模式，而非传统的假设检验。这种方法论的转变对可复制性有深远影响：数据驱动的发现更容易出现假阳性，但也更容易被独立数据集验证。

科学教育的改革：可复制性危机正在推动科学教育从"教科书知识"转向"方法论素养"。学生需要理解 p 值的局限性、样本量的重要性和预注册的价值——这些技能在信息时代比任何具体的科学知识都更重要。

跨域连接#

• 统计学：争论的技术核心可以被精确陈述——在研究者自由度存在的条件下，即使不存在真效应也很容易得到显著结果。这不是舞弊而是统计前提被违反，因而"我没有作弊"与"我的 p 值有效"是两个独立命题，而这一区分是整场讨论中最需要被普及的一点。
• 因果推断的可信性革命：经济学在更早时期经历了同类冲击并给出了不同答案——重点放在识别策略而非复制。两条路径的对照很有信息量：当实验可行时复制是最强的检验，当实验不可行时识别的可信性成为替代的质量标准。
• 媒体与公共领域：公开自我纠错在短期看起来像"这门学科不可靠"，长期却是使其可靠的唯一途径。如何在传播中呈现这一过程是实际难题："结论被推翻"与"方法在改进"是同一件事的两种叙述，而公众获得的几乎总是前一种。
• 软件测试：计算可重复性是另一层问题——同样的数据与代码能否得到同样的数字。共享代码、固定种子、容器化处理的是这一层，而它与"换一批被试还能否得到同样效应"是不同的问题；用同一个词指称两者常使讨论失焦。
• 工作与劳动组织：改革的阻力有明确的制度来源——发表数量决定职位与经费，而预注册与注册报告降低产出速度。因此讨论研究者的品德收效有限：只要激励结构不变，方法论改革就依赖少数人承担额外成本，这也是改革推进不均的根本原因。

后续大规模重复研究#

可复制性危机并非一次性的事件，而是一个持续进行的自我纠正过程。 2018 年，《自然·人类行为》发表了 Social Sciences Replication Project 的结果—— 对 21 项发表在《自然》和《科学》上的社会科学实验进行重复， 仅有 13 项（62%）得到了显著的重复结果。 这一比例高于 2015 年的 36%，暗示顶级期刊的研究质量可能较高。

ManyLabs 项目通过数十个实验室的协作， 对关键的心理学效应进行了系统性大规模重复。 ManyLabs 1（2014）测试了 13 个效应， 其中 10 个成功复制。 ManyLabs 2（2018）测试了 28 个效应， 成功率为 54%。 这些项目不仅检验了具体效应的可复制性， 也为心理学研究建立了更严格的方法论标准。

ManyLabs 2 的规模把「样本不一样所以重复失败」这条辩解压得很薄：125 个样本、15,305 名被试、36 个国家与地区，协议预先评审。按 p<.05 且方向一致，28 个效应中 15 个（54%）重复成功；原效应的中位 d 约 0.60，重复后约 0.15（Klein et al., 2018）。变异更多来自「这是哪一个效应」，而不是实验室开在哪里。预注册的多实验室重复，把争论从印象改写成可核对的分布。

贝叶斯统计方法的兴起为可复制性讨论提供了新的分析工具。 与传统频率派统计不同，贝叶斯方法允许研究者量化地表达 对假设的相对证据强度—— 一个"贝叶斯因子"（Bayesian factor）可以告诉我们数据 支持原假设还是备择假设的相对程度， 而非仅仅给出一个二元的"显著/不显著"结论。

参考文献#

• Bem, D. J. (2011). Feeling the future: Experimental evidence for anomalous retroactive influences on cognition and affect. Journal of Personality and Social Psychology, 100(3), 407-425.
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716.
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359-1366.
• Simonsohn, U., Nelson, L. D., & Simmons, J. P. (2014). P-curve: A key to the file-drawer. Journal of Experimental Psychology: General, 143(2), 534-547.
• Hagger, M. S., et al. (2016). A multilab preregistered replication of the ego-depletion effect. Perspectives on Psychological Science, 11(4), 546-573.
• Kahneman, D. (2012). A proposal to deal with questions about priming effects. Open letter.
• Ioannidis, J. P. (2005). Why most published research findings are false. PLoS Medicine, 2(8), e124.
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values. The American Statistician, 70(2), 129-133.
• Simons, D. J., et al. (2016). Do "brain-training" programs work? Psychological Science in the Public Interest, 17(3), 103-186.
• Wagenmakers, E. J., et al. (2012). An agenda for purely confirmatory research. Perspectives on Psychological Science, 7(6), 632-638.
• Anderson, C. J., et al. (2016). Response to Comment on "Estimating the reproducibility of psychological science". Science, 351(6277), 1037.
• Gilbert, D. T., King, G., Pettigrew, S., & Wilson, T. D. (2016). Comment on "Estimating the reproducibility of psychological science". Science, 351(6277), 1037.
• Cohen, J. (1962). The statistical power of abnormal-social psychological research: A review. Journal of Abnormal and Social Psychology, 65(3), 145-153.
• Bargh, J. A., Chen, M., & Burrows, L. (1996). Automaticity of social behavior: Direct effects of trait construct and stereotype activation on action. Journal of Personality and Social Psychology, 71(2), 230-244.
• Doyen, S., Klein, O., Pichon, C.-L., & Cleeremans, A. (2012). Behavioral priming: It's all in the mind, but whose mind? PLoS ONE, 7(1), e29081.
• Dijksterhuis, A., & van Knippenberg, A. (1998). The relation between perception and behavior, or how to win a game of Trivial Pursuit. Journal of Personality and Social Psychology, 74(4), 865-877.
• Shanks, D. R., et al. (2013). Priming intelligent behavior: An elusive phenomenon. PLoS ONE, 8(4), e56515.
• Carney, D. R., Cuddy, A. J. C., & Yap, A. J. (2010). Power posing: Brief nonverbal displays affect neuroendocrine levels and risk tolerance. Psychological Science, 21(10), 1363-1368.
• Ranehill, E., et al. (2015). Assessing the robustness of power posing: No effect on hormones and risk tolerance in a large sample of men and women. Psychological Science, 26(5), 653-656.
• Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600-2606.
• Klein, R. A., et al. (2018). Many Labs 2: Investigating variation in replicability across samples and settings. Advances in Methods and Practices in Psychological Science, 1(4), 443-490.
• Camerer, C. F., et al. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2, 637-644.