2010年代初，心理学（以及其他社会科学和生物医学领域）经历了一场深刻的方法论危机—— 可复制性危机。大量经典研究无法被独立重复，引发了对心理学知识基础的根本性质疑。
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）。
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。
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）。
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。
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）。
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）。
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，2000多名被试）未能重复这一效应 （Hagger et al., 2016）。
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）。
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。
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
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。"
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。
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.