2011 年，心理学史上最奇特的一篇论文被接受发表在顶级期刊《人格与社会心理学杂志》。作者 Daryl Bem 报告了支持"未来事件反向影响当前认知"的统计结果——例如，被试在刺激由计算机随机选定之前作出选择，结果被解释为高于机会水平。
这篇论文通过了同行评审。它的方法学看起来和其他"正常"的心理学实验毫无二致。
这不是巧合——这恰恰是问题所在。
破除误解：这不是"几个坏苹果"的问题
复制危机最常见的误读是把它归结为少数不诚实研究者的造假丑闻。实际上，心理学复制危机的根源要深得多——它暴露的是整个科研激励结构、发表标准和研究实践中长期存在的系统性缺陷。
Bem 报告的 9 个实验中有 8 个达到传统的统计显著标准，合并平均效应量约为 d = 0.22。论文之所以成为转折点，不是因为它被证明采用了当时所有研究者都会使用的某一套操作，而是因为一个极不寻常的主张，竟能用领域内熟悉的设计、分析和发表程序得到一组看似普通的"阳性结果"。
随后对这类研究实践的诊断集中在研究者自由度：如果停止收样、排除观察、选择因变量、加入协变量和报告分析的规则没有预先确定，研究者可以在同一批数据上走过许多分析路径，只展示其中越过阈值的一条。Simmons、Nelson 和 Simonsohn 的模拟表明，一组貌似温和而未披露的灵活操作，可以把真零效应下的假阳性率从名义上的 5% 推高到 60.7%[fpp]。这说明的是分析制度的风险，不能反向证明某位作者一定做过模拟中的每一步。
现场：2011—2015 年，"心理学的危机时刻"
2011 年是一个转折年。Bem 的预知论文发表的同年，三件事同时发生：
第一件：社会心理学家 Diederik Stapel 的数据造假案被揭发，涉及数十篇论文，其中包括那篇声称街道肮脏程度影响种族歧视态度的研究。这个案子直接推动荷兰学界启动大规模的科研诚信调查。
第二件：Simonsohn、Nelson 和 Simmons 发表论文《False-Positive Psychology》，用数学推导和模拟研究表明：如果研究者拥有足够的"自由度"（灵活的样本量、多个测量、多个条件），他们几乎必然会偶然获得统计显著结果，即便真实效应为零[fpp]。
第三件：Nosek 团队宣布启动大规模复制计划——心理科学可重复性项目（Reproducibility Project: Psychology，RPP）。
2015 年，RPP 结果发布在《科学》杂志。原研究中 97% 的结果达到统计显著，复制研究中这一比例为 36%；复制效应量平均约为原效应量的一半；原研究与复制研究的效应方向大多一致，但强度和不确定性差异很大[rpp]。
这组指标不能被压成"100 项中只有 36 项是真的"。复制成功可以按显著性、效应方向、置信区间、效应量差异或主观评估定义，各种定义回答的问题不同。低功效、抽样波动、程序差异、原效应高估和真实情境异质性都可能造成不一致。RPP 的核心贡献是把"能否复制"变成可量化、可争论的研究对象，而不是给每个原发现盖真假印章。
经典效应如何被重新估计
复制危机最具体的贡献，是迫使领域把一个宽泛标签拆成可检验的操作、结果与边界条件。下面不是"真/假名单"，而是几种证据被重新估计的典型路径。
早期强主张受到削弱
自我损耗（ego depletion）：Roy Baumeister 的理论认为，意志力是一种有限的资源，可以被耗尽，从而导致后续任务表现变差。这个理论催生了数百项研究。然而，2016 年 Hagger 等人组织的 23 个实验室预先注册的大规模复制尝试显示，自我损耗效应接近于零（d = 0.04）[hagger2016]。这使"意志力是一种会被短时耗尽的单一资源"受到强烈质疑。后续研究对任务、操纵和理论机制仍有争论，因此更稳妥的结论是：早期文献不足以支持一个稳定、普遍且达到原报告强度的效应。
权力姿势效应（power posing）：Amy Cuddy 的研究声称，摆出"高权力"肢体姿势（双腿分开、双手叉腰）可以提升睾酮、降低皮质醇，进而改善绩效表现和冒险行为。2015 年 Ranehill 等人在更大样本（N=200）的预注册复制研究中发现：姿势效应确实影响主观感受（感觉更有力量），但对激素水平和风险行为没有可重复的效应[ranehill]。共同作者 Dana Carney 本人后来公开声明她不再相信权力姿势的激素效应[carney]。行为效应的研究结论仍然混乱。
社会启动效应（social priming）：这一类效应声称无意识地接触某个概念会改变行为——例如阅读与"老年"相关的词汇后走路变慢（John Bargh 的经典研究），或持有温热咖啡杯后评价他人更"温暖"。若干高关注直接复制未重现早期结果，包括针对 Bargh 老年启动效应的研究（Doyen et al., 2012）。研究者对复制忠实度、实验者期待和情境调节持续争论。"社会启动"涵盖许多不同操作和结果，不能由单个失败复制整体判死刑；能够成立的更窄主张是：部分经典、强效且易泛化的叙述没有经受住更严格检验[bargh]。
颠覆性的"笔叼嘴"面部反馈效应：Fritz Strack 1988 年的研究声称，用嘴叼笔（迫使面部肌肉模拟微笑）可以让人觉得漫画更有趣。2016 年，一个由 17 个实验室完成、总样本 N = 1894 的注册复制报告未重现原效应（d = 0.03，接近零）[strack2016]。不过，该复制研究使用摄像头记录参与者，之后围绕观察情境是否构成调节因素又开展了研究。这让合理结论变成"效应大小及边界仍需估计"，而不是简单从"成立"翻转为"不存在"。
长期研究项目也需要拆分
认知失调（cognitive dissonance）：相关效应拥有跨数十年的实验传统，但"自由选择""努力合理化"等范式各有混淆与替代理论。它更适合作为证据仍在累积、机制仍有竞争解释的研究纲领，而不是简单列入"已复制"名单。
内隐联结测试（IAT）测量的内隐偏见：IAT 分数具有非零但不高的重测稳定性，与行为指标的平均关联也较弱；估计会随任务、行为标准、聚合层级和样本而变化。它可以研究群体层面的关联结构，却不应被当作稳定诊断个人偏见的单次测验。
旁观者效应（bystander effect）：元分析支持旁观者数量在一些条件下降低个体帮助概率，但危险程度、施助能力、群体关系和"至少一人是否帮助"会改变结论。监控录像研究发现多数被记录冲突中至少有人介入，并不直接否定个体层面的责任分散；它提醒我们区分分析单位和真实场景。
条件恐惧学习（fear conditioning） 及其消退：基本的巴甫洛夫条件反射机制在人类和动物中都极为稳健，是基础神经科学的重要基础。
开放科学的应对：工具箱在 2020 年代已经成熟
复制危机不只是破坏，它也推动了研究实践的实质性变革。以下几项工具在 2020 年代已经从"倡议"变成了制度。
预注册（Pre-registration）
研究者在接触主要结果之前，为研究假设、方法和分析计划留下带时间戳的记录。它让读者能够区分预先计划的验证性分析与事后形成的探索性分析，但不会自动消除偏差：模糊的计划仍留下自由度，合理偏离也可能发生，未发表的预注册研究仍会形成文件抽屉。关键不是"完全照表执行"，而是透明报告计划、偏离及理由。
注册报告（Registered Reports）
这是一种期刊发表流程的结构性变革：期刊通常在数据收集之前，基于研究问题的重要性和方法的严谨性作出原则性接收，而不是等结果出现后才决定。它显著削弱"只有显著结果才能发表"的激励，但最终发表仍取决于方案遵循、质量检查和结论是否受数据支持。
注册报告把研究质量审查提前，并通过"原则性接收"降低结果对发表决定的影响。Scheel 等人比较了截至 2018 年的 71 篇心理学注册报告与 152 篇传统报告：按每篇第一项假设编码，传统报告的阳性结果比例为 96%，注册报告为 44%[^registered-reports]。这项观察性比较支持"传统文献存在过量阳性结果"的担忧，但两组研究问题、作者和期刊并非随机分配，不能把 52 个百分点全部解释为注册报告的因果效果。
开放数据与开放材料（Open Data & Open Materials）
开放数据与材料可以支持分析复核、再分析和方法复用，但也受到知情同意、隐私、知识产权和数据治理约束。"可按 FAIR 原则受控访问"不等于"所有原始数据无条件公开"。
2023 年生效的美国 NIH 数据管理与共享政策，要求适用研究在申请时提交并遵守数据管理与共享计划，并在伦理、法律和技术限制下最大化适当共享。相关论文所依据的数据原则上不晚于论文公开时共享；政策并没有要求所有 NIH 项目的全部原始数据都在论文发表时向任何人无条件开放[nih2023]。
大规模多实验室复制（Many Labs 项目）
由 Nosek 等人组织的 Many Labs 项目在全球多个实验室同时复制同一批研究，有助于估计平均效应及地点间异质性。Many Labs 2（2018）在来自 36 个国家和地区的样本中检验了 28 个效应，结果高度分化：有的效应跨地点较一致，有的整体接近于零，而地点间差异并不总能由预先提出的样本特征解释[ml2]。
代价与争议：开放科学运动的张力
变革从来不是无代价的。
过度矫正的担忧：部分研究者担心，"p < 0.05 即显著"被全面质疑之后，领域陷入了另一个极端——把所有未被大规模预注册复制的研究都视为无效。这忽视了复制研究本身的局限：情境、文化、时代背景都可能合理地导致效应大小不同，而非"原始研究是假的"。
WEIRD 样本问题：复制危机的讨论促使领域正视另一个盲点——绝大多数心理学研究的被试来自 Western（西方）、Educated（受过高等教育）、Industrialized（工业化）、Rich（富裕）、Democratic（民主）国家（WEIRD）。这些人群只占全球人口的一小部分，却常被用来支持关于"人类心理"的普遍结论。这一批评由 Henrich、Heine 和 Norenzayan 在 2010 年系统提出[weird]。今天样本来源受到更多关注，但采样、理论和研究资源的全球不平等并未因此消失。
开放科学的不平等：预注册本身未必昂贵，但大样本、多实验室协调、数据整理和长期存储都需要资源；开放获取费用也可能转移负担。统一的"最佳实践"若忽略语言、基础设施和本地治理，可能让资源匮乏机构承担更高合规成本。
"复制危机"的范围之争：危机的程度本身就是一个有争议的实证问题。复制实验是否足够忠实？文化和时间变迁能解释多少异质性？哪一种成功标准最有信息？在没有模型化研究先验、功效、选择性发表和异质性之前，不能从 36% 直接倒推出整个心理学的"真实阳性率"。
未知的边界
- 效应量缩水不是定律，但有可解释机制：在低功效和选择性发表共同存在时，最先越过显著性阈值的估计往往偏大，这就是一种"赢者诅咒"。后续更大样本也可能得到相近或更大效应，因此应比较估计值与不确定性，而不是预设复制必然缩水。
- 机制研究的复制性：复制危机主要针对的是行为/现象层面的效应。但心理学中另一类研究——关于认知机制、神经基础的研究——有着不同的复制性格局，尚未被同等规模地评估。
- 预注册能否被"游戏化"：批评者已记录了一些案例，研究者在预注册之后仍然通过"不在预注册计划内的探索性分析"发表显著结果，而不明确说明哪些是探索性的。预注册的实际改进效果需要继续跟踪。
- 元科学本身的方法学：评估复制率的元分析本身也有方法学挑战——如何选择纳入研究？如何定义"复制成功"？这些问题还在讨论中。
跨域连接
- 证伪主义：这场危机重新激活了可证伪性与辅助假设的讨论，而它最实际的贡献是把规范要求变成了制度：预注册要求先说出什么结果会算作反驳。复制数据本身不会证明某一种科学哲学，但它使"事后调整辅助假设"这一行为第一次可以被识别与统计。
- 统计学：技术核心可以被精确陈述——在研究者自由度存在时，即使不存在真效应也很容易得到显著结果。围绕 p 值阈值的提案（如把新发现的默认阈值降至更严的水平）是有条件的制度建议而非已被接受的定律，且它无法解决自由度本身的问题。
- 因果推断的可信性革命：经济学更早经历同类冲击并给出了不同答案——重心放在识别策略而非复制。两条路径互补：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。
- 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，这也是改革推进极不均衡的根本原因。
- 媒体与公共领域：公开自我纠错短期看像"这门学科不可靠"，长期却是使其可靠的唯一途径。"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——如何呈现这一过程，是科学传播中尚未解决的实际难题。
参考文献
- Open Science Collaboration. Estimating the reproducibility of psychological science. Science 349, aac4716 (2015). DOI: 10.1126/science.aac4716. [RPP 原始报告]
- Simmons, J.P., Nelson, L.D., & Simonsohn, U. False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science 22, 1359–1366 (2011).
- Nosek, B.A. et al. Promoting an open research culture. Science 348, 1422–1425 (2015).
- Chambers, C. The Seven Deadly Sins of Psychology: A Manifesto for Reforming the Culture of Scientific Practice. Princeton University Press, 2017.
- Henrich, J., Heine, S.J., & Norenzayan, A. The weirdest people in the world? Behavioral and Brain Sciences 33, 61–83 (2010).
- Hagger, M.S. et al. A multilab preregistered replication of the ego-depletion effect. Perspectives on Psychological Science 11, 546–573 (2016).
- Klein, R.A. et al. (Many Labs 2). Investigating variation in replicability: A "many labs" replication project. Advances in Methods and Practices in Psychological Science 1, 443–490 (2018).
- Scheel, A.M., Schijen, M.R.M.J., & Lakens, D. An excess of positive results: Comparing the standard psychology literature with Registered Reports. Advances in Methods and Practices in Psychological Science 4(2), 2021.