1. 课程导入与可重复性危机

在科研工作中，我们常常默认这样一件事：只要方法写得足够清楚，别人就应该能根据论文里的描述，得到和我们相同的结果。然而现实并不乐观。2016年《Nature》对1576名研究者做的一项调查显示，超过70%的受访者曾尝试重复他人的实验却失败，超过50%的人甚至无法重复自己课题组的工作。这一现象被称为可重复性危机（reproducibility crisis），它并不是某个学科的特例，而是横跨生命科学、心理学、社会科学乃至材料与计算科学的普遍问题。

要理解这场危机，先要厘清几个常被混用的概念。可重复（repeatability）指同一研究者在相同条件下、用相同数据和代码再次得到相同结果；可复现（reproducibility）指另一位研究者使用原作者提供的数据与代码，能够复现出相同结论；可再现（replicability）则指用新采集的数据、独立开展研究，仍能得到一致的科学结论。三者对“相同”的要求依次放宽，但难度依次上升。本课程聚焦的是其中最基础、也最可控的一环——可复现的数据分析流程：让分析从原始数据到最终图表、统计量的每一步都可追溯、可重跑、可验证。

危机从哪里来：四类典型根源

可重复性失败很少是单一原因造成的。实践中，问题往往集中在以下四个方面，它们彼此叠加，最终让“结果对不上”变得难以排查。

• 数据层面的隐性变动：原始数据被手工修改后未留版本，缺失值处理规则不一致，不同批次的样本被混用，导致“同一份数据”其实并不相同。
• 分析过程不可追溯：大量操作依赖鼠标点击、复制粘贴和临时脚本，中间结果被覆盖，关键参数只存在于某人的记忆或聊天记录里。
• 环境与依赖漂移：软件版本升级、包依赖变化、随机种子未固定、操作系统差异，使同一段代码在不同机器上给出不同数值。
• 报告与选择偏差：只报告显著结果、事后调整分析路径、图表与统计量手工拼合，使最终呈现与真实分析过程脱节。

这四类根源有一个共同特征：它们都发生在“从数据到结论”的链条上，而这条链条在传统科研训练中恰恰最少被系统讲授。多数研究者学过统计方法、学过编程，却很少被要求把分析当作一件可交付的工程产品来构建。

一个具体的“对不上”场景

设想一个常见的教学示例：某课题组研究某处理对细胞活力的影响，共3个处理组、每组6个样本，测得活力值并做单因素方差分析。论文报告“处理组B显著高于对照组，p = 0.032”。半年后学生想复核，却发现三处问题：原始Excel里有两个异常值被手动删除但未记录；方差分析前对数据做了对数变换，而论文方法部分只写了“数据经适当变换”；分析用的R脚本里随机种子未设置，导致自助法置信区间每次略有不同。结果，即使数据文件完全一致，重新分析得到的p值也可能变成0.041或0.027，结论的稳健性立刻受到质疑。

这个例子说明：可重复性不是“把数据存好”就够了，而是要把数据、代码、环境、文档四者作为一个整体来管理。它对应一套可以落地的工程习惯，而不是额外的行政负担。

本课程的学习路径与实战项目

围绕这条主线，课程将分四个阶段推进。第一阶段建立观念与规范：理解可重复性的层次、常见断裂点，学会用项目目录结构、命名约定和版本控制组织分析资产。第二阶段掌握核心工具链：以脚本化分析替代手工操作，用版本控制管理代码与文档，用环境锁定（如依赖清单与容器）固定运行条件，用参数化报告把图表与统计量自动生成。第三阶段进入质量保障：包括数据校验、单元测试式的分析检查、结果差异比对与日志记录。第四阶段是综合实战：完整走通一个从原始数据到可复现报告的项目，并接受“他人按文档重跑”的检验。

贯穿全程的实战项目是一个“处理组—对照组细胞活力分析”的可复现流水线。项目将提供一份含缺失值与异常值的原始数据、一份分析需求说明，学员需要交付：可一键运行的清洗与统计脚本、锁定版本的运行环境、自动生成的图表与统计表，以及一份能让第三方在30分钟内复现全部结果的说明文档。评判标准不是“结果是否显著”，而是“换一个人、换一台机器，能否得到与你完全一致的数值与图”。

需要强调的是，追求可复现并不意味着否定探索性分析。探索阶段可以自由尝试，但一旦某个分析要进入正式结论，就必须被固化为可重跑的脚本，并记录其输入、参数与输出。把“探索”和“交付”分开管理，是可重复流程能够长期坚持的关键。接下来的章节将从最基础的项目组织与数据管理开始，逐步搭建起这套体系。