科学政策与科研伦理
科研 funding、发表压力与伦理边界——好制度如何促进好科学
预计时间：25 分钟读 + 10 分钟做习题 = 35 分钟。
本课方法论承诺
读完这节课，你将掌握：① 科研 funding 的激励机制——竞争性 funding 如何塑造研究议程；② 发表偏见（Publication Bias）——显著性问题如何扭曲文献；③ 科研伦理的核心原则——诚实、透明、对受试者的责任。
一、核心概念定义
科研 funding 的激励机制
竞争性 funding（Grant Competition）：
- 优点：资源分配给「最好的」想法
- 缺点：激励「安全研究」（已被证明的方向）而非「高风险高回报」研究；激励「讨评审喜欢」而非「真正创新」
「 publish or perish 」的扭曲：
- 激励数量而非质量
- 激励「显著结果」（p < 0.05）而非「诚实报告」
- 激励「热点追逐」（跟风热门方向）而非「深耕难题」
发表偏见（Publication Bias）
倾向发表显著结果（p < 0.05）导致：
- 文献失真：文献中「有效」的研究占多数， null 结果被埋没
- 重复研究浪费：别人不知道你的 null 结果 → 重复做同样的实验
- Meta 分析偏误：只基于发表文献的 meta 分析系统性高估效应量
预注册（Pre-registration）：在数据收集前固定假设和分析计划 → 减少 p-hacking。
科研伦理的核心原则
- 诚实：不伪造、不篡改、不选择性报告数据
- 透明：方法、数据、代码公开可复现
- 对受试者负责：知情同意、最小化伤害、隐私保护
- 利益冲突披露：funding 来源、商业关系必须公开
二、学科直觉
- 「好制度产生好科学」：科学的质量不仅取决于科学家的道德品质，更取决于制度激励。如果制度奖励「发表数量」和「显著结果」，即使诚实的科学家也会被扭曲。
- 科学共同体的自我纠错机制是脆弱的：peer review 不保证正确（只是保证「看起来合理」）； replication 经常失败； null 结果被埋没。这些都是系统性问题，不是个别科学家的道德失败。
- 伦理不是「约束」，是「基础设施」：好的伦理规范（如预注册、open data）不是「限制科学家自由」——它们是科学自我纠错的技术实现。没有这些基础设施，科学共同体无法校正个体偏见。
三、跨学科应用
医学研究：发表偏见与患者安全
抗抑郁药研究：发表的研究显示药物有效（显著结果），未发表的 null 结果被埋没 → 实际效应量被高估。
解决方案：强制临床试验注册 + 结果发布承诺（如 FDA 的 ClinicalTrials.gov）。
芒格式提醒
科研伦理中最重要的是"看见看不见的受害者"——发表偏见的受害者是那些基于失真文献做决策的医生和患者； p-hacking 的受害者是那些基于虚假显著结果投资的公司。好的制度设计让"不道德"难以获利。
AI/ML：可复现性危机
ML 研究可复现性差的原因：
- 不公开训练数据（版权/隐私）
- 不公开代码
- 超参数调优（p-hacking 的 ML 版本）
NeurIPS/ICML 等顶会现在要求代码开源和可复现性声明。
企业 R&D：创新激励的结构性困境
企业研发的伦理困境：
- 短期利润 vs 长期探索
- 专利激励创新 vs 专利阻碍知识传播
- 商业机密 vs 科学开放性
练习题
单选题
1
竞争性科研 funding 的主要扭曲是？
2
publish or perish 导致的主要问题是？
3
发表偏见（Publication Bias）的核心是？
4
预注册（Pre-registration）的主要作用是？
5
科研伦理的核心原则不包括？
6
ML 可复现性差的主要原因之一是？
7
默顿「无私利性「规范在现实中受什么挑战？
案例分析
C1
C1. 案例：某药企资助的临床试验显示新药有效（p = 0.04），但未发表。后来独立重复试验显示无效。用本节概念分析？
反事实思考题
T1
T1. 反事实：如果所有科研经费按「研究质量（可复现性 + 长期影响）「分配，而非「短期产出/热点「。对科学进步的影响？
下一步： 科学哲学课程完成。建议进阶：big-history-institutional-history/（制度演化视角）或 complexity-science/（涌现与自组织）。