科学研究中客观性的重要性

事实驱动（facts）科学发展，它们有两种形式：定性和定量的。我们可以通过观察或实验（使用技术或直接测量）得到事实。科学家分析事实、寻找模式和趋势并由此发现变量间的关系，得出说明变量间因果关系的假设。这些联系往往不容易被察觉，因此，在科学研究，尤其是生物科学研究中，给事实分类也是很重要的方面。

大量的事实叫做数据（data）。为了让数据更准确、更客观地反映宇宙规律，科学家必须通过重复测量和观察收集大量数据。数据可以用图表呈现，这能让人更直观地看出变量间的关系。

图1.1　图表是呈现数据的最直观的形式之一(www.xing528.com)

我们期待与假设一致的结果，而实际数据却可能与之不符。观察结果往往会受到随机误差和系统误差的影响。线性拟合等技术能够让科学家尽可能增强数据的客观准确性。科学家需要衡量极端数值（即图标中远离拟合线的点）是否有意义。

科学家需要明晰诸如准确性（accuracy）和精确性（precision）等术语，还需要意识到数据中位数（居于一连串值的正中间的值）和数据平均数（一个均值：通过把一串数值相加，再除以个数所得）的差异及其各自如何受极端值的影响。在科学研究中，精确性衡量的是不同实验值总体上的接近程度，而准确性衡量的是实验值和实际值的接近程度。

科学家还需要意识到认知偏差（cognitive bias）也会影响他们的结论和他们对研究的推进。认知偏差是推理、评估、记忆或其他认知过程中的误差，经常是由坚持自己的想法、忽视并抵制相反的信息、只接受与个人想法一致的信息导致的。一旦这些做法渗透进科学研究过程就会引发这些偏差。因此，你需要警惕，不要屈服于认知偏差。

在科学中，我们永远做不到对结果绝对确定，但我们能无限接近——这个相关的术语就是置信度（confidence level）。一个数值有与之相关的置信度，可以说，它确定了数值的置信区间。计算机的应用使大量数据的收集成为可能。现在的科学研究经常会涉及通过分析这些数据集来寻找趋势和模式。这通常驱使科学家们设计软件。在大多数情况下，数据和编程并不会和研究结果一起发表，但是可以提供给其他科学家使用。