发表偏差与虚假事实的典律化

在科学探究过程中，某些主张会积累足够的支持从而被确立为事实。遗憾的是，并非每一项被赋予事实地位的主张最终都是真实的。在本文中，我们对主张通过反复实验证实而被典律化为事实的动态过程进行了建模。学界对某一主张的信心构成一个 Markov 过程：每项相继发表的成果都会改变信念程度，直到积累足够证据将该主张接受为事实或将其作为虚假主张拒绝。在我们的模型中，发表偏差——即阳性结果优先于阴性结果发表——影响了已发表结果的分布。我们发现，当读者不知道发表偏差的程度从而无法以之为条件时，虚假主张往往会被典律化为事实。除非有足够比例的阴性结果被发表，否则科学过程在区分虚假主张与真实主张方面将表现不佳。当科学家进行 p-hacking、数据挖掘及其他增加假阳性发表率的行为时，这一问题会进一步恶化。然而，如果随着一项主张接近被接受为事实，阴性结果变得更容易发表，那么真实与虚假的主张就能更容易地被区分开来。在模型能够准确反映当前学术实践的程度内，某些科学研究领域中所谓事实的有效性将引发严重关切。