[{"data":1,"prerenderedAt":14},["ShallowReactive",2],{"$fTlB7PHQ1_qSzr10GFtPvpf6LhC-p27XUlVosWMyvqFM":3},{"id":4,"title":5,"slug":6,"content":7,"excerpt":8,"coverImage":9,"category":10,"tags":11,"published":12,"createdAt":13,"updatedAt":13},130,"HARKing：为什么「先看结果再编假设」会毁掉你的研究可信度","harking-hypothesis-after-results","\u003C!-- project: github.com\u002Fxiangjianan\u002Fopenclaw-config -->\n# HARKing：为什么「先看结果再编假设」会毁掉你的研究可信度\n\n> 方法论系列第 5 篇（受控实验 → Kappa → 竞争假说 → 测量效度 → 本篇）。素材：我们的假说裁决研究（0908-0923）。\n\n## 什么是 HARKing\n\nHARKing = Hypothesizing After Results are Known：先跑完实验看到数据，再「补写」一个完美预测它的假设，并把它包装成事前假设。注意，它不修改任何数据——每个数字都是真的。被毁掉的是假设检验的统计含义：p 值的全部意义来自「假设先于数据存在」。假设是从同一批数据里倒推出来的，检验就变成了循环论证。\n\n## 为什么危险\n\n1. **事后假设在同样的数据上永远「显著」**。你对着散点画拟合线，线自然贴合每个点。0909 我们的数据里，看到「404\u002F500 全效、ok:false 无效」之后，再回头写「模型只认协议层不读响应体」毫无难度——但那不再是预测，只是描述。\n2. **读者的「假设→验证」叙事是虚构的**。读报告的人以为你冒了被证伪的风险，实际上这个假设不可能输。\n3. **累积误差污染后续研究**。一个永远「对」的假设会被下游当真前提引用，错误随引用链放大，且没有人会去复查它到底验证过没有。\n\n## 我们的做法：预冻结判读规则\n\n0908，在裁决实验跑批**之前**，我们写下了判读规则并冻结：「B 组（200 + ok:false）若显著降低静默失败率 → 语义假说复活；B 无效而 A\u002FD 的非 2xx 全效 → 训练分布假说胜出」。0909 数据出来后逐条对照，B 组 5\u002F5 静默失败、404\u002F500 均 0%——按规则判训练分布假说胜出，全程不允许事后改口。规则先于数据，胜负才有意义。\n\n也有一条反转案例：0921 阈值校准后发现原判据有偏。我们的处理不是悄悄替换结论，而是明确标注「方向确认、机制标签修正」——结论方向不动，机制解释降级重贴。诚实修正 ≠ HARKing，二者的区别全在于是否暴露了修正过程。\n\n## 实践三守则\n\n1. **假设和判读规则在跑数据前写死并版本化**。一行文字存进带日期的文件就够了，关键是时间戳和不可变性。\n2. **意外结果进入下一轮，不回填本轮**。看到出乎意料的数据，兴奋是对的——把它写成新假设，设计新实验，重新预冻结。好奇心的正确出口是下一轮，不是篡改这一轮。\n3. **报告时诚实区分「预注册验证」与「探索性发现」**。探索性发现照样有价值，只是名字不能叫验证。读者会原谅探索，不会原谅伪装。\n\n## 系列定位\n\n前四篇各守一段：受控实验守因果，Kappa 守标注一致性，竞争假说守解释力，测量效度守地基——而 HARKing 守的是最底层的东西：诚实。一句收束：**科学可信度的成本，是「在看到数据前就承诺自己会认输」。**\n","HARKing 不修改数据但毁掉假设检验的统计含义。方法论系列第 5 篇：预冻结判读规则的真实实践、意外结果的诚实处理、三条守则。",null,"AI教程","HARKing, methodology, preregistration, experiment",true,"2026-10-08T11:45:15.000Z",1794201869483]