造假、篡改与可疑研究实践

数据造假与篡改是明确不端；选择性报告、HARKing（结果出来后编假设）、p-hacking、过度声称是"可疑研究实践"（QRP）。本章讲 QRP 为何普遍、为何有害，以及预注册、完整报告等对策。

谱系：从明确不端到灰色地带

研究诚信问题是一个谱系，两端的性质完全不同：

造假与篡改是明确的学术不端：编造或篡改数据的结果一旦发现，撤稿、禁投、通报机构是标准处理——被发现的代价远大于一篇论文，而"被发现"几乎是确定的（结果无法复现、数据可疑、合作者知情）。

QRP 比造假常见得多，危害也大：它不编造数据，只是有偏地呈现真实数据——只报告最好的运行、结果出来后再编一个假设、反复尝试分析直到显著。单个研究的偏差可能不大，但聚合在领域层面会扭曲共识：效应被高估、假发现累积、复现失败（这是 ML 复现危机的重要成因之一，见机器学习）。

QRP 的推动力多是结构性的：发表压力 + "显著结果才可发表"的偏好。对个人的推论是：你不需要造假就会滑向 QRP——只需要在"不利的实验结果"面前多按几次删除键。

预注册：实验前写下假设、判据、分析方案（对个人研究，研究提案的判据 + 结果分支测试就是预注册的实用形式）；
完整报告：报告所有尝试过的配置数是最简单的对策——"我们尝试了 12 个配置，报告最好的 3 个"比"我们最好的配置提升 N%"诚实得多（见实证研究的常见错误）；
区分探索与确认：探索性分析（发现假设）与确认性分析（检验假设）分开报告——HARKing 的问题不在探索，在于把探索包装成确认；
审稿侧的对应：评审与读者对 QRP 的警觉见批判性阅读。