原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你试图弄清楚在鸡肉加工为食品的过程中，有多少“污垢”（在此特指一种名为空肠弯曲杆菌的特定细菌）会从鸡的肠道转移到其皮肤上。科学家需要了解这种关联，以预测我们的食品安全性，并测试新的清洁规定是否真正有效。
问题在于，科学家通常收集数据的方式，就像试图用打乱的拼图碎片来解谜。
“配对”与“不配对”的拼图
将一群鸡想象成一个班级的学生。每个学生都有一个“肠道评分”和一个“皮肤评分”。
- 正确的方法（配对采样）： 想象拍下学生 A 的肠道评分，并立即拍下学生 A 的皮肤评分。你将它们保存在同一个文件夹中。这就像观察一只特定的鸡，同时检查其内部和外部。
- 错误的方法（非配对采样）： 现在，想象你在一张清单上写下 100 名学生的肠道评分，在另一张不同的清单上写下 100 名学生的皮肤评分，但你弄丢了名字。当你稍后尝试将它们匹配时，可能会不小心将学生 A 的肠道评分与学生 Z 的皮肤评分进行比较。你正在混淆数据。
本研究做了什么
研究人员构建了一个巨大的计算机模拟——一个“虚拟农场”，在其中创造了数千只假鸡。他们为这些鸡编程，设定了一个清晰的线性规则，将肠道细菌与皮肤细菌联系起来（例如：“如果肠道有 10 个单位，皮肤就有 2 个单位”）。
随后，他们测试了两种“采样”（检查）这些虚拟鸡的方法：
- 配对方法： 他们同时检查了同一只鸡的肠道和皮肤。
- 非配对方法： 他们检查了一些鸡的肠道和另一些鸡的皮肤，将清单混合在一起，就像上述的“错误方法”一样。他们还测试了一种将样本混合在碗中（混合采样）的方法，这使得更难分辨谁拥有什么。
研究结果
- 当他们保持配对在一起时： 计算机成功推断出了规则。它查看数据后表示：“是的，肠道和皮肤确实存在关联，这就是该关联的确切强度。”
- 当他们混合清单（非配对）时： 计算机完全困惑了。即使科学家知道在虚拟世界中存在强关联，但混乱的数据让计算机认为完全没有关联。结果看起来像一条直线，表明肠道和皮肤彼此毫无关系。
核心结论
该论文得出结论：收集数据的方式会改变你得到的答案。如果你混淆样本（非配对）或将它们混合在一起（混合采样），你就会失去看清鸡的肠道与其皮肤之间真实关系的能力。
这很重要，因为政府和卫生组织利用这些数字来决定食品安全规定是否有效。如果他们使用来自“混乱”采样的数据，他们可能会认为某项安全规定没有效果（因为数据显示没有关联），而实际上，这种关联只是被糟糕的数据收集方式所掩盖。作者警告称，任何利用这些混乱数字来制定安全决策的人都必须非常谨慎，因为这些数字可能会产生误导。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。