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
想象你是一名侦探，试图破解一个谜团，但你被允许查看的唯一线索是“统计显著”的指纹。这就是当今大多数科学研究运作的方式，这种方法被称为零假设显著性检验（NHST）。该论文指出，尽管这种方法已成为标准，但它常常误导我们。当一项研究得出“统计显著”的结论时，就像侦探过早地高喊“案件已破！”，从而导致结论过于自信且往往不切实际。
该论文建议我们需要一种更好的研究思维方式，这种方式更像是一场马拉松，而非一次短跑冲刺。
问题：“非赢即输”的短跑
目前，研究人员将每一项研究都视为一场比赛，唯一的目标就是冲过终点线（获得“显著”结果）。如果冲过终点，他们就赢了；如果没有，他们就输了。问题在于，这种做法忽略了比赛的其他部分。它忽略了在起跑之前该假设本身为真的可能性，也忽略了以往比赛中可能发现的其他证据。
解决方案：假设竞赛模型（HRM）
作者提出了一种新框架，称为假设竞赛模型（HRM）。请将此视为一场接力赛，而非单场比赛，其中许多选手（假设）在时间维度上相互竞争。
- 选手：不要只想象一个假设，而是想象多个不同的理论并排奔跑。
- 记分牌：HRM 不像仅仅检查是否有人冲过终点线，而是像一个动态记分牌。每当有新证据出现（一项新研究），记分牌就会更新每位选手的“可信度”。
- 贝叶斯视角：这是模型的“智能”部分。它不仅仅孤立地看待新证据，而是提出：“鉴于我们已知的一切，这一新线索应在多大程度上改变我们的信念？”这就像调整对嫌疑人的看法时，不仅仅依据一位新证人的证词，而是将该证人的证词与你已知的案件所有其他信息加以权衡。
为何这很重要
该论文声称，该模型之所以强大，是因为：
- 直观易懂：它建立在科学家已知的概念（如 NHST）之上，但加入了“竞赛”背景，因此无需对他们进行彻底的重塑培训。
- 纠正错误：通过将研究视为可信度的渐进调整（如同更新分数），它阻止了我们基于单一“显著”结果得出脱离实际的结论。
- 节省成本：作者指出，该模型足够强大，可作为数学模型的基础，用于估算并降低检验这些假设的成本。
简而言之，该论文主张，我们不应再将研究发现视为孤立的“非赢即输”时刻，而应将其视为持续演进竞赛的一部分，在其中我们根据迄今为止收集到的所有证据不断更新我们的信念。
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。