我冒昧地说，很大部分都是来自应用了机器学习的科学项目

Genevera Allen，图片来自 BBC

越来越多学者选择采用机器学习软件来分析已有数据，领域从生物医学到天文学都有。有一个问题是，这些算法时常会从数据中找到「无用规律」—— 只存在于数据，不存在于现实生活的规律。

当有其他研究人员以同样方法分析另一组真实数据时，会发现结果和已有（用机器算法分析出来）结果毫无重合之处。一般来说，大家就是在这个时候发现原来的研究有问题。

Allen 博士说道。此外，她表示「可复制性危机」已经是学界公认的问题，「我冒昧地说，其中很大部分问题研究都是来自应用了机器学习的项目。」

《自然》杂志曾于 2016 年报道，在尝试重现他人实验结果的研究人员中，70% 都是以失败收场，50% 的人甚至无法重复自己的实验。

英国心理学会总统奖得奖者 Marcus Munafo 长期关注学界可重复性问题，他认为这是一个非常严重的问题。他在读书时就曾在重复一些论文中的简单实验时失败了：「因此，我对科研产生了信任危机，后来我发现，这是一种非常普遍的现象。」

Marcus Munafo，图片来自英国心理学会

有观点认为，可重复性概率低的问题，一方面是因为前沿技术的可把控性较低，但人人都想找到新发现，假阳性被写入论文情况并不少见。此外，关于发现假阳性的论文也不受研究刊物编辑的欢迎，因此大家去深究的动力也不大。

学界普遍认为，不可复制的问题通常来自不成熟的研究实验模式，让研究人员只看到自己想要的内容，为寻找特定规律而设计的机器学习算法使得这种情况变得更严重。

挑战在于，我们是否可以相信这些研究发现？如果我们获得了另一组数据，用同样方法分析是否会得到同样结果？不幸的是，答案很可能是否定的。