数据“太漂亮”反而可疑：科研数据造假的六个识别信号

真实测量会带上仪器的分辨率和随机波动，所以同一指标的多组读数很少呈现整齐的规律。如果你看到一组数据全部是两位小数、且末位长期停留在某几个数字上，这通常不是巧合，而是手工填写的痕迹。

误差棒代表的是波动范围。当某个指标在真实实验中本身就容易受温湿度、操作时间、样本个体差异影响时，误差棒不太可能一直贴着数据点。误差棒普遍偏小，说明要么重复次数不足、要么波动被“压平”了。

需要注意，误差棒异常也可能是统计方法误用导致的，例如把标准误当成标准差展示。遇到这种情况，先核对统计口径，再下结论。

图像复用是最容易被工具检测出来的一类问题。同一张图被裁切、旋转、镜像后用于不同条件，虽然肉眼初看不同，但在像素层面会保留高度相似的纹理与噪声分布。

现在的图像完整性检测工具会直接给出相似区域的高亮对比。对学生来说，这也意味着一旦图片源自同一批素材，迟早会被看出来，别抱侥幸。

造假的另一处破绽在叙述上：数据只支撑了比较弱的结论，文字却给出了很强的判断；或结论需要的对照组在图表里根本没出现。这种“跳跃”是评审最容易发问的位置。

把实验记录的时间戳与样本量放在一起看，往往能发现矛盾。声称做了大量重复实验，但记录显示样本处理几乎在同一时段内完成，这在需要培养周期或长时程观测的课题里很难成立。

另一个信号是样本描述的模糊：只写“若干样本”，不写具体来源、批次和剔除标准。样本口径不清，后续所有统计都失去意义。

与其担心被查，不如把记录做扎实。规范的过程记录不只是应付检查，它能在你被质疑的那一刻，直接把整条证据链递上去。