1 基本概念
1.1 定义
复现实验是指在尽可能相同的条件下，对既有实验或研究再次实施，以检验其结果是否能够被重新获得。它强调方法、材料、数据处理流程和判断标准的可比性，目的在于确认原结论是否稳定可靠。
在科学语境中，复现实验并不只是简单“再做一遍”，而是对原研究进行有针对性的再检验。若结果能够在相同或近似条件下再次出现，通常说明该发现具有较强的可信度；若结果差异明显，则可能提示原研究存在方法问题或外部干扰。
1.2 目的
复现实验的核心目的，是通过重复验证来评估研究结果的稳健程度。它既服务于知识确认，也服务于方法校正，能够帮助研究者辨别真实效应与偶然现象之间的界限。
1.2.1 验证研究结论
复现实验最直接的作用，是确认原研究得出的结论是否成立。对于具有理论意义或应用价值的发现，只有经过复现检验，相关结论才更容易被学界接受并纳入后续研究框架。
1.2.2 检验实验稳定性
同一实验在不同时间、不同批次或不同操作者手中是否仍能得到相近结果，体现了实验的稳定性。复现实验可以据此判断某项方法是否足够成熟，是否适合推广使用。
1.2.3 识别偶然误差
部分研究结果可能受到随机波动、样本偏差或环境变化影响。复现实验有助于识别这些偶然误差，避免研究者将短期、局部或偶发的现象误判为普遍规律。
1.3 与相关概念的区别
复现实验与若干相近概念密切相关，但侧重点并不相同。区分这些术语，有助于更准确地理解研究设计与证据强度。
1.3.1 重复实验
重复实验通常指在同一研究内部，对同一方法进行多次操作，用于提高测量精度或减少偶然波动。它更偏向实验过程中的内部控制，而复现实验则更多指向对既有研究成果的再次检验。
1.3.2 验证实验
验证实验一般指围绕某个假设或结论所进行的确认性实验，范围可以较广，不一定要求完全复制原研究条件。复现实验属于验证实验的一种，但更强调与原实验的对应关系。
1.3.3 复制研究
复制研究是较宽泛的研究概念，指在不同条件、样本或场景下，对某项研究进行再开展，以观察其结论能否迁移。复现实验通常属于复制研究的具体形式之一，尤其偏重实验方法层面的再现。
2 历史与发展
2.1 早期科学中的复现思想
复现思想可以追溯到早期自然哲学和手工实验传统。随着观察与实验逐渐成为认识自然的重要方法，研究者开始重视“别人是否也能做出同样结果”。这一观念为后来科学共同体中的证据检验奠定了基础。
2.2 现代科学方法中的确立
近代科学兴起后，实验记录、公开交流与同行评议逐步制度化，复现由经验性要求上升为科学方法的重要组成部分。研究结果不再仅依赖单次观察，而是需要经过多次检验和独立验证，才能形成较稳固的知识。
2.3 开放科学时代的复现需求
进入开放科学阶段后，数据、代码和材料的可获得性显著提升，复现实验的重要性进一步凸显。研究者不仅关注结果是否可重复，也更加关注过程是否可追踪、结论是否可审计。
2.3.1 数据共享推动
数据共享降低了外部团队重新分析与验证研究结果的门槛。开放数据使复现实验不再完全依赖原作者个人配合，也为交叉检验、元分析和二次研究提供了基础。
2.3.2 预注册与透明化
预注册是指在研究开展前预先记录研究假设、分析方案与主要指标。它有助于减少事后调整策略带来的偏差，使复现实验更容易比较原始方案与后续结果。
2.3.3 开源代码与材料公开
随着计算研究和数字实验增多，代码与分析脚本的公开变得尤为关键。开源材料让复现者能够追踪数据处理细节，减少因软件差异或参数不明导致的结果偏离。
3 类型与形式
3.1 直接复现
直接复现是最接近原研究的一种方式，尽量沿用原有实验设计、材料、流程和分析方法，以考察结论是否能够在几乎相同的条件下再次出现。
3.1.1 相同方法复现
这类复现保持实验技术路线不变，例如同样的测量工具、同样的统计模型以及相同的处理步骤。其重点在于检验方法本身是否稳定。
3.1.2 相同样本条件复现
当研究对象、纳入标准和样本来源与原研究保持一致时，结果差异更容易归因于实验本身而非样本变化。这种形式常用于评估原结论的可重复性。
3.2 间接复现
间接复现并不要求所有条件完全一致，而是在核心假设不变的前提下，对样本、环境或工具进行适度调整，以观察结论是否具有一定普适性。
3.2.1 不同样本复现
使用不同来源或特征的样本进行复现，可以检验结论是否仅适用于特定群体，还是具有更广泛的适用范围。
3.2.2 不同实验环境复现
在不同实验室、不同设备或不同地域开展复现，有助于判断原结果是否依赖特定环境条件，也能测试结论的外部稳健性。
3.3 多中心复现
多中心复现是由多个研究机构或实验室共同参与的复现实验方式。它通过分散实施和集中比较，提升结果的独立性与可信度。
3.3.1 跨实验室重复
不同实验室按照统一方案独立完成实验，可较好地检验研究结果是否受单一团队操作习惯影响。
3.3.2 跨地区协作复现
跨地区协作复现常用于样本来源广泛或实验条件复杂的研究。通过多地同步开展，可以观察结果在不同社会、气候或设备条件下的稳定程度。
4 复现实验的设计
4.1 实验方案制定
复现实验的方案设计需要围绕原研究的关键环节展开，既要尽量保留核心条件，也要提前明确可调整之处，避免出现“名为复现、实为重做”的情况。
4.1.1 研究问题界定
首先应明确要复现的是整体结论、某个效应，还是某个关键步骤。问题界定越清晰，后续的材料准备、样本选择和结果比较就越有针对性。
4.1.2 变量与控制条件设置
复现设计中，哪些变量必须保持一致，哪些因素允许变化，需要事先列明。恰当的控制条件有助于将结果差异与具体原因对应起来。
4.1.3 样本量规划
样本量过小会导致统计波动较大，过大则可能增加资源消耗。复现实验通常需要结合原研究效应大小、预期误差和检验目标进行合理规划。
4.2 实验材料与设备
材料和设备的一致性，直接影响复现结果的可比程度。对于精密实验或自动化流程，细微差别也可能引起显著变化。
4.2.1 仪器一致性
仪器型号、校准状态和测量精度最好与原研究保持一致。若设备不同，应记录其性能差异，并评估对结果的影响。
4.2.2 试剂与耗材标准化
化学、生物等实验中，试剂纯度、批次和保存条件可能改变实验表现。对耗材进行标准化管理，有助于降低批次差异带来的不确定性。
4.2.3 软件与算法版本控制
在依赖计算处理的研究中，软件版本、库文件和算法实现方式都可能影响结果。版本控制能够减少环境变动造成的复现偏差。
4.3 操作流程规范
规范化操作是保证复现质量的重要前提。统一的流程既便于比较，也有助于追踪误差来源。
4.3.1 统一操作步骤
将实验步骤细化并标准化，可减少不同操作者之间的执行差异。对时间、顺序、温度、次数等细节加以限定，通常能提高复现稳定性。
4.3.2 记录模板设计
完善的记录模板可以帮助研究者保存关键过程信息，如样本处理、异常现象和参数变动。记录越完整，事后分析越容易。
4.3.3 偏差控制措施
盲法、随机化、重复测量和质量检查等措施，能够降低主观判断和偶然因素对实验过程的影响，是复现实验中常见的质量控制手段。
5 统计与结果判定
5.1 结果一致性评估
复现实验完成后，需要从统计角度判断新结果与原结果是否一致，而不只是比较“像不像”。这种评估通常结合多个指标共同进行。
5.1.1 效应量比较
效应量能够反映结果的实际大小，比单纯依赖显著性更能体现研究差异。若效应量接近，通常说明复现程度较高。
5.1.2 显著性检验
显著性检验常用于判断结果是否超过随机波动范围。不过，显著与否并不等同于复现成功，还需结合研究设计和效应大小综合判断。
5.1.3 置信区间分析
置信区间能够展示估计值的不确定范围。若原研究结果与复现结果的区间高度重叠，往往说明两者具有较好的相容性。
5.2 可重复性与可再现性
这两个概念在实践中常被并提，但关注点不完全相同。前者更强调相同步骤下是否能得到一致结果，后者更强调不同环境或不同材料下能否再现主要发现。
5.2.1 数据层面的再现
数据层面的再现指原始数据经相同或相近分析处理后，是否能得到一致结论。这类复现对数据公开和处理透明度要求较高。
5.2.2 过程层面的重复
过程层面的重复关注实验操作本身是否可以被他人按照说明重新执行。若流程表述清晰，重复成功率通常更高。
5.2.3 结论层面的稳健性
结论层面的稳健性强调，即使细节存在某些变化，核心发现仍能成立。稳健性越强，说明研究结果越不依赖特定条件。
5.3 结果差异解释
复现实验出现差异并不罕见，关键在于识别差异来源，并判断其是否足以改变结论。
5.3.1 随机误差
随机误差来自测量波动、样本抽取变化或自然起伏，通常会使结果在某个范围内上下浮动。它是复现中最常见的差异来源之一。
5.3.2 系统误差
系统误差则往往来自仪器偏差、方法偏移或固定性操作问题，会使结果整体偏向某一方向。若未被识别，可能导致复现结果持续偏离原研究。
5.3.3 发表偏倚
发表偏倚是指更容易被发表的往往是“阳性结果”或较为显著的发现。它会影响文献中的整体证据结构，使后续复现显得更难成功。
6 常见问题与挑战
6.1 实验条件难以完全一致
现实中的复现实验往往很难做到与原研究百分之百相同，因此需要在关键条件与次要条件之间作出平衡。
6.1.1 环境变化
温度、湿度、光照、噪声或实验室布局的变化，都可能影响部分实验结果。对敏感系统而言，这些环境因素尤其值得注意。
6.1.2 样本异质性
即使表面上属于同类样本，不同批次、来源或背景差异也可能造成实验表现不同。样本越复杂，复现难度通常越高。
6.1.3 操作细节差异
一些看似微小的操作差别，例如加样速度、混匀方式或等待时间，可能在某些实验中产生明显影响。复现研究对此需要格外谨慎。
6.2 方法描述不充分
如果原研究方法写得不够详细，复现者就难以准确还原实验流程，这会直接降低复现成功率。
6.2.1 关键信息缺失
缺少样本筛选标准、测量条件或统计处理细节时，复现工作往往只能进行推测式还原，结果自然容易偏差。
6.2.2 参数未公开
当关键参数未被披露时，研究过程虽然可以大致重建，但核心设置无法核实，因而影响结果判断。
6.2.3 代码不可用
对于计算研究而言，若代码无法获取或无法运行，分析路径便难以完全追踪。这会使复现者难以区分是数据差异还是实现差异导致了结果变化。
6.3 结果不一致的成因
复现结果不一致，并不必然意味着原研究错误，也可能提示研究对象本身具有复杂性。解释时需要结合理论和方法两个层面。
6.3.1 真实效应波动
某些现象本身就具有情境依赖性，真实效应会随条件变化而波动。这类情况中，复现差异反而可能反映研究对象的真实特征。
6.3.2 分析策略差异
统计模型、数据清洗规则和异常值处理方式不同，可能导致不同的结论。分析策略的细微差别，有时比实验本身更能影响结果。
6.3.3 研究者自由度过大
当研究者在变量筛选、结果呈现或统计处理上拥有过多选择空间时，结论可能更容易受到主观决策影响。适度限制自由度，有助于提高复现可靠性。
7 学科应用
7.1 自然科学
在自然科学中，复现实验是检验规律普适性的基础工具。无论是基础理论还是应用研究，都离不开对实验结果的再次确认。
7.1.1 物理实验
物理实验常依赖精密测量和严格条件控制，因此复现实验对于确认实验现象和理论模型尤为重要。许多基础结果都需要多次独立验证。
7.1.2 化学实验
化学研究中，复现常用于确认反应路径、产率和产物结构。试剂纯度、反应温度和时间控制通常是影响复现成败的关键。
7.1.3 生物实验
生物实验受样本来源和环境影响较大，因此复现尤为重要。细胞状态、培养条件和试剂批次变化，都可能带来结果波动。
7.2 医学与生命科学
医学与生命科学对复现的要求通常更高，因为相关研究常直接关联诊断、治疗或公共健康判断。
7.2.1 临床前研究复现
临床前研究多依赖动物模型、细胞模型或分子实验。复现这些结果，有助于判断后续研究是否值得进一步推进。
7.2.2 临床试验验证
临床试验中的复核与重复，旨在确认干预措施或观察结论是否稳定有效。严格的设计和规范记录，在此类研究中格外重要。
7.2.3 流行病学分析复核
流行病学研究常涉及大规模数据和复杂统计模型。复核分析有助于检查变量控制、样本筛选和模型设定是否合理。
7.3 社会与行为科学
社会与行为科学的研究对象具有较强的情境性，因此复现实验不仅检验结论，也检验研究设计是否足够稳固。
7.3.1 心理学实验复现
心理学中，许多经典实验都经历过重复检验，以判断其效应是否稳定。由于个体差异明显，复现常需要更加精细的控制。
7.3.2 教育研究验证
教育研究中的复现，可用于检验某种教学方法或干预措施是否具有稳定效果。不同学校、年级和课程背景，都会影响结果。
7.3.3 行为数据重复分析
行为数据往往受情境、时间和样本结构影响。重复分析同一数据集，能帮助检查统计结论是否依赖特定处理方式。
8 学术规范与研究伦理
8.1 数据与材料公开
数据与材料的公开程度，直接决定外部研究者能否有效开展复现工作。公开并不意味着无限制扩散，而是要在可验证性与合理保护之间取得平衡。
8.1.1 原始数据存档
妥善存档原始数据，能够为后续核查和复现提供依据。数据存档应尽量保留未经加工的原始状态及必要说明。
8.1.2 实验记录保存
完整的实验记录包括样本信息、操作日志、异常情况和版本信息。长期保存这些记录，有助于事后追溯问题来源。
8.1.3 共享协议与许可
在公开数据或材料时，应明确使用范围和许可条件。清晰的共享协议既保护权利，也便于复现者合法使用资源。
8.2 研究诚信
复现实验的价值建立在真实、完整和可核查的研究基础之上，因此研究诚信是其重要前提。
8.2.1 结果选择性报告
只报告有利结果、忽略不利结果，会扭曲证据全貌，也会误导复现判断。完整呈现结果，有助于提高研究透明度。
8.2.2 数据篡改识别
一旦数据出现不当修改，复现工作就会失去可靠基础。通过原始记录、版本痕迹和统计异常检测，可以辅助识别这类问题。
8.2.3 不当引用与归因
复现研究中应准确引用原始工作，并清楚区分哪些是沿用的方法，哪些是新的分析或改进。归因清晰，才有利于学术交流。
8.3 署名与协作规范
复现研究通常涉及原作者、复现团队和平台支持方等多方协作，署名与责任划分需要事先明确。
8.3.1 复现团队贡献认定
复现团队在方案执行、数据分析和报告撰写中的贡献，应根据实际参与程度进行认定，避免贡献模糊。
8.3.2 通信作者责任
通信作者通常负责材料说明、问题答复和研究联系，其职责包括协助澄清方法细节、回应复现需求。
8.3.3 合作实验室分工
多团队合作复现时，分工清晰有助于提高效率。样本处理、实验执行、统计分析和质量审查等环节，应尽量职责明确。
9 相关工具与平台
9.1 实验记录系统
实验记录系统用于保存实验过程、版本变化与结果摘要，是复现实验的基础支撑工具。
9.1.1 电子实验室笔记本
电子实验室笔记本便于实时记录实验步骤、附件和时间戳，且检索效率较高，适合长期项目管理。
9.1.2 版本管理工具
版本管理工具可追踪文档、代码和分析流程的修改历史，便于确认某个结果对应的具体版本。
9.1.3 数据仓储平台
数据仓储平台用于集中存放原始数据、处理后数据和辅助材料，能提升共享效率与保存安全性。
9.2 统计分析工具
统计分析工具帮助研究者对复现结果进行比较、检验和展示，是结果判定的重要组成部分。
9.2.1 常用统计软件
常见统计软件可用于完成从基础描述到复杂建模的多类分析任务，适合不同学科的复现研究需求。
9.2.2 可重复分析脚本
脚本化分析可以减少手工操作带来的差异，使数据处理过程更透明，也更便于他人重新执行。
9.2.3 可视化与报告生成
图表和自动化报告有助于直观呈现复现结果，并记录分析路径，方便对照原研究进行比较。
9.3 复现支持机制
复现支持机制的目标，是降低开展复现研究的门槛，提升研究可验证性。
9.3.1 开放数据集
开放数据集为复现和再分析提供基础材料，尤其适合算法评估、统计核查和教学演示。
9.3.2 标准化协议库
标准化协议库汇集经过整理的实验流程和操作指南，能够帮助研究者更快速地重建实验条件。
9.3.3 跨实验室协作网络
跨实验室协作网络促进经验共享和方法互校，有助于形成更稳定的复现体系，也能减少单点偏差。
10 典型案例
10.1 成功复现案例
成功复现通常表明原研究的核心结论具备较强稳定性，也说明方法描述和实验条件足以支撑再次实施。
10.1.1 经典实验的重复验证
一些经典实验在多年后被多次重复验证，结果大体一致，说明其核心效应具有较高可信度。这类案例常被用作教学与方法示范。
10.1.2 多团队一致结论
当多个独立团队在不同条件下得到相近结论时，研究结果通常更容易被认可。多团队一致性是复现质量的重要标志。
10.2 复现失败案例
复现失败并不总是否定原研究，有时只是揭示了条件敏感性、方法细节不足或分析路径差异。
10.2.1 条件差异导致失败
若原研究依赖特定环境、材料或样本特征，而复现时这些条件未能完全满足，失败便可能发生。这类情况常提示研究结论存在边界条件。
10.2.2 方法细节缺失导致失败
当原始方法描述过于简略时，复现者即使掌握大方向，也可能无法准确重建关键环节，从而影响结果。
10.3 争议与讨论
复现实验往往引发方法学讨论，尤其是在复现标准、结果解释和结论更新方面，学术界常会形成不同看法。
10.3.1 复现标准之争
争议常集中在“多大程度算复现成功”这一问题上。有人强调必须高度一致，有人则认为只要核心效应保留即可。
10.3.2 结果解释分歧
同一组复现结果，可能因统计阈值、样本结构或理论立场不同而产生不同解释。这类分歧推动了方法讨论的深化。
10.3.3 结论修正与更新
随着复现证据积累，原有结论有时会被修正、限定或补充说明。这样的更新并不必然削弱科学性，反而体现了知识体系的自我校正能力。