《经济学人》双语：如何得出科学结论 数据不会说谎（但……）
《经济学人》双语：如何得出科学结论？数据不会说谎，但...
文/Irene-自由英语之路
【本篇内容简述】
【Para1】引入：科学界最令人担忧的一个问题是主观偏向，研究人员想出很多策略试图消除这种偏见，比如“双盲法”。
【Para2】影响因素：收集数据，实验过程，最近发表在《外科学》杂志上的两篇论文证明了选择分析数据的方法也会影响结果。研究的问题是阑尾切除手术中使用特定的试剂盒是否会减少或增加感染的机会。
【Para3&4】施魏因斯伯格博士的研究：他在社交媒体上召集了49名不同的研究人员，让他们探索两个问题，一是女性人数的增加，女性参与谈话的倾向会增加。二是地位高的参与者比地位低的参与者会说得更多。要求在“数据解释”的网站上发布他们的方法和工作流程来详细描述他们的分析。
【Para5】两个问题的研究结果：没有两位分析师采用完全相同的方法，也没有得到相同的结果。得出地位较高的参与者更有可能做出贡献占29%，相反结论占21%，其余认为影响不大。64%的人得出结论女性确实参与得更多。相反结论占21%。
【Para6&7】定义和分析方法不同：比如女性参与度按照字数，字符数，对话数量来定义，很不相同。学术地位按照H指数，线性回归分析，逻辑回归或肯德尔相关分析，也不同。
【Para8】结尾与评论：实验设计至关重要。博士希望诸如一些在线平台能够帮助解决问题并揭示问题，尽量反复检查。如果许多不同的分析方法指向同一个结论，那么科学家就可以确信他们的结论是正确的。
（文末的补充材料对理解本文有帮助）
标题：
How science works
Methods and madness
Data don’t lie—but they can lead scientists to opposite conclusions
科学如何运作
方法与疯狂
数据不会说谎，但它们会导致科学家得出相反的结论
原文日期：2021年7月31日
Paragraph 1：
One of the biggest concerns in science is bias—that scientists themselves , consciously or unconsciously , may put their thumbs on the scales and influence the outcomes of experiments.
科学界最令人担忧的一个问题是主观偏向，科学家们自己可能会有意识或无意识地将大拇指放在天平上，从而影响实验结果。
Boffins have come up with all sorts of tactics to try to eliminate it, from having their colleagues repeat their work to the “ double blinding” common in clinical trials , when even the experimenters do not know which patients are receiving an experimental drug and which are getting a sugar-pill placebo.
研究人员想出了各种各样的策略试图消除这种现象，从让同事重复他们的工作到临床试验中常见的“双盲法”，甚至实验人员也不知道哪些患者正在接受实验药物，哪些患者正在接受糖丸安慰剂。
Paragraph 2:
But gathering the data and running an experiment is not the only part of the process that can go awry. The methods chosen to analyse the data can also influence results. The point was dramatically demonstrated by two recent papers published in a journal called Surgery.
但是收集数据和进行实验并不是这个过程中唯一可能出错的部分。选择分析数据的方法也会影响结果。最近发表在《外科学》杂志上的两篇论文戏剧性地证明了这一点。
Despite being based on the same dataset, they drew opposite conclusions about whether using a particular piece of kit during appendix removal surgery reduced or increased the chances of infection.
尽管基于相同的数据集，他们得出了相反的结论，即在阑尾切除手术中使用特定的试剂盒是否会减少或增加感染的机会。
Paragraph 3:
A new paper , from a large team of researchers headed by Martin Schweinsberg, a psychologist at the Europe an School of Management and Technology, in Berlin, helps shed some light on why.
柏林欧洲管理与技术学院的心理学家马丁·施魏因斯伯格领导的一个大型研究小组发表了一篇新论文，有助于阐明原因。
Dr Schweinsberg gathered 49 different researchers by advertising his project on social media. Each was handed a copy of a dataset consisting of 3.9m words of text from nearly 8,000 comments made on Edgeorg, an online forum for chatty intellectuals.
施韦伯格博士通过在社交媒体上宣传他的项目，召集了49名不同的研究人员。每个人都收到了一份数据集的副本，其中包含390万字的文字，这些文字来自于在Edgeorg上发表的近8000条评论。Edgeorg是一个为闲聊知识分子提供的在线论坛。
Paragraph 4:
Dr Schweinsberg asked his guinea pigs to explore two seemingly straightforward hypotheses. The first was that a woman’ s tendency to participate would rise as the number of other women in a conversation increased.
施韦伯格博士让他的受试者探索两个看似简单的假设问题。第一个问题是，随着谈话中其他女性人数的增加，女性参与谈话的倾向会增加。
The second was that high-status participants would talk more than their low-status counterparts.
第二，地位高的参与者比地位低的参与者会说得更多。
Crucially, the researchers were asked to describe their analysis in detail by posting their methods and workflows to a website called Data-Explained. That allowed Dr Schweinsberg to see exactly what they were up to.
至关重要的是，研究人员被要求通过在一个名为“数据解释”的网站上发布他们的方法和工作流程来详细描述他们的分析。这让施韦伯格博士能够确切地看到他们在做什么。
Paragraph 5:
In the end, 37 analyses were deemed sufficiently detailed to include . As it turned out, no two analysts employed exactly the same methods , and none got the same results.
最后，37项分析被认为包含足够多的详细细节。事实证明，没有两位分析师采用完全相同的方法，也没有得到相同的结果。
Some 29% of analysts reported that high-status participants were more likely to contribute . But 21% reported the opposite. (The remainder found no significant difference.)
约29%的分析师表示，地位较高的参与者更有可能做出贡献。但21%的人报告了相反的情况(其余的人没有发现显著差异。）
Things were less finely balanced with the first hypothesis, with 64% reporting that women do indeed participate more, if plenty of other women are present. But 21% concluded that the opposite was true.
与第一个假设相比，情况不太平衡，64%的人报告说，如果有大量其他女性在场，女性确实参与得更多。但21%的人认为情况恰恰相反。
Paragraph 6:
The problem was not that any of the analyses were “wrong” in any objective sense. The differences arose because researchers chose different definitions of what they were studying, and applied different techniques.
问题不在于任何分析在任何客观意义上都是“错误的”。产生这种差异是因为研究人员对他们所研究的内容选择了不同的定义，并应用了不同的方法。
When it came to defining how much women spoke, for instance, some analysts plumped for the number of words in each woman’s comment. Others chose the number of characters.
例如，在定义女性发言的数量时，一些分析人士选择对每位女性评论的字数进行了研究。其他人选择了字符数。
Still others defined it by the number of conversations that a woman participated in, irrespective of how much she actually said.
还有一些人根据女性参与的对话数量来定义，而不管她实际上说了多少。
Paragraph 7:
Academic status , meanwhile, was defined variously by job title , the number of citations a researcher had accrued, or their “h-index”, a number beloved by university managers which attempts to combine citation counts with the importance of the journals those citations appear in.
同时学术地位是被这些定义的：不同的职称，研究人员已累积引用的数量，或他们的“H指数”（一个被大学管理者所钟爱的数字，它试图把引用计数与那些被引用的期刊的重要性结合起来。）
The statistical techniques chosen also had an impact, though less than the choice of definitions. Some researchers chose linear-regression analysis; others went for logistic regression or a Kendall correlation.
所选择的统计技术方法也产生了影响，尽管不如定义的选择。一些研究者选择了线性回归分析；其他人则进行逻辑回归或肯德尔相关分析。
Paragraph 8:
Truth, in other words, can be a slippery customer, even for simple-sounding questions. What to do? One conclusion is that experimental design is critically important.
换句话说，真相可能是一个狡猾的顾客，即使是听起来很简单的问题。怎么办？一个结论是，实验设计至关重要。
Dr Schweinsberg hopes that platforms such as DataExplained can help solve the problem as well as revealing it, by allowing scientists to specify exactly how they chose to perform their analysis , allowing those decisions to be reviewed by others.
施韦伯格博士希望诸如DataExplained这样的平台能够帮助解决问题并揭示问题，让科学家明确说明他们选择如何进行分析，让其他人审查这些决定。
It is probably not practical, he concedes, to check and recheck every result. But if many different analytical approaches point in the same direction, then scientists can be confident that their conclusion is the right one.
他承认，反复检查每一个结果可能是不现实的。但如果许多不同的分析方法指向同一个结论，那么科学家就可以确信他们的结论是正确的。
（恭喜读完本篇，英语阅读量692左右）
【补充资料】文中的“双盲法，H指数”是什么？（来源于百度）
盲法（blinding或masking）：在从事实验流行病学研究工作的过程中，由于受研究对象和研究者主观因素的影响，在设计、资料收集或分析阶段容易出现信息偏倚，为避免这种偏倚在设计时可采用盲法，使研究者或研究对象不明确干预措施的分配，研究结果更加真实、可靠。分为单盲（single blind）、双盲（double blind）、三盲（triple blind）。
双盲（double blind）：受试验的对象及研究人员并不知道哪些对象属于对照组，哪些属于实验组。而是由研究设计者来安排和控制全部试验，只有在所有资料都收集及分析过之后，研究人员才会知道实验对象所属组别。
双盲试验通常在试验对象为人类时使用，目的是避免试验的对象或进行试验的人员的主观偏向影响实验的结果。通常双盲试验得出的结果会更为严谨。
其优点是可以避免研究对象和研究者的主观因素所带来的偏倚。缺点是方法复杂，较难实行，且一旦出现意外，较难及时处理，因此，在实验设计阶段就应慎重考虑该方法是否可行。
h指数（也叫h-index ）是一个混合量化指标，最初是由美国加利福尼亚大学圣地亚哥分校的物理学家乔治·赫希（Jorge Hirsch ）在2005年的时候提出来的，其目的是量化科研人员作为独立个体的研究成果。Hirsch的原始定义是，一名科学家的h指数是指其发表的Np篇论文中有h篇每篇至少被引h次、而其余Np-h篇论文每篇被引均小于或等于h次。
h指数被认为是对先前众多衡量指标的一大改进；先前的衡量指标都倾向于关注科研人员在其发表论文的期刊，因而，它们都假定作者的贡献等同于期刊的平均值。如果一位科学家的出版成果以它们被引生命周期的数字进行排序的话，那么h指数就是一个最大值，这个最大值是指每篇论文至少被引了h次的h篇文章。
【重点词汇】(5个)
boffin/bfn/a scientist, esp one carrying out military research.
n. 研究员；科学工作者
placebo/plsib/a substance that has no physical effects, given to patients who do not need medicine but think that they do, or used when testing new drugs.
n. （无效果的或给无实际治疗需要者的）安慰剂；（试验药效用的）无效对照剂
shed some light on
解释，说明，使……有所启迪
guinea pigs
豚鼠；天竺鼠；试验品；受试者
irrespective of
不顾，不考虑，无论；在所不计
【重点句子】（2个）
Scientists themselves , consciously or unconsciously , may put their thumbs on the scales and influence the outcomes of experiments.
科学家们自己可能会有意识或无意识地将大拇指放在天平上，从而影响实验结果。
But if many different analytical approaches point in the same direction, then scientists can be confident that their conclusion is the right one.
但如果许多不同的分析方法指向同一个结论，那么科学家就可以确信他们的结论是正确的。
【词源故事】（1个）（来源于Qian）
boffin（科研工作者）：狄更斯小说中坚持学习的古怪老人
英语单词boffin是一个俚语，用来称呼科学家、工程师或其他从事科研工作的人。该词起源于伟大的文学家查理斯狄更斯的最后一篇长篇小说《我们共同的朋友》（Our Mutual Friend）中的人物Nicodemus Boffin。在小说中，Boffin被刻画成一个外表非常古怪的老人，在老年时期坚持学习，还特意雇佣了一位家庭教师教自己阅读。
也许是因为Boffin这个人物在人们心目中留下的印象太过深刻，在狄更斯之后，其他作家的著作中也出现了Boffin这个名字，如J.R.R. Tolkien在其作品《兔子》（The Hobbit，1937）中就用Boffin作为一个兔子家族的姓氏。
最初，英语单词boffin主要用于英国军队的俚语中，含有“书呆子、怪人”等轻视之意。后来，由于科学家在第二次世界大战中为同盟国赢得胜利作出了重大贡献，该词的感情色彩由贬转褒，更多地体现了对科学家的敬佩之情。在二战结束后的文学作品及电影中，Boffin成了很多科学家英雄的名字。boffin们往往被刻画为一个现代的天才，通过不为人知的秘密工作创造出威力巨大、匪夷所思的设备。80年代的《007》系列电影中，那个为詹姆斯邦德提供各种新式武器的怪老人Q就是一个典型的boffin。
boffin：["bfn] n.科学怪人，科研工作者
【本篇读后感】
一个科学结论的得出必须经过一系列的假设实验验证。本篇文章就说明了实验过程中受很多因素影响，如主观偏向，数据收集，分析方法，定义等因素。文章最后一句话：如果许多不同的分析方法指向同一个结论，那么科学家就可以确信他们的结论是正确的。这需要大量的时间投入和反复检查，向科研人员致敬。