2020年， 诺贝尔化学奖得主Frances H. Arnold 教授的一篇science论文被撤稿了！原因是部分关键实验数据缺失。

对此，Arnold教授在推特上坦诚承认了问题，并表示这是她科研生涯中一次深刻的教训……

其实，数据处理失误导致的撤稿还不少，而这类撤稿通知中，往往还缺少具体细节的说明和解释，让作者懊恼的同时，还有点儿摸不着头脑……

1 数据处理失误类型

2025年1月，nature发布一篇名为《Retractions caused by honest mistakes are extremely stressful, say researchers》的文章，通过6680份调查问卷，总结出了5个常见的数据处理失误，快来看看都有哪些，应该怎么避免吧~

研究人员通过 Retraction Watch 数据库，识别出5041篇由于数据处理错误而被撤回的论文。向6680名作者发送了调查问卷，询问他们关于撤稿原因的理解和分析。

在97份有效回复中，总结出5种最常见的数据处理错误：

数据处理和分析错误（19%）：比如在数据建模或统计分析中出现错误，导致实验结果偏离事实。

数据编码错误（14%）：常见于脚本编写阶段，错误的变量定义或操作逻辑可能直接改变分析结果。

数据文件丢失（11%）：例如原始实验数据未妥善保存或备份导致无法复现研究。

数据输入错误（11%）：手动录入数据时容易出现，如误输入、漏输或单位不一致。

数据命名不当（8%）：文件命名混乱，版本管理不清晰，或是命名不符合规范导致数据计算、运行错误。

其他错误还包括：

数据传输错误（7%）

错误的报告（6%）

编程错误（4%）

文件不充分或不正确（4%）

数据选择/合并错误（4%）

项目管理错误（2%）

数据点之间的连接不正确（2%）

偏离协议（2%）

数据或文件组织错误（2%）

而造成这些失误的常见原因包括：不专心（inattention）（14%），技术性问题（13%），沟通失误（12%），粗心大意（11%），以及缺乏经验（9%）等。

2 怎样避免数据处理失误？

尽管错误难以完全避免，但采取以下措施能够显著降低风险：

1） 明确数据管理责任：项目设立专人负责数据管理，确保责任到位。

2） 定期培训和学习：进行数据管理和工具使用的相关培训，提升技能水平。

3） 引入双重核查机制：数据提交前进行二次审查，以减少粗心或遗漏导致的错误。

4） 加强技术支持：投入资源购买可靠的存储设备，并使用自动化备份工具。

此外，作者们也希望期刊给出更明确的说明或者指引，哪些失误会被撤稿？哪些可以通过修改补救？这对作者和编辑都很重要。

与其因撤稿懊恼，不如提前做好防范：用心对待数据细节，谨慎处理每个环节，每个科研工作者都要绷紧“数据”这根弦！

怎么样，你有啥“数据翻车”的故事吗？