在2020年，诺贝尔化学奖得主Frances H. Arnold教授的一篇发表在Science杂志上的论文遭到撤稿，其原因是关键实验数据的缺失。Arnold教授在推特上对此坦诚承认，并表示这次事件是她科研生涯中的一次重要教训。

实际上，由于数据处理失误而导致的论文撤稿并不少见。这类撤稿通知通常缺乏具体的细节说明，使得作者在懊恼的同时，感到困惑不已。那么，数据处理失误有哪些类型呢？

常见的数据处理失误类型

在2025年1月，《Nature》杂志上发布了一篇名为《Retractions caused by honest mistakes are extremely stressful, say researchers》的文章。研究者通过6680份调查问卷，总结出了五种常见的数据处理失误，快来看看吧！

研究人员利用Retraction Watch数据库，识别出5041篇因数据处理错误而被撤回的论文，并向6680名作者发送了调查问卷，询问他们对撤稿原因的理解。经过97份有效回复，归纳出以下五种最常见的数据处理错误：

• 数据处理和分析错误（19%）：例如在数据建模或统计分析中出现错误，导致实验结果偏离真实情况。
• 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影响分析结果。
• 数据文件丢失（11%）：例如原始实验数据未被妥善保存或备份，导致研究无法复现。
• 数据输入错误（11%）：在手动录入数据时，容易出现误输入、漏输或单位不一致的情况。
• 数据命名不当（8%）：文件命名混乱、版本管理不清晰或命名不符合规范，导致数据计算和运行出错。

此外，还有其他一些错误，如数据传输错误（7%）、错误报告（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%）等。这些错误的常见原因包括不专心（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。

如何避免数据处理失误？

为了有效地避免数据处理失误，推荐采取以下措施：

1. 明确数据管理责任：项目中要指定专人负责数据管理，确保责任明确。
2. 定期培训和学习：开展关于数据管理和工具使用的培训，提高团队的技能水平。
3. 引入双重核查机制：在数据提交前进行二次审查，以减少因粗心或遗漏导致的错误。
4. 加强技术支持：投入资源购买高效可靠的存储设备，并使用自动化备份工具。

此外，科研人员期望期刊能够提供更明确的指引，说明哪些失误将导致撤稿，哪些则可以通过修改进行补救。这对于作者和编辑都至关重要。与其因撤稿感到懊恼，不如提前做好防范：仔细对待数据细节，谨慎处理每一个环节，每位科研工作者都应对数据保持高度警觉。

如果你有关于“数据翻车”的故事，欢迎分享！同时，关注环亚集团·AG88，获取更多科研论文相关的支持和资源。