📚 喵喵的笔记库

现代科研指北

28分钟阅读

全书概览

于淼是谁？山东大学本科，中科院环境科学博士，加拿大滑铁卢大学和美国西奈山伊坎医学院做过博士后，现在是杰克逊实验室副计算科学家，研究方向是环境暴露组学。发过四十多篇论文，引用过千，专利三项，科学网博客点击量过百万。这本书的写作始于他的博士后阶段——一个"学生向独立科研人员过渡"的尴尬期。在海外漂着的时候，他一边迷茫一边把这些年的坑和心得写了下来。

书的定位很明确：不是教你做科研的课本，而是一个过来人把十年踩过的坑、想通的道理整理成册。灵感来自 Jeff Leek 的 How to be a modern scientist 和 Phillip Guo 的 The Ph.D Grind，前者讲科研趋势，后者讲读博经历，于淼想做两者的结合体。但写到后面，框架换了个遍，内容基本全是他自己的经验了——他说这叫"如同忒修斯的船"。

全书九章加三个附录，覆盖面很广：从科研的本质认知，到信息素养、科研现状、思维工具、实验设计、数据处理、文献管理、学术生活，最后聊离开学术圈的出路。版本号从 2.7 开始，用自然底数做模版不断增长，作者声称"没有尽头"，开源协作，在线持续更新。

这本书适合三类人：打算走科研路的本科生、正在读研的硕博、刚入职的青年教师。非科研人员想了解现代科研到底怎么回事，也可以翻翻。288 页的体量不算大，各章节相对独立，作者自嘲"应该是本不错的厕所读物"。

逐章要点

第1章 现代科研

科研需要黑箱模型，但思路不能单纯照搬别人黑箱。

这一章从"科学知识的五个层次"切入：背景层、已知的已知层、已知的未知层、未知的已知层、未知的未知层。这不是什么新奇的分类法，但于淼用这五个层次把科研活动的本质说清楚了——做科研就是在不同知识层之间反复横跳，把"未知的未知"变成"已知的已知"，中间要经历大量的模糊地带。

于淼特别强调"从源头思考"的习惯，也就是他说的"第一推动原理"。与其直接套用别人的方法，不如先追问"为什么要这么做"。效率低？是的。但这个重复造轮子的过程能保证思路的独立性和清晰度。这跟编程里先理解原理再写代码是一个道理，拿别人封装好的库直接用当然快，但出了 bug 你连为什么都不知道。

| 知识层次 | 说明 | 科研行动 | |---------|------|---------| | 背景层 | 学科的基本假设和框架 | 保持批判性审视 | | 已知的已知 | 已建立的知识体系 | 系统学习掌握 | | 已知的未知 | 知道自己不知道什么 | 提出好问题 | | 未知的已知 | 隐含的偏见和盲区 | 反思和纠偏 | | 未知的未知 | 完全未意识到的领域 | 保持开放心态 |

  • [ ] 梳理自己研究领域的基础假设（背景层）
  • [ ] 列出当前"已知的未知"清单
  • [ ] 尝试识别至少一个"未知的已知"偏见

第2章 信息素养

现代科研使用大量信息技术进步带来的软硬件及标准操作流程，熟悉这些技术有利于提高科研效率。

这一章讲的是科研人员必备的信息技术能力。于淼的观点很直白：现在的科研已经不可能靠纸笔和图书馆卡片目录搞定了。文献检索、数据管理、版本控制、编程能力、科学计算——这些是标配，不是加分项。

具体工具层面，于淼推荐了基于 R 语言的生态（RMarkdown、bookdown、tidyverse 等），因为这是他自己最熟悉的工具链。不过他的核心观点不在具体工具，而在于"工具意识"——你得知道有哪些工具可以帮你提高效率，然后根据自己的需求去选。盲从某个工具链跟不用工具一样糟糕。

值得注意的是，于淼反复强调"可重复性"的概念：你的代码、数据、分析流程都应该可以被别人（或未来的自己）从头复现。这不是锦上添花，而是科研的基本要求。

  • [ ] 熟练掌握至少一种编程语言用于数据处理
  • [ ] 建立自己的文献管理流程
  • [ ] 所有代码和数据使用版本控制（Git）
  • [ ] 确保分析流程可复现

第3章 科研现状概览

如果我们不解决可重复性危机，大量的研究资源会被浪费在无意义的项目上。

这一章是全书最有"现实感"的部分。于淼直面了当代科研的几个核心问题：可重复性危机、学术出版膨胀、科研评价体系扭曲、开放科学的兴起。

可重复性危机（Reproducibility Crisis）不是一个抽象概念。2016 年 Nature 的一项调查显示，超过 70% 的科研人员曾尝试重复别人的实验并失败。大量发表的论文根本无法复现，这意味着巨额的科研经费和无数研究人员的精力可能被浪费在了"看起来很美"的虚假结果上。p-hacking（操纵 p 值）、选择性报告、HARKing（假设事后合理化）等问题泛滥。

| 科研现状问题 | 具体表现 | 可能的应对 | |------------|---------|-----------| | 可重复性危机 | 70%+研究无法复现 | 预注册、开放数据 | | 学术出版膨胀 | 论文数量暴增但质量稀释 | 关注质量而非数量 | | 评价体系扭曲 | "非升即走"、唯论文论 | 多元评价指标 | | 开放科学兴起 | 预注册、开放数据、开放获取 | 积极参与和实践 |

于淼的态度是：了解这些问题不是为了悲观，而是为了让自己不成为问题的一部分。预注册研究方案、公开数据和代码、认真对待阴性结果——这些都是具体的行动。

  • [ ] 了解可重复性危机的背景和案例
  • [ ] 至少阅读一篇关于 p-hacking 的论文
  • [ ] 思考自己的研究是否存在可重复性风险

第4章 思维工具

没有自己的科研思考过程对于科研人员是一种悲哀。

这一章讲科研思维方法论。于淼没有堆砌模型框架，而是分享了一些他在实际科研中觉得好用的思维工具。其中包括个体-整体模型（3.4.3 节）、系统性思维、批判性思维的具体应用等。

于淼的一个核心观点是：思维方式比具体知识更重要。知识会过时，但好的思维方式可以帮你持续产出新的认知。他鼓励读者"存疑"——包括对他这本书的观点也要存疑。当你开始质疑，你就开始思考了。

这章的内容偏向"元认知"层面，读起来可能不像技术章节那么具体，但它的价值在于帮你建立科研的底层操作系统。就像学编程先学编程范式一样，搞科研也得先搞清楚"怎么想"比"想什么"更基础。

  • [ ] 练习对每个接受的观点追问"为什么"
  • [ ] 建立自己的思维工具箱（至少列出 5 个常用工具）
  • [ ] 定期反思自己的研究思路是否有惯性依赖

第5章 实验

实验是科研的核心环节，但"怎么做实验"这件事在正规教育中几乎没人教。于淼在这一章讨论了实验设计的基本原则、常见陷阱和优化策略。

他的建议很务实：实验设计要在动手之前想清楚，而不是做到一半才发现方向不对。对照组、变量控制、样本量估算、盲法设计——这些听起来是教科书里的内容，但在实际操作中经常被忽视或偷懒。于淼用自己的经历说明，很多失败的实验不是技术问题，而是设计阶段的思维偷懒。

受限于学科的研究习惯，有的章节对一部分人大抵是没什么用的。（——豆瓣读者评论）

确实，实验方法高度依赖具体学科。生物实验的范式和计算机模拟的范式完全不同。但于淼试图提取出跨学科的通用原则，这一点的价值在于帮你建立"实验意识"——不管你做什么实验，都得问自己：这个设计能不能回答我真正想问的问题？

  • [ ] 在每个实验开始前写清楚假设和预期结果
  • [ ] 建立实验记录的标准化模板
  • [ ] 定期回顾失败实验的记录，寻找系统性问题

第6章 数据处理

线性模型是科研中最常见的数据分析模型，但伴随机器学习算法的兴起，各类预测模型都可以嵌入到科研数据分析之中。

这一章覆盖了从探索性数据分析（EDA）、统计推断、线性模型到模型组合的完整数据分析流程。于淼的写作风格在这一章体现得比较明显——他不是在写统计教材，而是在分享"一个搞计算的人怎么看数据分析这件事"。

6.1 探索性数据分析（EDA）是于淼特别推荐的第一步：拿到数据先不要急着跑模型，先画图、先看分布、先找异常值。很多分析错误在 EDA 阶段就能被发现和避免。6.2 统计推断部分讲了假设检验和置信区间的基本逻辑，以及容易被误用的场景。6.3 线性模型和 6.4 模型组合则展示了从简单到复杂的数据分析方法。

不过也有读者指出"第六章写的不好"——确实，要在不到一章的篇幅里讲清楚整个数据分析流程，难度很大，很容易变成蜻蜓点水。

  • [ ] 养成先做 EDA 再跑模型的习惯
  • [ ] 对每个统计检验结果追问"这个 p 值意味着什么"
  • [ ] 学习至少一种机器学习方法并理解其适用场景

第7章 文献管理

理想文献管理软件需要至少有以下功能：支持多种格式导入、方便的分类与检索、自动生成引用格式、跨设备同步。

这一章讲文献管理的工具和方法。于淼总结了理想文献管理软件的功能需求，并讨论了不同工具的优劣。文献管理看起来是小事，但积累几年之后，一个好的文献管理体系和一个混乱的文件夹之间的效率差距是巨大的。

此外，7.3.1 节讨论了期刊和论文的投稿与发表流程，7.9.1 节给出了课题组规章制度的示例。这些内容对于刚进实验室的研究生来说非常实用——很多人是到了要投稿的时候才发现自己根本不知道学术出版的流程和规矩。

文献这部分写的太水了，有点糊弄事儿。（——豆瓣读者评论）

坦白说，文献管理的工具和流程变化很快，具体推荐很容易过时。更有价值的可能是于淼传递的"管理意识"——文献是科研的基石，你得有一套自己的管理体系，而不是每次写论文都从头搜。

  • [ ] 建立自己的文献数据库并持续维护
  • [ ] 每周固定时间阅读新文献并做笔记
  • [ ] 了解所在领域的顶级期刊和投稿流程

第8章 学术生活

这一章可能是最"接地气"的一章。于淼聊了学术圈的真实生活：导师关系、课题组文化、学术交流（会议、报告）、时间管理、心理健康等。8.6 节讨论了科研人员的职业选择，包括编辑/出版社（8.6.9）和企业科研/药企（8.6.11）等非传统学术路径。

于淼没有美化学术生活。他很直接地指出：读博是一条高风险的路，"非升即走"的压力、不稳定的收入、长期的精神压力，这些都是真实存在的。但如果你清楚自己在做什么、为什么做，这些代价就是可以承受的。

总体作为搞科研的，我是劝退想做科研的。（——豆瓣读者评论）

这个评论虽然极端，但反映了学术圈的普遍焦虑。于淼的态度更温和一些：了解真相，然后自己做选择。

  • [ ] 与导师建立定期、有效的沟通机制
  • [ ] 关注自己的心理健康，不把科研成绩等同于个人价值
  • [ ] 了解学术圈外的职业选择

第9章 离开学术界的就业

希望读者不要被职业固化生活，去看日出，也去看日落；上得了高山，也下的了盆地。

最后一章讨论科研人员的"出圈"路径。于淼认为，科研训练培养的能力（数据分析、批判性思维、项目管理、写作能力）在很多行业都有价值，不必把自己局限在学术圈。企业研发、数据分析、科学传播、技术写作、咨询——这些都是博士毕业生可以考虑的方向。

书的附录也值得一提：附录 A 是科研工具软件的选择与推荐，附录 B 是"全栈科学家"自测题，附录 C 是科研俚语。附录 C 体现了于淼的幽默感——"希望读者永远不要忘记幽默"。

关键概念速查

| 概念 | 定义 | 出处 | |------|------|------| | 可重复性危机 | 大量已发表科研结果无法被独立复现的现象，根源包括 p-hacking、选择性报告等 | 第3章 | | p-hacking | 通过操纵数据分析过程来获得统计显著结果（p < 0.05）的行为 | 第3章 | | 预注册 | 在数据收集之前公开研究方案和假设，防止事后修改 | 第3章 | | 开放科学 | 包括开放获取、开放数据、开放方法在内的科研透明化运动 | 第3章 | | 探索性数据分析（EDA） | 在正式建模之前，通过可视化和统计描述了解数据特征的方法 | 第6章 | | 第一推动原理 | 从最原始的出发点思考问题，而非直接套用已有方案 | 第1章 | | HARKing | 假设事后合理化（Hypothesizing After Results are Known） | 第3章 | | 全栈科学家 | 具备从实验设计、数据收集、分析到发表全流程独立能力的科研人员 | 附录B |

核心框架/模型

1. 科学知识的五层次模型

┌─────────────────────────┐
│    未知的未知（Unknown    │ ← 保持开放心态
│        Unknowns）        │
├─────────────────────────┤
│   未知的已知（Unknown    │ ← 反思偏见
│       Knowns）           │
├─────────────────────────┤
│   已知的未知（Known      │ ← 提出好问题
│       Unknowns）         │
├─────────────────────────┤
│   已知的已知（Known      │ ← 系统学习
│       Knowns）           │
├─────────────────────────┤
│      背景层              │ ← 批判性审视
│   （Background）         │
└─────────────────────────┘

这个模型把科研活动定义为一个不断在不同知识层之间移动的过程。最有价值的突破往往发生在"未知的未知"被发现的那一刻。

2. 科研效率提升的闭环

问题定义 → 文献调研 → 实验设计 → 数据收集 → 数据分析 → 结果发表 → 反馈迭代
    ↑                                                        │
    └────────────────────── 学术交流 ←───────────────────────┘

于淼反复强调，科研不是线性的。很多失败和弯路来自于跳过了某个环节（比如不做 EDA 直接跑模型，或者不看文献直接做实验）。这个闭环提醒你在每个环节都留出足够的时间和注意力。

3. 现代科研能力矩阵

| 能力维度 | 具体技能 | 传统教育覆盖度 | |---------|---------|-------------| | 思维能力 | 批判性思维、系统性思维、第一推动原理 | 低 | | 技术能力 | 编程、数据可视化、统计分析 | 低（研究生阶段才部分涉及） | | 管理能力 | 时间管理、文献管理、项目管理 | 极低 | | 交流能力 | 学术写作、报告演讲、合作沟通 | 中 | | 职业能力 | 职业规划、跨领域迁移 | 极低 |

这个矩阵揭示了传统教育体系的一个大问题：研究生阶段最需要的能力（技术能力、管理能力、职业能力），恰恰是教育体系覆盖最差的部分。于淼写这本书，很大程度上就是想填补这个空白。

金句摘录

  1. 科研需要黑箱模型，但思路不能单纯照搬别人黑箱。

  2. 是否认可本书观点并不重要，但没有自己的科研思考过程对于科研人员是一种悲哀。

  3. 如果我们不解决可重复性危机，大量的研究资源会被浪费在无意义的项目上；如果我们不了解开放科学，学术交流的效率就会明显落后于时代。

  4. 希望读者不要被职业固化生活，去看日出，也去看日落；上得了高山，也下的了盆地；去经历风雨，也能闲观虹霓。

  5. 我非常重视从源头思考或第一推动原理，希望找到科学问题的最原始的出发点去探索。这个重复造轮子的过程虽然效率不高，但会保证思路的清晰与独立性。

  6. 很多章节我倾向于在给出解决方案前阐述这样做的原因。

  7. 之所以带上"现代"，是因为科研走到今天变化非常快。很多看法现在看或者是刻板印象，或者已被取代。

行动清单

每天

  • [ ] 记录当天的工作内容和思考（哪怕只有两句话）
  • [ ] 阅读 1-2 篇相关领域的摘要或引言
  • [ ] 对手头的数据/代码做一次小的可复现检查

每周

  • [ ] 固定 2-3 小时做文献阅读并更新文献笔记
  • [ ] 回顾本周的实验/分析结果，记录失败原因
  • [ ] 与导师或同事做一次有准备的学术讨论
  • [ ] 备份一次数据和代码（Git commit 或云同步）

每月

  • [ ] 梳理一次研究方向，检查是否偏离核心问题
  • [ ] 更新自己的"已知的未知"清单
  • [ ] 学习一个新的技术工具或方法
  • [ ] 写一段可发表的草稿（哪怕只是一个方法描述）
  • [ ] 反思自己的思维模式是否存在惯性依赖

长期

  • [ ] 建立完整的文献管理体系
  • [ ] 建立可复现的分析流程
  • [ ] 参与至少一次学术会议并做报告
  • [ ] 关注可重复性危机，在自己的研究中实践开放科学原则
  • [ ] 定期思考职业规划，不要把学术圈当成唯一选择

一句话总结

一个被科研毒打过十年的过来人，把踩过的坑、想通的道理和不那么正确的观点打包成了一本开源的"科研生存手册"——它不完美，有些章节甚至有明显短板，但在中国科研入门读物几乎空白的环境下，这本书的诚实和实用价值值得肯定。

读者热议

正方观点：

  • "看的有些激动"（斯文一派，陕西）：通俗来说，里面是科研的思维指南，让将要进入和已经进入的人都能得到思维的辅导。随着大数据和人工智能的推广，其实现在企业里也已经在逐渐向这个方向转型。

  • "见证了这本书一点点成型的样子"（叶左，河北）：于淼老师和我完全走向了不同的路，但殊途同归，无论从博客还是这本书都学习到了非常多的东西——如何理解这个世界。非常激励。

反方观点：

  • "话题太大，大而不精"（猫碗，北京）：文章抛出大量观点和数据，但是很少给出参考文献和数据来源，张口闭口都是大词，内容非常空洞，充满国产论文和教科书的通病。

  • "有的章节对一部分人大抵是没什么用的"（Faseovergang，上海）：受限于学科的研究习惯，第六章写的不好，文献这部分写的太水了，有点糊弄事儿。总体作为搞科研的，我是劝退想做科研的。

我的看法： 这本书最大的问题确实是"面太广导致深度不足"，但考虑到它面对的是科研新手这个群体，广度优先的策略是合理的。与其在一本入门书里追求深度，不如给读者一张地图，让他们知道有哪些方向值得深入探索。于淼的开源、协作、持续更新的写作方式本身就体现了现代科研精神。

笔记生成：2026-04-28 by 喵喵 🐈

相关笔记

同作者仅有此篇 同主题：

关系图谱