一套數據，跑出1253種解釋方式。最後發現，學者的意識形態，也能影響科學研究的結果。
同樣一套大數據，讓不同意識形態的學者分析，就常會跑出與學者意識形態相符的結果。
當我們對一個問題持有先入為主的觀點時，就常會在無意識中尋找證據來支持這個觀點。經過科學訓練的學者也無法避免「動機性推理」，也就不奇怪，當我們談論政治與社會問題時，支持不同政黨與意識形態的人，對同一件事情會有完全不同的看法。這是George J. Borjas 與 Nate Breznau這兩位重量級學者，最近發表的研究結果。他們的研究，是對社會科學面臨「複製危機」（許多被視為經典的實驗結果，無法在後續研究中被重現）後的深刻反思。傳統觀點認為，科學研究是客觀事實的挖掘過程，數據本身具有唯一且確定的真理。然而，2022 年他們稱為「隱藏宇宙」的實驗，透過讓 71 個研究團隊、158 位研究者分析同一組「國際社會調查計畫」數據，針對「移民是否減少公眾對社會福利的支持」這一相同命題，竟產生了 1,253 種截然不同的統計模型與結論。
傳統的研究模式通常是「單一團隊、單一數據、單一分析」。在這種模式下，研究者擁有巨大的「研究者自由度」，可以透過這種自由來尋找統計顯著性、或根據結果調整假設。
但這些「單一團隊」產出許多無法複製的研究結果。為了應對這一挑戰，有些學者開創「元科學（metascience）」領域引入「多重分析者」的研究方式，將同一組數據分發給多個獨立的研究團隊，要求他們測試同一個假設。如果科學是客觀的，那麼理論上，只要數據相同、問題相同，受過嚴格訓練的科學家應該會得出高度一致的結論。
Breznau 等人 2022 年的實驗徹底粉碎了這個天真的預設，但，為什麼？在最初的分析中，Breznau 等人得到一個悲觀的結論：這些結果的變異大部分是無法解釋的。他們嘗試用研究者的資歷、使用的軟體、統計方法的類別來解釋這些差異，但發現這些客觀特徵都無法有效預測誰會算出什麼結果 。他們因此將這種現象稱為「數據分析的隱藏宇宙」，暗示科學分析中存在著巨大的不確定性。
就在學界即將接受「科學充滿不可知的不確定性」這一結論時，哈佛大學經濟學家 George J. Borjas 與原作者 Nate Breznau 合作，於 2026 年發表了新的研究。他們重新審視了 2022 年的數據，並引入了一個先前被忽視、或未被充分挖掘的解釋變數：研究者的意識形態。
Borjas 與 Breznau 的核心論點是：2022 年的研究之所以認為變異「無法解釋」，是因為原本的回歸模型設定錯誤。重新檢視數據後發現，研究者在選擇模型、選擇哪些控制變數時，意識形態帶來的偏誤就會影響研究結果。
2022年的研究，在接觸數據進行分析之前，所有參與研究者都填寫了一份關於個人政治立場的問卷，詢問他們對移民政策的態度。2026年的研究發現，親移民團隊傾向發現移民對社會福利支持有正面影響（例如增強社會凝聚力），反移民團隊傾向發現移民對社會福利支持有負面影響（例如破壞社會契約）。
對於政策制定者來說，這意味著依據親移民學者的研究會得出「開放移民無害」的結論，而依據反移民學者的研究則會得出「開放移民將瓦解福利國家」的結論。
但這些差異並不是來自「數據造假」或「篡改數字」，而是來自符合學術規範的「模型設定的選擇」。
統計分析並非一條直線，而是一座充滿分岔路口的迷宮。在處理「國際社會調查計畫」這種複雜的跨國數據時，研究者必須做出無數微小的技術性決策。每一個決策點都開啟了一條新的路徑，在無意識的認知偏誤的影響下，最終通往不同的結論。
研究辨識出五個最具決定性的「分岔路口」，這些決策解釋了親移民與反移民團隊之間約三分之二的結果差異。接下來會寫到許多專有名詞，讀者不需要看懂（我也不懂），我們只要大概能理解，叉路是如何形成？
1. 依變數的聚合方式 (Scaling of the Dependent Variable)
- 問題：社會福利支持是一個抽象概念，問卷中可能包含「你支持政府增加醫療支出嗎？」、「你支持增加失業救濟嗎？」、「你支持增加養老金嗎？」等多個問題。
- 選擇：研究者應該將這些問題加總成一個總分？還是取平均值？還是進行因子分析（Factor Analysis）提取潛在變數？或者只挑選其中最具代表性的一項？
- 偏見運作：也許親移民團隊發現，如果只看「醫療支出」，移民的影響是正面的；而反移民團隊發現，如果只看「失業救濟」，影響是負面的。他們會傾向於選擇那個顯示出自己預期結果的聚合方式，並認為這是「最合理」的指標。
2. 移民的測量 (Measurement of Immigration)
- 問題：什麼是「移民」？
- 選擇：是使用「外國出生人口佔總人口的比例」？還是使用「過去一年新進入的移民人數」？還是「低技能移民的比例」？
- 偏見運作：存量和流量對社會的影響機制不同。長期存在的大量移民社群可能已經融入，顯示正面影響；而短期的快速流入可能引發社會恐慌，顯示負面影響。研究者可能會無意識地選擇那個能捕捉到他們心中「移民衝擊」的測量方式。
3. 統計方法的選擇 (Statistical Methods)
- 問題：使用哪種回歸模型？
- 選擇：普通最小平方法？邏輯斯回歸？還是考慮國家層次變異的多層次模型？
- 偏見運作：不同的數學假設會放大或縮小某些效應。反移民團隊可能偏好某種能放大變異的模型，而親移民團隊可能偏好能平滑趨勢的模型。
4. 國家樣本的選擇 (Inclusion of Countries)
- 問題：數據涵蓋了從瑞典到俄羅斯的多個國家。
- 選擇：是否要排除前共產主義國家？是否要排除福利制度不完善的國家？
- 偏見運作：某些國家（如東歐國家）可能因歷史原因對移民特別排斥。反移民團隊可能會認為「這些國家也是樣本的一部分，不能排除」，從而拉低整體平均值；親移民團隊可能會認為「這些國家是特例，會扭曲結果，應該排除」，從而得到較正面的結論。
5. 數據波次的選擇 (Specific Data Waves)
- 問題：數據涵蓋 1985-2016。
- 選擇：是使用所有年份？還是只關注最近十年？
- 偏見運作：2015 年歐洲難民危機前後的數據可能截然不同。選擇包含或排除特定年份，將直接決定趨勢線的斜率。
Borjas 與 Breznau 的分析顯示，那些能產生「最強烈負面效果」的模型設定，幾乎完全是由反移民團隊所採用；反之亦然 。這揭示了一種被稱為「動機性推理」（motivated reasoning）的心理機制，並通過「非對稱的停止規則」（Asymmetric Stopping Rules）來實現：
- 情境 A：研究者算出了一個符合自己立場的結果（例如親移民者算出正面影響）。
- 反應：「很好，這證明了我的假設，模型設定正確。」
- 行動：停止分析，撰寫報告。
- 情境 B：研究者算出了一個違背自己立場的結果（例如親移民者算出負面影響）。
- 反應：「這不合理，一定是模型哪裡設錯了，或者是控制變數不夠，或者是這個測量指標有問題。」
- 行動：繼續嘗試其他模型設定，直到算出「合理」（符合立場）的結果為止。
這種機制並不需要研究者有意識地造假。相反，他們通常真誠地相信自己是在「修正錯誤」，試圖找到「最正確」的模型。然而，正是這種對「錯誤」（違背立場的結果）的過度檢查和對「正確」（符合立場的結果）的輕易放行，導致了最終發表的文獻充滿了系統性的偏見。
結語：
當通過學術訓練的人在跑統計數據時，也難以避免自身意識形態的影響，我們又如何能確認自己的「理性、客觀、中立」？
「認知偏誤」普遍存在所有人類大腦，包括頂尖的學者、政治家、創業家都會有認知偏誤。我們應面對、接受這事實，接受這世界並沒有什麼「一定是這樣」、「一定會那樣」的事情。
最初的資料來源：
158 scientists used the same data, but their politics predicted the results
