← 回科研训练营

七步里的第五步 · 我看数据说话

数据是公开的,
能用的不多

去哪儿找、怎么判断、下载之后先做什么。

01

先想个方向,用关键词开搜

每年都有人问我:老师,数据在哪找。这个问题不好答,因为难的地方不在"找"——公开的数据多得用不完。难的是你下回来一个压缩包,里面几十列 V1 到 V47,没有代码本,你只能猜哪一列是性别。这种数据做不了研究。

找数据的入口是关键词,不用先写出一句完整的研究问题。想看大学生睡眠和抑郁,就搜 sleep、depression、college students,先看看有什么。搜出来的东西会改你的问题:某个数据集里恰好有你要的两个量表,问题就落到它上面;只有一份人口学变量,问题就得换。

问题多半是在看见数据之后收窄的。方向要有——谁、大概关心哪两件事;但别在打开浏览器之前逼自己写出一句精确的话,那一步最容易把人卡住。

动手前真正要想清楚的是另一件:你打算用这份数据说哪种话。横截面只能说相关,两波追踪能说先后,要谈因果得有随机对照。这决定你挑哪一类数据,也决定审稿人会不会当场问你。

02

去哪儿找

常用的就三个。Scientific Data 是 Nature 的数据期刊,每篇都配一份数据说明,写得比很多论文的方法部分还细。Zenodo 和 OSF 是仓库,心理学和社科的开放数据大半落在这两个地方。

中国的人群数据去 ScienceDB,中科院办的,有心理学专区,下载要登录。大型追踪调查单独注册,都免费:CHARLS 是 45 岁以上,CFPS 是全龄家庭,签一份使用协议就能下。

影像在 OpenNeuro,一个数据集动辄几十个 G,先看清大小再点。生理信号在 PhysioNet,有几个库要先做完 CITI 培训。

还有一批数据质量很高,但要审批:UK Biobank、ABCD、dbGaP。周期按月算。真需要就早申请;只是想"看看有什么",别耗在这上面。

03

粗词能开搜,量表名更准

"大学生抑郁"能搜出东西,但很杂。要准,就搜 PHQ-9、GAD-7、CES-D、PSQI、PCL-5。这些缩写全世界通用,是数据页面上的原话。你在论文里看到用了哪个量表,就去仓库搜哪个。

再加两个限定词:dataset,和年份。

还有一个更准的办法,很多人不知道:翻论文最后的数据可用性声明。Data Availability Statement,顶刊的数据八成在这里给了链接。挑一篇你想模仿的文章,拉到文末,抄下 OSF 或 Zenodo 的地址,再回仓库确认里面真有文件。

声明里这句话要会翻译:

声明里写的实际意思
available at osf.io/xxxx有戏,去仓库看文件
upon reasonable request没有。基本要不来
in the Supplementary Materials通常是汇总表,不是原始数据
due to privacy restrictions没有,除非走正式申请

仓库名以 Code for: 开头的,一般只有分析代码,没有数据。

04

三个门槛,过不了就别下

  • 一、有没有代码本

    数据论文、Codebook、Data Dictionary、README 里的变量表,有一样就行。只给列名的 CSV 直接放弃——你不知道 1 代表男还是女,后面全是猜。

  • 二、有没有说清是谁、多少、怎么来的

    人群、设计、采集方式、样本量,四项至少写三项。只写两项的,你写方法部分会很吃力。

  • 三、许可允许你做什么

    CC0 随便用,CC BY 要引用,CC BY-NC 不能商用,自定义协议逐条读。没有声明的,发邮件问作者。所有协议下都不能把数据转发给同学,也不能试图认出具体某个人。

05

下载之后,先花一小时

先建目录。raw/ 放原始文件,下完就不要动——不改名,不用 Excel 打开再保存一遍。清洗都写在脚本里。三个月后你会感谢自己。

然后做四件事,别急着跑分析。

读代码本,把要用的变量抄成一张小表:变量名、含义、取值、缺失编码。

查缺失编码。-99、-8、999、空字符串,这些常被当成真实数值读进去。不处理,算出来的均值会离谱到你自己都不信。

查反向计分。量表里带 R 的题要反过来计分再加总,比如"我觉得自己一无是处"。这一条错了,整篇结论会反过来。每年都有人栽在这。

核对 N。页面写 1408,你打开是 1390 行,差在哪?追踪数据常有"只保留基线参与者",弄清楚再往下走。

06

数据也要单独引用

只引论文不够。数据本身是一份要署名的成果,APA 第七版这样写:

作者. (年份). 数据集标题 [Data set]. 仓库名. https://doi.org/xxxx

比如:

Akram, U. (2023). Comprehensive data on the prevalence of
psychiatric symptoms in UK university students [Data set].
figshare. https://doi.org/10.6084/m9.figshare.24052236

方法部分还要交代:数据来源、版本号、哪天下的、排除了多少人、为什么。这几项审稿人一定会问。

07

几个坑

坑后果
没代码本还硬猜结论全错,而且没法复查
把"请求可得"当开放数据写到一半发现拿不到
只下了补充材料打开是几张汇总表,不是原始数据
看 N 大就以为能做变量不对,白做
拿横截面写因果被拒,或者大改
08

练一次,挑一档

半小时

熟悉流程

在 Zenodo 搜 PHQ-9,挑一个近三年的数据集,回答四个问题:测了谁、多少人、有哪些变量、什么许可。写在一张纸上。

两小时

走完整流程

从下面的清单里挑一个下载。抄出五个变量的含义和缺失编码,算一个量表的 Cronbach's α,做一张人口学描述表。

一天

做到能写

在两小时的基础上提一个这份数据能回答的问题,写出问题、假设,以及什么结果说明你猜错了。一页 A4,按论文 Results 的写法。

09

可以拿来练手的

这几个都能下,N 和 DOI 我核过。

数据集内容N入口
UK 大学生精神症状8 个标准化量表,含 PHQ-9、GAD-71,408figshare
10.6084/m9.figshare.24052236
CMPC 中国大学生GAD-7、PHQ-9、PSS-10、PSQI 等2,717ScienceDB(需登录)
10.57760/sciencedb.psych.00696
SSAQS 压力与焦虑每日自评 + 可穿戴传感(睡眠、步数、心率)35 人
3,133 条
Zenodo
10.5281/zenodo.18706837
CHARLS多波追踪:健康、认知、经济、心理万级charls.pku.edu.cn(需注册)
NHANES美国健康与营养,每两年一轮万级cdc.gov/nchs/nhanes
OpenNeuro神经影像,任选一个数据集数十人起openneuro.org

先挑 N 中等、变量眼熟的。别一上来碰影像,或者百万行的传感数据。

找数据这件事,做三五次就熟了。

真正花时间的是后面:这些变量到底能不能回答你的问题。这一条没人能替你想。