没有哪张纸那么好

布莱恩·卡普兰 8月31日

在应用程序中阅读

去年，诺亚·史密斯（Noah Smith） 提出了他的“两纸规则” ：

如果你想让我阅读大量的文献，请引用两篇该文献中的典范论文。基础性论文、近期的关键创新——任何你喜欢的都可以（但不要评论文章或摘要）。只要两篇就行。我会读的。

如果这两篇论文错误百出、论证不充分，我完全可以跳过剩下的大量文献。因为如果你能做到这样，我已经看够了。

如果这两篇论文几乎没有原创性，只是链接到其他论文，我也可以跳过剩下的大量文献。因为你可以直接让我参考引用的论文，而不用让我多翻几层，所以我会认为你那海量的文献很可能是一条泥泞的护城河。

如果你无法引用两篇能够作为浩瀚文献典范或样板的论文，那就意味着这些浩瀚文献中包含的知识一定非常分散和稀疏。这意味着它很有可能成为一条泥泞的护城河。

我从未面对过诺亚的挑战。为什么？说实话，因为我不知道有任何实证论文符合诺亚的标准。是的，有些文献综述我认为很优秀，比如克莱门斯的“ 人行道上的万亿美元钞票”文章，或者巴内特和塞西关于学习迁移的文章。但我不愿指出任何具体的研究，并称其为“典范”或“典范”。我仔细研究过的每篇文章都有问题——无论我多么坚定地同意其结论。我愿意给一篇论文的最高评价是“仔细”和“酷”，而不是“引人注目”或“显然正确”。

我的口号是：没有哪张纸是那么好。

每篇具体的实证论文有什么问题？

首先， 外部效度始终存在争议。如果你使用1950年至2010年的数据，你完全有理由怀疑：“这些结果现在还适用吗？” 如果你使用美国50个州的数据，你完全有理由怀疑：“这些结果对加拿大、德国或中国适用吗？” 如果你设置了一个原始实验，问题只会变得更糟；这个实验甚至可能在进行当天就与现实世界不相关。

其次， 识别自然实验始终存在争议。识别真正的“自然实验”需要智慧和耐心。很多聪明人缺乏其中之一或两者。将某事称为“自然实验”并不意味着它就是自然实验。

第三，即使是聪明的人也容易犯下大错。一篇在普通读者看来无可挑剔的论文，可能基于错误的编码数据。或者，关键的变量名可能被调换了。

第四，尽管研究人员喜欢假装他们的结论纯粹基于“证据”，但他们的先验知识始终至关重要。如果A对你来说乍一看显而易见，而论文X证实了A，即使是更了解情况的研究人员也很难不说“X表明A是正确的”。问题不在于对A的信心，尽管这种信心或许完全有道理。问题在于你假装相信A是因为X证实了A，即使无论X结果如何，你都会相信A。

第五，大多数研究人员的先验认知都受到一些极其可疑因素的严重影响。这些因素包括：社会接受度、意识形态的可及性，以及你在无知青少年时期的想法。

需要明确的是，我坦白承认有些论文比其他论文更好。我只是认为，现存最好的论文仍然令人失望——而且可能永远如此。正如圣保罗所言：“因为世人都犯了罪，亏缺了神的荣耀。”

想象一下，将论文的说服力放在从 0 到 1 的连续区间。0=“根本没有提供任何信息。”1=“果断地回答了它的问题。”至少对于那些大家都关心的问题，我认为论文的中位数在 0.05 左右徘徊。最好的论文可以达到 0.20 左右。再说一次，没有一篇论文是那么好。如果你有异议，请考虑一下：二十年后，你还会把今天最好的论文奉为令人信服的实证研究的“典范”或“典范”吗？如果不是，你已经同意我的观点了。最好的论文相对来说还不错，但绝对平庸。不，你不能把五篇得分最高的论文拼凑在一起就能达到 1.0。

这些也适用于我的论文吗？当然。我最多只能说，我非常清楚自己认知上的弱点，并且有一系列自我设限的保障措施。但我完全理解为什么批评我的人会看着我最好的论文说：“嗯，什么也证明不了。”

鉴于我对研究的悲观看法，我该如何保持专业研究者的本色？这得归功于斯多葛主义的力量。尽管没有哪篇论文是那么好，我仍竭尽全力追寻真理。我如饥似渴地阅读与我心中问题相关的所有学科的文献——尤其是那些诺亚不屑一顾的评论文章。他说得对，研究“充满了错误和糟糕的推理”；我可能比他察觉到的错误和糟糕的推理还要多。但作为读者，我的目标是发现一篇论文是否有任何价值。当我把一篇论文扔进垃圾桶时，主要是因为我认为作者甚至不想回答一个重要的问题。

但更根本的是，我试图抛开有争议的先验知识，转而采用常识， 保持冷静， 用怀疑的眼光看待我所有的身份。 我敢打赌，我希望有更好的方法——一种能确保真相的算法。但我没有看到任何迹象表明这种算法存在。

该文章最先出现在Econlib上。

© 2025布莱恩·卡普兰
布莱恩·卡普兰（Bryan Caplan），MSN 1D3，乔治梅森大学
弗吉尼亚州费尔法克斯 22030
取消订阅