管理学爱引用的心理学实验，复现只剩36%

原本97%都「显著」的100项心理学研究，换一批人照原样重做，只剩36%还显著，效应大小平均砍掉一半。这是2015年《Science》上的结果。管理课上常讲的那些经典实验，就出自这个学科。

常见的一种情况是，老板在一门课上听到某个实验，回来就把它做成选人标准或考核规则。这个坑不大，但很贵：在日本，选错一个法人负责人，换人通常要6到12个月，猎头费率也远高于常见的年薪30%左右。所以今天把几个最常被引用的实验拿出来，对着原论文看看还剩多少。

100项研究重做，剩下多少

答案是36%。Open Science Collaboration 在2015年发表于《Science》第349卷的「Estimating the reproducibility of psychological science」，是一项大规模协作复现：从三本心理学主流期刊2008年刊登的论文里选出100项实验和相关研究，尽量用原作者的材料，用统计功效更高的设计重做。整个项目从2011年11月做到2014年12月。

原研究里报告显著结果（p<.05）的占97%，复现后只有36%显著。原效应量落在复现95%置信区间内的占47%，研究者主观判断「复现成功」的占39%。平均效应量折成相关系数 r，从0.403降到0.197。

这组数字有边界。100项研究不是从整个心理学里随机抽的，是三本期刊、一年的论文里挑出能重做的。分领域看差别也大。按同一篇论文的拆分，认知心理学的研究复现后仍显著的是50%（42项里21项），社会心理学只有25%（55项里14项）。所以「心理学六成是假的」这种说法站不住。论文自己的结论是，能不能复现，主要看原研究的证据本身硬不硬，跟谁来做关系不大。问题出在大家把单个「显著」结果信得太满。

为什么一重做就缩水？主要是发表偏差：有结果的论文容易登，没结果的压在抽屉里。小样本碰巧做出大效应，就被登出来了；换人重做，运气没了，效应自然变小。

老板们最爱讲的三个实验，现在什么状态

斯坦福监狱实验。1971年，24名男大学生在斯坦福大学地下室的模拟监狱里分成狱卒和囚犯，原计划两周，6天就叫停。之后几十年，它一直被拿来证明「普通人一掌权就变坏」。法国研究者 Thibault Le Texier 先在2018年出了书《Histoire d'un mensonge》，2019年又在《American Psychologist》第74卷第7期发表「Debunking the Stanford Prison Experiment」。他翻了实验档案，访谈了15名参与者，发现狱卒事先拿到了怎么对待囚犯的具体指令。所谓「自发的恶」，更像是在配合研究者的期待。津巴多一方有过反驳，但这个实验已经很难再当「放任就会作恶」的证据用。「环境影响行为」这个大判断，倒没有因此被推翻。

棉花糖实验。说法是4岁能忍住不吃糖的孩子，长大成绩更好。原始追踪研究 Shoda、Mischel 和 Peake（1990年，《Developmental Psychology》）的孩子来自斯坦福校园里的幼儿园，653人里只追踪到185人，关键条件下算成绩相关的只有35人左右。Watts、Duncan 和 Quan（2018年，《Psychological Science》）用美国全国性追踪调查 NICHD SECCYD 的918个孩子做了概念性复现，换数据、换方法检验同一个关系。等待时间和15岁成绩的相关，只有原研究的一半左右；再控制家庭背景、早期认知能力和家庭环境，又缩掉三分之二。看起来像「自控力」的东西，很大一部分是家庭条件。

自我损耗。「意志力像电池，用了就少，重要决定放在早上做」，源头是 Baumeister 等人1998年的实验。Hagger 等人2016年在《Perspectives on Psychological Science》发表了预注册的多实验室复现，23个实验室、2,141人，效应量 d=0.04，95%置信区间从−0.07到0.15，基本等于零。有人认为他们选的任务太弱，争论还没完。但拿它来设计考核和排班，显然不够硬。

这三个实验有个共同点：没有一个是拿上班的人做的。学生、幼儿园孩子、实验室里的被试，从这里一步跳到「我们公司的销售经理」，跳的那一步是你自己的，不是研究的。

想把「研究表明」写进制度，先过这四关

我自己用的办法很土，就四个问题：

第一，研究的是谁、多少人。大学生、小孩还是在职的成年人，35个人还是几千人。第二，有没有别的团队复现过，最好是预注册的大样本复现。第三，效应有多大，把家庭背景这类因素控制掉以后还剩多少，光看「显著」没用。第四，有没有在真实职场、对在职员工验证过。

四关都过，可以当制度依据。过两三关，当假设，小范围试，用自己公司的数据验证。一关都过不了，培训时讲个故事就行，别写进选人标准。供应商拿着测评工具说「有科学依据」的时候，先问一句论文叫什么。官方数字也一样要问清是谁报的、算了谁，日本加班的两个数字那篇讲的就是这个。

我自己的文章，也请这样读

说句实话，这个网站上我也用了不少经典理论，其中有几个本身就有争议。赫茨伯格双因素理论的原始数据，是1959年在匹兹堡一带访谈203名工程师和会计，让他们回忆工作中特别满意和特别不满的时候。从 King 1970年在《Psychological Bulletin》上的文章开始，一直有人质疑两类因素分得那么开，可能是这种访谈方法本身造成的，那篇文章里我也提过。

邓巴数是从灵长类大脑大小推出来的，邓巴数那篇里我也写了学界的争议。艾伦曲线来自1970年代对研发工程师的观察，那时候还没有企业微信和 Slack。林格尔曼效应的拉绳数据1913年出版，后来 Ingham 等人1974年的实验发现，掉下去的力气，大部分要用动力下降来解释，光靠配合不好解释不了。

我继续用它们，是因为画组织图、拆模块时它们是好用的辅助线。我不把它们当定律，也不会把里面的数字直接拿去定谁的薪水、谁的绩效。读我的文章时拿上面四个问题来问，哪篇过不了关，告诉我。