近年来，脑电技术因其所具有的独特优势被广泛应用于心理学研究中，保障了心理学研究的科学性和客观性。与此同时，脑电研究的可重复性受到了越来越多研究者的关注，脑电实验的科学性和可验证性面临诸多挑战。

　　对同一问题的研究结果不一致或先前的研究结果得不到重复等是脑电研究可重复性危机的主要表现。已有研究表明，研究自由度可能是脑电研究可重复性危机产生的重要原因之一。研究自由度是指研究者在开展脑电研究时，可以根据实际需要采用多种方法对脑电数据进行自由处理，从而获得研究者想要的统计上具有显著差异的结果或效应。然而，这个结果或效应可能是假的，从而导致基于这个结果得到的结论是错误的，无法在后续研究中进行重复。

　　对心理学脑电研究的重要环节进行梳理，规范研究自由度，有助于规避假阳性结果的风险，增强心理学脑电研究的可重复性。脑电研究主要包括以下六个环节。

　　开始前准备。准备符合研究需要的被试登记册。被试登记册主要用于记录被试的人口学基本信息（如年龄、性别等）、纳入或剔除标准、研究中使用的量表或问卷等自我报告内容、脑电研究进行中的各项事宜或突发情况以及其他可能影响研究结果的信息等，便于研究者在研究结束后通过被试登记册全面准确地评估被试的表现。

　　进行先验检验，根据统计效力和效应量确定样本量、试次数量、脑电测量指标等。脑电研究中的统计检验力会受到效应量、被试数量、实验试次、实验设计、数理统计方法、不同条件之间的差异量、脑电的时域（如平均波幅、峰值或潜伏期等）、频域特征（如能量）等因素以及因素之间的交互影响，需要在研究前明确，而不是研究后来选择。

　　预注册研究方案。在研究开始前对研究方案进行预注册，通过预注册平台（如OSF等）公开脑电研究中即将使用的研究方法、研究假设、数据处理方案、统计分析方法等，避免后期因发表偏向等各种原因而修改初始的研究内容。

　　数据收集。收集到“干净”的脑电数据十分重要，干净即为高质量、受干扰较少（甚至无干扰）的数据。我们可以通过以下方法保证脑电数据的质量。

　　严格控制实验室环境。通常来说，实验者往往会控制实验室环境的纯净和稳定，然而，实验室的照明条件、室温等无关因素仍会或多或少影响被试的状态。因此，在研究进行时要严格控制这些无关因素，避免其对被试造成影响，从而影响原始数据质量。

　　准确评估被试的状态。研究进行时，被试的情绪状态、环境适应等因素也会影响数据的质量。因此，要使用科学的方法或工具对被试状态进行准确评估，并在被试登记册上做好记录。

　　使用高精度的设备和标准规范的流程采集脑电数据。数据采集设备的精度以及数据采集流程的规范会影响脑电数据的质量。因此，研究者在进行数据收集时要使用专业、高精度的设备和标准、规范化的数据收集流程。

　　详细记录脑电数据收集的细节。数据收集的细节会影响脑电数据的质量，在收集数据时，研究者要尽可能多地记录数据收集的细节。比如，仪器设备或系统的名称和型号、导联方式、电极点数量、收集方式、采样率、收集时滤波器的类型、滤波方式和参数设置、电极点和头皮之间的阻抗值以及是否达到可接受的电极阻抗值范围、在线参考电极的名称和接地电极的位置等。

　　替代研究过程中脑电数据质量较差的样本。个体差异性（如被试配合度等）以及一些突发情况导致脑电数据记录不完整或整体质量较差时，就需要排除相应的样本。同时，为了保证结果的稳定性和样本总数的有效性，研究者需要招募新被试并收集符合标准的数据以替代原有脑电数据质量不好的样本。

　　数据处理。严格按照预设的纳入和剔除标准选取脑电数据样本。已有研究发现，排除试次的比率可以作为判别脑电数据质量好坏的标准之一。排除试次的比率=排除试次的总数÷总试次数×100%。有学者在数据处理时为保证脑电结果的可靠性，就将排除试次比率≥25%的数据样本剔除。

　　避免有偏向地选取或剔除脑电数据样本。在进行数据处理时，研究者不能根据最终的统计结果或数据显著趋势来选择符合研究假设或预期结果的数据样本，否则会提高假阳性结果出现的概率。

　　严格执行脑电数据处理的标准化流程和环节。在进行脑电数据处理时，线性运算（如重参考、滤波等）和非线性运算（如伪迹校正等）会影响脑电数据结果的稳定性。因此，处理脑电数据时需要格外留心以下几个环节并做好详尽的记录。（1）坏导的处理。电极点损坏或阻抗值过高等原因会导致坏导的出现。在某些特殊被试群体的脑电研究中，由于被试招募和数据收集成本较高，若因为少数坏导的存在就排除整个脑电数据样本，可能会影响后续的数理统计。因此，研究者会采用一定的方法（如插值法等）对坏导的数据进行重构，从而完成数据的替代。这种方法虽然保留了数据样本，但也可能会改变原来的数据信息。因此，进行坏导处理时一定要详细记录脑电数据样本中坏导的数量、名称、位置以及处理的方法等关键信息。（2）离线重参考。在进行离线重参考时，选取合适的计算方式尤为重要，因为离线重参考计算方式（如总平均、双侧乳突、单侧乳突、零参考等）的不同会影响数据结果。（3）滤波。对脑电数据进行滤波的次数越多或参数设置不合理，会导致脑电数据严重失真。因此，在进行数据处理时需要选择合适的滤波器类型、滤波方式、截止频率和斜率等。（4）伪迹排除。对试次进行伪迹排除会影响试次的排除比率，从而影响脑电数据样本的选择和最终的数据质量，因此要选择合理的伪迹测量算法和排伪阈值。（5）伪迹校正。伪迹校正容易造成数据失真，因此进行脑电数据处理时要慎用伪迹校正。若研究中使用了伪迹校正，则需要记录并报告伪迹校正的方法（如独立成分分析、主成分分析等）、最终纳入统计分析的成分数量等信息。

　　统计分析。选取最符合研究需求的统计分析方法。在进行统计分析时，分析方法越复杂，研究者越要提供更为详细的数据信息。由于统计分析中任何微小的变化都可能影响脑电数据结果的稳定性和可信度，因此要求研究者从多种方法中选取最能解决科学问题的方法，并说明选择的理由。

　　避免异常值对统计分析的影响。异常值会对脑电数据分析结果的可重复性产生很大的影响。如方差分析中单个异常值会对整体的均值产生较大的影响，由此导致较大的结果误差，进而提高假阳性结果出现的概率。

　　避免隐性多重比较问题。进行统计分析时，研究者根据想要得到的结果或效应有偏向地选取数据或选取不合适的统计分析方法，可能会导致隐性多重比较问题的发生。如研究者根据脑电成分的总平均结果选取在视觉上看起来有显著差异的时间窗和电极点来进行统计分析，或决定脑电数据样本的纳入或剔除。

　　降低总体错误概率和实验错误概率。研究者在脑电研究中进行多因素统计分析（如多因素方差分析等）时通常需要在时间、空间、频段或者电极点上进行多次比较，采用这种方法进行统计分析时容易产生总体错误概率和实验错误概率。

　　正确解读方差分析中的p值。统计分析时，研究者不能单纯地以p值是否小于0.05作为判断数据结果是否科学和可靠的唯一标准。p值的意义是假定零假设为真的情况下，出现当前结果及比当前结果更加极端结果的概率，而不是在单次检验中拒绝零假设时犯错误的概率。因此，研究者需要选择合适的统计方法或同时考虑p值外的其他指标（如贝叶斯因子等），以确保脑电数据结果的信效度。

　　结果报告。全面呈现图表信息。研究者进行图表呈现时，不仅要对图表中所使用数据的基本属性（如刻度、单位等）进行描述，还要对判断数据质量的指标（如标准误、置性区间等）进行展现。

　　规范关键指标专业术语的表述。关键指标的专业术语使用不规范会影响审稿人和读者等群体对特定脑电结果的理解，并在质量评估上产生巨大的歧义和混淆，从而影响脑电研究的可重复性。如P3和P300一般表示同一个脑电成分的名称。

　　精确报告统计分析结果。在进行结果报告时，无论结果是否达到统计学上的显著意义，研究者都需要准确、详细地对统计分析结果进行报告。这有利于审稿人、读者更好地评估研究，也能方便后续研究者做类似研究时进行结果的重复和比较。

　　公开共享。当全部的实验及结果报告完成后，研究者可以公开和共享研究数据。因为借助开放平台公开和共享数据是推动可重复性的一个重要途径。因此，研究者应在征得被试同意和符合研究伦理的前提下，尽可能多地借助开放共享平台分享自己的实验任务、原始数据和数据分析脚本，以便于审稿人、读者和后续研究者对研究进行更好的评估，从而增强研究的科学性。

　　（作者单位：贵州师范大学心理学院应激与认知实验室；辽宁师范大学心理学院；辽宁师范大学心理学院）