农业科学数据报告现代化：迈向透明、可复现与人工智能就绪研究的标准化框架

《Agronomy Journal》：Modernizing data reporting in agricultural science: A framework for transparent, reproducible, and artificial intelligence-ready research

　　

农业科学期刊中不充分的数据报告制约了研究的可复现性、透明解读、跨研究数据复用、综合分析与人工智能（AI）驱动的科学发现。本研究旨在（1）审视农业科学各期刊当前的数据与结果报告要求，并（2）提出一套涵盖采样方法、数据集、元数据、统计分析与研究结果报告的全面且标准化的框架。研究人员将60种期刊依据其出版机构与编辑治理模式划分为四组：美国期刊、国际期刊、美国地球物理联合会（AGU）/美国经济学会（AEA）期刊以及多学科数字出版研究所（MDPI）期刊。研究发现各组期刊在数据与结果报告要求上存在显著差异。原始数据强制公开获取的比例因出版方群体而异：AGU/AEA（100%）、国际期刊（21%）、美国期刊（15%）与MDPI（0%）。明确要求报告变异度指标的指南仅存在于42%的国际期刊与36%的美国期刊中，而AGU/AEA与MDPI期刊指南中则完全缺失此类要求。总体而言，标准化的报告规程对于将农业研究与机器驱动的综合分析相衔接至关重要。稿件至少应一致报告样本量、集中趋势与变异度指标，同时原始数据与元数据应存放于公共存储库中。本研究为农业期刊强化编辑政策、确保研究保持透明、可复现与可验证提供了可操作的框架。

农业科学数据报告现代化：迈向透明、可复现与人工智能就绪研究的标准化框架

一、研究背景与问题提出

在农业科学研究领域，数据报告的不充分已成为制约学科发展的关键瓶颈。数据作为研究产出的核心要素，涵盖数字、文字、观测记录及其他可用于支持或反驳假设的有用信息。在农业科学中，这些数据可聚合为一个或多个数据集，包含元数据、试验设计、处理结构、场地特定信息、作物管理实践、环境条件（如土壤与天气）以及因变量测量值（如植物生物量或谷物产量）。随着精准农业、遥感和高通量表型分析技术的进步，农业研究已进入数据密集型时代，数据采集的规模、复杂性和频率均呈现前所未有的增长。机器学习与人工智能（AI）等新方法日益依赖结构化、文档完善且机器可读的数据集。然而，当前农业科学期刊在数据报告方面存在明显缺陷：许多文章遗漏或不一致地报告变异度指标与样本量等基本信息；稿件未能一致地共享数据集或分析代码，导致读者无法估算缺失值或复现已发表的分析；元数据文档记录不佳，妨碍数据复用，违背了科学可复现性原则；即便数据被共享，也鲜少以机器可读格式（如逗号分隔值）呈现。相比之下，环境科学期刊发表的荟萃分析中数据集可用性显著高于农学与农业期刊，健康科学领域的研究也一贯维持更严格的数据标准与报告要求。因此，农业科学领域迫切需要建立稳健的最低数据标准，以支撑可复现性、透明解读、数据复用、综合分析与AI驱动发现。本研究旨在系统审视农业科学期刊当前的数据与结果报告要求，并提出一套全面的、标准化且面向AI就绪的框架。

二、研究内容与主要结论

研究人员对60种代表主要科学学会与国际出版商的农业科学期刊进行了编辑政策审查，涵盖农学、作物科学、土壤科学、植物病理学、植物育种、昆虫学、杂草科学、农业工程及相关学科。依据出版机构与编辑治理模式，期刊被分为四组：第一组为美国农业科学学会出版的期刊（n=33），包括美国农学会、美国作物科学学会、美国土壤科学学会、美国植物病理学会、美国杂草科学学会、美国昆虫学会、美国农业与生物工程师学会、美国遗传学会及《美国国家科学院院刊》等；第二组为来自多家主要商业出版商的国际期刊（n=19）；第三组为美国地球物理联合会（AGU）与美国经济学会（AEA）出版的期刊，因其在期刊组合中维持标准化编辑与数据透明政策而被视为代表性政策框架；第四组为多学科数字出版研究所（MDPI）农业相关期刊（n=6）。

研究得出以下主要结论：在数据与代码共享政策方面，所有国际期刊及AGU/AEA期刊均要求作者包含数据可用性声明，所有MDPI期刊亦有此要求，而美国期刊中仅39%有此要求。原始数据公开共享要求差异显著：AGU/AEA期刊100%强制要求，国际期刊为21%，美国期刊为15%，MDPI期刊无任何强制要求。代码可用性声明方面，AGU/AEA期刊100%要求，国际期刊为26%，美国期刊为6%，MDPI期刊无要求。代码共享强制要求呈现类似趋势。数据存储库并非总是共享数据集时的必要条件。报告指南遵循要求方面，仅6%的美国期刊与16%的国际期刊要求作者遵循报告指南，而所有AGU/AEA期刊均强制要求，MDPI期刊无此要求。在统计报告要求方面，36%的美国期刊明确要求报告变异度指标（如标准差SD或标准误SE），42%的国际期刊包含此要求，而MDPI与AGU/AEA期刊均未在作者指南中明确要求。统计分析软件报告要求方面，45%的美国期刊与68%的国际期刊明确要求，AGU/AEA与MDPI期刊均在作者指南中明确指定。样本量报告方面，45%的美国期刊与68%的国际期刊明确要求，而MDPI与AGU/AEA期刊均未专门要求，但AGU/AEA期刊因强制公开原始数据，样本量可直接从共享数据集中计算得出。

基于上述不一致性，研究人员提出了一个包含三部分的最低数据标准框架。第一部分为数据报告决策树，引导作者根据试验设计、数据结构和预期统计分析确定应报告的数据内容，优先报告未分析的个体实验单元级原始数据，若无法报告则须提供样本量（n）、集中趋势度量（均值或中位数）与变异度度量（SD或SE）等汇总统计量，并明确将不可报告性视为停止条件而非事后补充说明。第二部分为统计报告建议，要求详细描述统计分析过程，包括研究地点（最好含地理坐标）、随机化方法、因变量、因子类型（分类或连续、固定或随机）、样本量及任何修改说明、测量单位（遵循国际单位制或期刊规定）、统计假设检验与数据转换程序、异常值处理的预定协议、检验名称及单双侧性质、显著性水平α、所用软件及版本与代码公开要求。结果部分须呈现描述性统计量、检验统计值、SE或SD、样本量与精确p值（如p值=0.01而非p值<0.05），并建议报告置信区间（CI）。第三部分为元数据报告标准，分为实验背景元数据（描述实验如何实施，包括设计类型、处理结构、随机化方法、GPS坐标、土壤特征、田间历史与管理实践）与方法学元数据（描述数据如何采集与分析，包括采样协议、设备与分析方法和测量时间）。

三、主要技术方法

本研究采用系统化编辑政策审查方法。研究人员在2026年2月至5月期间，直接从各期刊官方作者须知、编辑政策与数据共享指南中收集信息，系统评估四大领域：数据与代码共享政策（包括数据可用性声明要求、原始数据存储、代码可用性声明、强制代码共享及公共数据存储库使用）；统计与软件透明度（包括汇总统计量、变异度指标、样本量与统计分析软件报告要求）；试验设计与元数据报告（包括实验单元、研究设计与重复指标报告）；标准化报告指南或框架平台的采用情况。为提高一致性并减少主观性，研究团队实施两阶段独立审查流程：首先由主审人评估各期刊网站并记录政策要求，随后由第二位独立审稿人对照原始来源核实所有提取信息，任何政策解读差异均通过讨论达成共识解决。各报告标准的满足比例以组内及全部期刊中的百分比表示。

四、研究结果详解

3.1 数据与代码共享政策：通过系统化政策审查发现，数据可用性声明要求方面，所有国际期刊、AGU/AEA期刊与MDPI期刊均要求，而美国期刊仅39%要求。原始数据共享强制要求方面，AGU/AEA期刊100%强制，国际期刊21%，美国期刊15%，MDPI期刊无要求。代码可用性声明与强制代码共享呈现类似梯度，AGU/AEA期刊要求最严格，其余期刊组要求有限或缺失。数据存储库使用并非共享数据集的必要条件。报告指南遵循方面，仅6%美国期刊与16%国际期刊要求，AGU/AEA期刊全部要求，MDPI期刊无要求。

3.2 统计报告要求：通过政策审查发现，变异度指标报告要求仅存在于36%的美国期刊与42%的国际期刊中，MDPI与AGU/AEA期刊未明确要求，但后者因强制公开数据可由读者自行计算。统计分析软件报告要求方面，45%美国期刊与68%国际期刊明确要求，AGU/AEA与MDPI期刊均明确指定。样本量报告要求方面，45%美国期刊与68%国际期刊明确要求，MDPI与AGU/AEA期刊未专门要求，但AGU/AEA期刊可通过公开数据集直接确定。

五、讨论与结论

在讨论部分，研究人员指出实施推荐数据标准存在多重障碍。农场数据隐私问题可能限制农民公开共享数据的意愿，现代田间仪器（如无人机、土壤与植物传感器）被动生成元数据带来隐私风险，需严格审查以确保共享元数据经过有意策展。行业合作研究可能存在数据与代码共享政策限制。详细地理空间数据不易去标识化，但田间水平汇总统计量与元数据仍可支持二次分析与模型聚合。研究者阻力方面，全球调查显示仅44.5%的受访者愿意无限制共享所有数据，常见障碍包括希望数据可用前先行发表、缺乏时间与资金、担心误用与失去学术认可。数据策展与存储库提交耗时耗力，缺乏共享激励使感知风险超过感知收益。研究人员建议将数据策展与存储库存储纳入资助提案，二次数据用户应提供共同作者署名并引用原始数据集及其DOI。其他学科已证明这些障碍可通过健全治理与明确协议克服，例如要求试验结束后3年内存储所有原始数据。AI工具可辅助作者验证必要报告信息或自动格式化策展数据集。期刊与编辑必须明确表达最低标准并严格执行，将不合规作为拒稿理由。

研究结论指出，建立标准数据报告规程对于将传统农业科学与现代机器驱动综合相衔接至关重要。未来科学文献至少必须可靠地包含样本量、集中趋势度量与变异度指标。真正的透明性要求作者将原始数据、分析代码与元数据存入公共存储库。本研究为农业科学期刊更新出版政策提供了蓝图，赋予编辑执行这些标准的权力，确保农业研究在AI时代保持透明、可验证并做好未来进步的准备。