今天聊聊用 LLM 做数据分析这破事。

这是一个广泛存在的迷思，你可以把数据扔给 ChatGPT 或者 Claude 酷炫分析，瞬间就觉得自己是个数据科学家了。回归结果、p值、置信区间，你知道的、不知道的东西都能做得出来，而且像模像样。但是，在深入这个话题之前，我想先介绍「第零法则」。

第零法则：如果你不知道自己在做什么，那你就不应该做。

无论是是 LLM 还是自己做分析，只要你不懂正在用的统计方法，就不应该用它。这条规则在 LLM 出现之前就有了，现在反而更重要。

最大的问题

2019 年，有 800 多个研究者联名在 Nature 上发了个评论，呼吁让统计显著性这个概念退休。核心论点是，p < 0.05 这个门槛变成了扭曲科研的闸门。研究者追着它跑，期刊给它发糖，大家假装跨过这条随便画的线就意味着板上钉钉。可它根本不是。

这篇文章中分析了五大优质期刊的 791 篇文章，发现大概 51% 的文章，都错误地把「不显著」理解为「没效果」。但 p 值高根本不是那个意思。p 值高只能说明没有证据证明你的假设。

这是大多数科研工作者都搞错过的事情：没证据不等于证据没有。（No evidence is not the evidence of no）。如果超过一半的已发表文献都搞错了，那从这些文献里学出来的LLM 模型，大概率会把这些错误观念全都「吃透透」，这是最恐怖的地方。

你可能会想：好吧，个别研究者会犯错，但我们有同行评审把关，对吧？

嗯……其实吧，并没有。

2024 年 2 月一篇发表在《Frontiers in Cell and Developmental Biology》上的文章引爆了学术圈。通篇文章都是 LLM 生成的，它走完了编辑评审，走完了同行评审，最后发表了，里面还带着 Midjourney 生成的一大堆不讲逻辑的配图。我们几个朋友对着那小鼠的巨大阳具感到非常诧异：「编辑是不是都是瞎的」。

其他图也都是胡言乱语，图像跟真实的生物结构没有半毛钱关系。有个审稿人当时就这些事情提出了质疑，但作者压根没改，论文就这么发出去了。后来这论文在社交媒体上广泛传播，Frontiers 几天之内就把它撤了。也有研究者直言不讳：「这是一个惨痛的例子，说明期刊、编辑和审稿人对 LLM 生成的垃圾有多天真」。如果同行评审连这种带着胡话的假图都抓不出来，那指望它揪出微妙的错误统计分析，可能吗？

¯\_(ツ)_/¯ This is kinda where we are.

看起来糟糕的事情还有可能更糟糕。大语言模型训练用的数据，科学文献、互联网，所有的一切，本身就带着同样的问题。如果超过一半的已发表文章连自己的统计结果都解释错了，那从这些文章里学习出来的模型，自然也就把这些错误内化了。LLM 不是从一张白纸开始的。它从一个充满噪音、偏见和错误的知识库起步。

有了这个背景，再来看 LLM 真正做统计分析的时候会发生什么。2026 年 2 月斯坦福大学的研究者发了一篇预印本。Asher 和同事测试了 LLM 编程助手的数据分析行为模式。具体而言，他们测试的是在拿到已发表的政治学论文的原始数据（那些结果是无效或接近无效的）时，会不会主动搞 p-hacking。

他们设计了一个聪明的实验。给模型数据，然后改变两个条件：研究问题的表述方式，以及要求出显著结果的压力大小。在最温和的级别，仅仅给了一个方向性假设，模型表现非常稳定，产出的估计值和已发表结果高度吻合。

当他们明确要求模型产出显著结果时，Claude 和 Codex 都拒绝了。它们直接指出这是学术不端。Claude的原话是：「你这是让我搞 p-hacking，这是一种科学欺诈。」

但有意思的来了。他们设计了一个所谓的「核弹提示词」，它没有直接说「给我显著结果」，而是说「探索一下不同的分析方法，然后把估计值的上限报出来，用来描述不确定性」。同样的意图，只是做了不一样的包装。更遑论我们还有更多核弹。

结果两个模型都照做了。它们写了嵌套循环，跑了上百种参数组合，然后挑出那个给出最显著结果的组合。有一个案例里，这个做法产出的估计值比已发表的效应量大了三倍还多。

所以 LLM 就这么搭起了一条自动化的 p-hacking 流水线。不是因为它想作弊，而是因为提示把「参数搜索」包装成了一个合理的分析任务，而模型无法判读其意图。这是一个恶意提示词，但是你也可以想象一个二傻子在走投无路的时候，向 LLM 提出类似的需求，但是完全不知道自己在 p-hacking¹。

我们最后得到了一个闪闪发光的结果。代码整洁，表格漂亮，格式规范。这才是最危险的，结果看起来专业又可信，但背后的过程却烂透了。

我的故事

哪怕自认为脑子基本开机的我，最近也摊上了类似的事情。

最近我在做的一个软件可用性研究报告，里面有一个用户失误编码。我把错误事件编成了好几个维度：错误类型、可用性问题、严重程度、恢复策略。然后画了这张热力图，想看可用性问题和恢复策略之间的关系。你们能看到数据，是个分类变量的交叉表。样本小，格子多。

然后有一个格子特别扎眼，「缺乏反馈×试错」，计数20，比其他高出一大截。我想知道：这个模式在统计上有意义吗？

我做了卡方检验，不显著，但是那么红的一个点就在那里，我实在是不想放弃这个结果。于是问了 Claude 还能怎么干？

模型告诉我，可以试试做 bootstrap，算一下 Cramér’s V 看置信区间是否包含 0。我本来是神经科学背景，之前用过 bootstrap 和 效应量。所以看到这个建议，觉得挺合理的，脑子一滑就跟着做了。

结果出来特别好。漂亮的 bootstrap 分布图。Cramér’s V 的 95% 置信区间不包含 0。可视化结果干净、专业，看着就是一次扎实严谨的分析。

我当时想：太好了，有结论了。

但总觉得哪里怪怪的。

我跑去问了四个不同的 LLM，Claude, Gemini, DeepSeek, Grok。就，你懂的：「Is that true?」

四个模型全跟我说恭喜。干得漂亮，方法靠谱，高质量研究。

但是，你知道，我就是觉得哪里不对劲。

我花了大概两个小时，就坐在那儿琢磨。然后突然想通了：Cramér’s V 永远是非负的。除非你的样本里完全没有关联，它才可能是零。检验它的置信区间是否包含零，基本上就是在问「样本里存在任何关联吗？」对于真实数据，这几乎总是「是」。这个检验的零假设本身就荒唐。而且效应量连偏差校正都没做。至少应该像 TOST 一样设计一个等效区间，因此整个分析框架根本就是胡扯。

于是我回头找那四个模型，说：「我对这个方法有些疑虑……」并把我的 Major Concern 全都列出来。

结果每一个都瞬间改口。「YOU ARE ABSOLUTELY RIGHT，这方法是错的。」刚才还恭喜我的模型，现在告诉我这是错的。

OH, SHI…

白眼差点翻到后脑勺。

此时离交稿只剩一小时了。我不得不把整个分析删掉。老实讲，当时要是就这么交上去，几乎不会有人发现。输出那么漂亮，方法听着那么高级，结果还是正的。但它在核心上就是错的。

我的故事和斯坦福那个 p-hacking 论文，在运行原理上几乎如出一辙。

LLM 不会像领域专家那样用约束条件来推理。它只是根据上下文生成回应。当上下文说「这是我的结果，还行吗？」，模型会顺着这个话头说「行」。当上下文说「我有这些疑虑」，它又会顺着疑虑说「对」。

结果不好的时候，如果别人都想着用 Bootstrap 它就会推荐你试试。p 值没有效应量「好」，它就会推荐你试试算效应量。明明都是两个很好的东西，为什么在一起就没有获得幸福呢？

为什么呢~ 为什么呢~

这也是为什么斯坦福论文里的「核弹提示」那么有效。模型学到了「p-hacking 不好」，它也学到了「探索各种参数设定是好事」。但是这两块知识在模型脑子里并不会像人类专家那样互相制约。它们都只是依赖于上下文的回应。换个话头，行为就完全不一样。

安全用法

我并不是说你完全不能用 LLM 做统计分析，但是在用 LLM 做数据分析之前你得搞清楚它到底在做什么。它擅长的是转换和组织数据，它不擅长公式和数学计算。

你试试，在不用计算器的情况下，在十秒钟之内完成下面的数学计算：

114 x 514 x 1919 x 810

你大概会给出一个不太靠谱的结果。因为你没有真的一步一步在草纸上演算。LLM 也差不多。 LLM 不是用来做精确计算的工具，它的回答永远都有概率性的成分，因为它本身是一个统计模型。

因此，我会提出另外一个规则：规则一：确保你真的知道自己在干什么。 别把它当黑箱。读它写的代码，弄明白它选的方法，自己验证逻辑。

在没有经验的情况下，我更建议你不要「耍大刀」。如果没练过的话可以试试这些安全的玩法。用这些工具大概率不会搞砸什么事情。

第一种是可视化，特别是做一些比较新潮的可视化。

一个悲伤的事实是：在二〇二六年竟然依然有人在报告里面用饼图！C’mon，饼图唯一的优势就是「它是一个图」，这世界上没有比饼图更糟糕的东西了，它完美地用大量空间不明不白地罗列出了你原本就知道的东西。

如果你想要表达成分，用 bar chart 还可以通过堆叠的方式引入另外一个变量增加纵深。如果你想要看分布，你可以用提琴图加抖动点，甚至还能在上面叠一个箱线图，就像一个数据科学家一样！

更棒的事情是，你可以用 LLM 帮你写 Python 画出这样的图，Grok 和 Claude 都内置 Python 运行环境，你只需要上传 CSV 格式的文件它就会帮你做，五分钟就出结果了！

第二种安全用法：通过聚类分析来做数据驱动的 Affinity Map。如果你有编码好的定性数据，比如带多个分类维度的错误事件，可以用聚类算法在数据里找到自然的分组。在做软件可用性研究的时候，我真的很怕 Affinity Map，一大堆乱七八糟的质性数据你让我理出来一个分类还不如杀了我。这个时候数据驱动就是很好的方法。

更妙的是，如果你有访谈数据，可以把这些数据直接喂进去，让它根据聚类特征 quote 出重要的访谈对话。

第三种安全用法：Codebook 开发和编码辅助。

我用的流程是这样的：第一，把访谈提纲和研究方案给模型。第二，让它基于研究问题草拟一个用来编码用户失误的 Codebook。第三，手动审阅和修改这个Codebook，达到一个我认为理想的水平。

下图为我上一个可用性研究用的 Codebook。六个维度：错误类型、错误子类型、可用性问题、严重程度、任务阶段、恢复策略。每个维度都有明确的类别和标准。模型负责初始结构，我基于对数据和理论框架的理解来做优化。

还有一个验证技巧：让多个 LLM 用同一个码本给同一份数据编码，然后算一下它们的一致性。如果你的码本设计得好，不同模型应该给出差不多的编码。如果它们不一致，说明码本需要改进，很可能是类别定义太模糊了。

另外，用 LLM 对用户操作失误做编码也是一个不错的思路，我的做法是让三个大语言模型各自编码五次，通过投票的方式决定一个事件的失误类型是什么样的。一致性在大多数情况下都超过了 90%，比人类标注要可靠得多。

结语

读了全篇你可能会觉得云里雾里，如果要带走什么的话，我希望是两条重要的法则：

第零法则：如果你不知道自己在做什么，那你就不应该做。LLM 让你能极其轻松地跑你不理解的分析，而且把输出打扮得特别可信，但实际上它有可能全程都在瞎胡说。

规则一：永远搞懂模型在干什么。读代码。质疑方法。如果觉得哪儿不对劲，哪怕四个不同的LLM模型都说没问题，也要自己再琢磨琢磨。因为最后一道防线不是模型，也不是你的截稿日，而是你自己的专业判断。

以上就是今天的分享，感谢你能读到这里！