在twitter上，科学可以引发一些激烈的争论。它们并不都是关于气候变化、疫苗和进化的标准问题。一些相互竞争的推文涉及到科学事业本身。
例如，最近一条推特宣称“科学不会自我纠正”。“科学被打破了，”链接到一篇评论文章中，该评论针对的是一个证据充分的问题，即许多科学研究结果无法通过后续实验重现。对此，一位愤怒的生物学家/博主回应道:“不是的。就像你的点击诱饵标题所显示的那样，新闻业已经崩溃了。”
如果不偏袒任何一方(目前)，可以肯定地说，部分问题在于推特不允许细微差别。科学是否破碎取决于你所说的“破碎”是什么意思。“也许说科学已经破碎并不是一个断章取义的公平评估。但是，一直关注这一问题的人都不会明智地不同意，科学程序的某些方面需要修复。否则，很难解释为什么这么多科学家提出这么多重大的解决方案。
大多数这样的建议都与科学弊病中最臭名昭著的一个有关:不恰当地使用统计推断。例如，一篇新论文研究了统计学在医学临床试验中的应用。爱达荷州立大学的数学和生物统计学家Leonid Hanin写道，由于标准统计方法的缺陷，即使是正确进行的试验也可能得出错误的结论。“我们的主要结论是，即使是完全无偏倚、完全随机、可靠盲法和忠实执行的临床试验也可能产生错误和不可复制的结果，”他在最近一期的BMC医学研究方法学中写道。
临床试验并非特例。许多其他科学领域，从心理学到生态学，都和医学一样混乱。从污染物的不良影响到药物的疗效，决定什么造成伤害或什么治愈疾病需要数据。分析这类数据通常包括制定假设、收集数据和使用统计方法来计算数据是否支持假设。
这种计算通常产生一个P值——如果没有实际效果(零假设)，则获得观测数据(或更极端的结果)的概率。如果这种可能性很低(按照通常的惯例，小于5%，或者P小于0.05)，大多数科学家得出结论，他们已经找到了证明这种效应的证据，并将论文发表在期刊上。然而，对这种方法敏锐的批评者长期以来一直注意到，低P值并不是真正的效果证据——它只是告诉你，如果没有效果，你应该对看到这样的数据感到惊讶。换句话说，P值是关于数据的陈述，而不是假设。
因此，科学家们经常得出结论，他们发现了一种实际上并不存在的效应。这种“假阳性”结果困扰着许多领域，尤其是心理学。研究表明，当实验重复时，许多(如果不是大多数的话)心理学发现并没有得到再现。但没有任何一门科学学科能幸免于这个“不可再生产”的问题。许多科学家认为是时候做点什么了。
最近一篇有72名作者的论文提出，要解决这个问题，可以通过改变传统的“统计上显著”的P值。这些作者的建议是。005，而不是当前的。05，所以只有当得到结果(没有真正的效果)的几率为0.5%时，你才可以声称有统计上显著的证据证明效果。“这一简单的步骤将立即提高许多领域科学研究的重现性，”作者写道。他们说，P值小于0。05应该仅仅被标记为“提示性”，而不是显著性。
如此严格的门槛无疑会减少误报的数量。但是这种方法并没有解决P值所带来的潜在问题。它们仍然是数据的证据，而不是假设。虽然更严格的标准会减少假阳性，但它肯定也会增加假阴性的数量——也就是说，在真有假阳性的情况下却没有发现任何影响。在任何情况下，将一个任意的标准更改为另一个标准都不会对普遍存在的对P值的误解和误用产生任何影响，也不会改变这样一个事实，即统计上显著的P值可以计算出在实际意义上并不显著的效果。
第二个修正建议不改变P值的显著性阈值，而是更好地解释给定P值的含义。一种常见的误解是，P值为0。05意味着该效应为真实的概率为95%(换句话说，假阳性的概率仅为5%)。这是一派胡言(也是一种逻辑谬误)。要衡量实际效果的可能性，需要了解这种效应的可能性有多大
