要检查数据完整性 (Data Integrity)，您必须通过运行验证测试、识别缺失或重复值，并确保数据与其原始来源相比未被篡改，从而验证数据集的准确性、完整性和一致性。保持高数据质量是开展可信研究的基础，因为受损的数据极易导致得出错误的结论，甚至造成论文被撤稿。
以下是确保研究数据完整性的最有效步骤：
1. 执行常规数据验证
在开始分析数据集之前，就应设定严格的验证规则。这包括检查所有变量是否符合预期的格式、范围和数据类型。例如，如果您正在收集问卷反馈，请确保没有负数或文本字符串混入纯数字列中。使用 Excel 等软件的内置验证工具或 Python 中的 Pandas 等代码库，可以帮助您自动完成这一筛选过程。
2. 筛查重复项和缺失值
包含未处理重复项或空值的数据集会严重损害数据质量。请使用您常用的统计软件来运行描述性统计 (Summary Statistics) 和频数分布。这种宏观层面的概览有助于您快速发现极端异常值 (Outliers)、隔离重复条目，并就如何处理缺失数据（无论是通过统计插补还是直接剔除）做出合理的决策。
3. 保持严格的审计轨迹
数据溯源 (Data Provenance)——即确切了解数据的来源及其修改过程——对于可复现的研究至关重要。请务必保留一份原始数据集的只读版本。在清理和转换数据时，请在数据字典、日志文件或版本控制系统中记录每一个步骤。对于大型数字文件，计算校验和 (Checksums) 或哈希函数是一项标准的技术操作，可用于确认文件在传输过程中未损坏或被意外篡改。
4. 复现并验证结果
检验数据完整性的终极标准是可复现性 (Reproducibility)，尤其是在处理已发表的研究时。如果您正在评估某篇已发表研究的二手数据，请尝试复现其研究方法和结果。为了简化这一通常十分繁琐的过程，您可以使用 WisPaper 的 PaperClaw 功能上传原论文的 PDF 文件，自动生成一份完整的实验复现计划，从而更轻松地验证作者的数据是否真正经得起科学的推敲。