区分数据完整性 (Data Integrity) 需要将其分为物理和逻辑两种类型——具体包括实体完整性、域完整性、参照完整性和用户定义的完整性——以确保您的研究数据在其整个生命周期中保持准确、一致和可靠。对于管理大型数据集的研究人员来说，了解这些区别对于维护可信的数据库和得出有效的结果至关重要。
物理与逻辑数据完整性
在最高层面上，数据完整性分为两个主要类别：
- 物理完整性 (Physical Integrity)： 这涉及保护您的数据免受物理威胁，例如硬件故障、停电或存储介质老化。定期备份、安全的云存储和灾难恢复计划是标准的解决方案。
- 逻辑完整性 (Logical Integrity)： 这确保了数据在关系型数据库或统计软件中被访问、操作或传输时，保持不变且在逻辑上准确。
逻辑完整性的四种类型
在为您的研究建立数据库或对电子表格进行编码时，区分逻辑完整性的类型有助于您应用正确的验证规则：
- 实体完整性 (Entity Integrity)： 这确保数据集中的每条记录都是唯一且可识别的。例如，在临床试验中为每位参与者分配一个独特的、非空的ID号可以防止重复录入。
- 域完整性 (Domain Integrity)： 这限制了可以输入到特定字段中的数据类型。如果您正在收集年龄数据，域完整性规则可确保只接受正数，从而防止研究助理意外输入文本或负值。
- 参照完整性 (Referential Integrity)： 这规定了不同数据表之间的关系保持一致。如果次级调查数据集引用了某个参与者ID，那么该确切的ID必须已经存在于您的主要人口统计表中。
- 用户定义的完整性 (User-Defined Integrity)： 这些是您的研究方法所特有的自定义规则或特定约束，未被其他三个类别所涵盖。
区分完整性与质量和安全性
人们常常将数据完整性与数据安全性 (Data Security) 或数据质量 (Data Quality) 混淆，但它们在研究数据管理中发挥着不同的作用。数据安全性侧重于通过加密和密码保护信息免受未经授权的访问或泄露。数据质量是指数据在回答特定研究问题时的相关性、完整性和实用性。数据完整性则保证数据在结构上是健全的、未损坏的，并且随着时间的推移能准确反映原始输入。
数据完整性在可重复性中的作用
完美无缺的数据完整性是科学可重复性 (Scientific Reproducibility) 的基础。如果您的数据集包含结构错误、失效的表关系或损坏的值，您的研究结果就无法被同行独立验证。保持严格的数据完整性对于复制结果至关重要，您可以使用 WisPaper 的 PaperClaw 进一步简化这一过程，该工具允许您上传论文 PDF 并自动生成完整的实验复现计划。通过在数据收集过程的早期实施强大的数据完整性检查，您可以保护您的工作免受错误影响，并为未来的研究奠定坚实的基础。