一张“显著结果扎堆”的图，可能看起来像整个科研体系都有偏；但换一批论文，图景也许完全不同。Witold Więcek 介绍的 BEAR，正是为解决这种以偏概全而建：它把 26 个仍在增加的元科学数据集统一整理，汇集约 1250 万项实证结果，覆盖医学、神经科学、心理学、生态学、教育、经济学和政治学等领域，并开放使用。
其中不少数据包含 z 值——结果偏离“没有效应”多少个标准误的指标；部分还附有研究类型、效应大小和荟萃分析分组等信息。最值得注意的不是某个统一结论，而是不同数据集呈现的发表选择模式可能截然不同：显著或“漂亮”的结果是否更容易发表，不能只看一个经典样本就推广到所有学科。BEAR 因而更像一张可比较的科研生态底图，可用来检验发表偏差、统计功效与可重复性判断能否跨数据成立。作者也提醒，各数据集质量和构造方式不同，不能直接等同；配套复现率模型则是独立、可选的工具。