两份旧数据的结果看起来一样，就都能拿来补强新研究吗？未必。一份可能在人群、测量或研究设计上存在已知问题，只是数字碰巧接近。Haitao Pan 提出的 Qualify-Then-Borrow（QTB）框架，正是先判断外部数据有没有资格进入分析，再讨论该借多少。
它依次做五件事：明确当前研究目标，审查外部数据，将其分为合格、可修复或不合格，分别直接使用、修复后使用或排除，最后才应用动态贝叶斯借用——根据外部结果与当前数据的一致程度调节权重。论文最值得注意的发现是：两组外部结果分布相同的数据，会让常见模型给出相近权重；但其中一组存在已知的终点测量问题，QTB 因而作出不同处置。模拟中，误把不合格数据纳入并完全合并后，95% 区间的覆盖率降至 60.8%；即使用稳健混合方法降低权重，覆盖率回升到 91.8%，仍留下负 4.8 个百分点的偏差。换句话说，降权是保险丝，不是科学可比性的替代品。上述结果来自作者预设的 82 种情景、每种重复 10,000 次的模拟，尚不等于对所有实际研究都有效。