科學方法論（Scientific Methodology）的哲學基礎和實務應用是理解現代生物學研究的必要素養。以下從科學哲學、研究設計和當代方法學挑戰三個維度切入。
科學哲學的演變
科學方法的哲學基礎經歷了深刻的演變：
邏輯實證主義（Logical Positivism）：Vienna Circle（1920-30s）主張科學命題必須可經驗證。但 Hempel 的「烏鴉悖論」（confirmation paradox）揭示了純驗證主義的邏輯困境。
否證主義（Falsificationism）：Popper（The Logic of Scientific Discovery, 1934/1959）主張科學進步的機制是「猜想與反駁」（conjectures and refutations）。科學假說的特徵不是可驗證性，而是可否證性（falsifiability）。然而 Duhem-Quine 論題（underdetermination thesis）指出，任何觀察都無法決定性地否證單一假說，因為假說總是與一組輔助假設（auxiliary hypotheses）一起受檢驗。
典範轉移（Paradigm Shift）：Kuhn（The Structure of Scientific Revolutions, 1962）提出科學不是線性累積，而是「常規科學」（normal science, puzzle-solving within paradigm）和「革命」（anomalies → crisis → paradigm shift）交替。生物學史上的典範轉移包括：自然發生說 → 細胞理論、拉馬克遺傳 → 達爾文演化、中心法則 → 表觀遺傳學。
研究綱領方法論（Methodology of Scientific Research Programmes）：Lakatos（1978）試圖調和 Popper 和 Kuhn，提出科學理論由「硬核」（不可否證的核心假設）和「保護帶」（可修改的輔助假說）組成。
現代生物學研究設計
Fisher（1935, The Design of Experiments）奠定了實驗設計的統計基礎。現代臨床和基礎研究的設計考量：
- 隨機化（Randomization）：消除已知和未知混雜因子。Fisher 的隨機化原則是因果推論的基礎。在動物實驗中，隨機化、盲法和預先定義終點（pre-registration）正成為規範要求（Macleod et al., 2014, PLoS Biology）。
- 統計檢定力分析（Power Analysis）：實驗前計算所需樣本量，避免 Type I（偽陽性）和 Type II（偽陰性）錯誤。Cohen（1988, Statistical Power Analysis for the Behavioral Sciences）建立了 power analysis 的標準框架。
- 多重比較校正（Multiple Comparison Correction）：基因組學實驗常同時測試數百萬個假說，Benjamini & Hochberg（1995, JRSS B）的 FDR（False Discovery Rate）控制方法成為標準。
再現性危機（Reproducibility Crisis）
生物醫學研究正面臨嚴重的再現性危機。Baker（2016, Nature）的調查顯示超過 70% 的研究者曾嘗試重複他人實驗失敗。主要因素包括：
- p-hacking 和發表偏差：Ioannidis（2005, PLoS Medicine, "Why Most Published Research Findings Are False"）的影響力論文指出，在低統計檢定力、小效應量和分析靈活性（researcher degrees of freedom）的條件下，大多數發表的研究發現可能是偽陽性。
- HARKing（Hypothesizing After the Results are Known）：在看到結果後才「提出」假說，將探索性分析包裝為驗證性分析。
- 選擇性報告：只報告顯著結果，隱藏不顯著結果。
因應措施包括：
- 預先登記（Pre-registration）：在 ClinicalTrials.gov 或 OSF（Open Science Framework）上事先登記研究假說、方法和分析計畫。Registered Reports 期刊格式在數據收集前就進行同儕審查。
- 開放科學（Open Science）：數據共享（FAIR principles：Findable, Accessible, Interoperable, Reusable）、程式碼公開和預印本（preprint）文化。
- 統計方法改革：貝葉斯統計提供效應量的後驗分布而非二元的顯著/不顯著判斷。American Statistical Association（Wasserstein & Lazar, 2016）發表了反對機械性使用 p < 0.05 的聲明。
因果推論在生物學中的應用
Pearl（2009）的結構因果模型和 Rubin 的潛在結果框架（potential outcomes framework）為觀察性生物學數據的因果分析提供了嚴格的數學基礎。Hernán（2018, American Journal of Public Health, "The C-Word"）呼籲生物醫學研究者明確區分「因果問題」和「描述/預測問題」，選擇適當的方法學工具。