要从现有数据中构建新颖的假设，你需要系统地分析当前的文献和数据集，以识别出指向新研究问题的矛盾之处、未探索的变量以及方法论空白（methodological gaps）。
重新分析现有数据集——通常被称为二手数据分析（secondary data analysis）——是一种产生新见解的高效方式，无需耗费收集一手数据（primary data）的时间和成本。然而，主要的挑战在于发现前人研究中遗漏的内容。以下是从现有可用数据中构建原创假设的实用方法。
重新评估未充分利用的变量
不要局限于原始研究的主要发现。大型数据集几乎总是包含控制变量（control variables）、人口统计信息或次要测量指标，而这些往往不是原作者的主要关注点。探究这些被忽视的变量之间如何相互作用，可以为构建一个全新的、可检验的假设奠定基础。
寻找异常与矛盾
密切关注现有文献中的异常值（outliers）、统计噪声或意外结果。当使用相似数据的多项研究得出相互冲突的结果时，通常存在隐藏的调节变量（moderating variable）或中介变量（mediating variable）在起作用。提出一个能够准确解释这些矛盾的假设，是为你的研究领域贡献原创知识的有效途径。
梳理文献以寻找盲点
要将现有数据与新想法关联起来，你必须确切了解哪些内容已被证实，以及当前知识的边界在哪里。这需要深入挖掘现有研究以寻找缺失的环节。如果你在手动梳理这些关联时感到吃力，WisPaper 的 Idea Discovery 功能利用代理人工智能（agentic AI）来分析你的文献并自动识别研究空白，从而帮助你更快地生成新颖的假设。
应用跨学科视角
有时候，数据本身并不新颖，但视角却是全新的。尝试将来自完全不同学科的理论框架、分析模型或行为理论应用于你的数据集。例如，将经济学行为模型应用于现有的社会学或心理学数据，可能会揭示出传统学科方法完全忽视的结构性模式。
使用框架结构化你的想法
一旦你将各种线索串联起来形成一个新想法，就需要对其进行合理的结构化。使用 FINER 框架（Feasible 可行性、Interesting 趣味性、Novel 新颖性、Ethical 伦理性和 Relevant 相关性）来评估你的构思。这能确保你新构建的假设不仅独具匠心，而且在你计划使用的现有数据集的特定约束和限制条件下，具备实际的可检验性。