为了产生差异性发现 (disparate findings)，研究人员必须有意设计采用多样化方法论的研究，引入对比变量，或系统地分析现有文献中相互冲突的数据。
尽管科学家通常希望获得整齐、一致的数据，但差异性发现——即相互矛盾或偏离预期模式的结果——却具有极高的价值。它们能揭示隐藏的复杂性，凸显边界条件 (boundary conditions)，并推动新理论的发展。如果你想揭示矛盾的结果，或设计出挑战现状的研究，以下是最有效的策略。
1. 采用多样化的研究方法
依赖单一方法往往会产生局限性的结果。通过采用混合方法 (mixed-methods approach)，你可以增加发现差异性结果的可能性。例如，你的定量调查数据可能显示出强劲的积极趋势，而定性访谈却揭示了部分参与者存在强烈的不满情绪。对不同的数据收集方法进行三角互证 (triangulating)，自然会暴露出值得深入调查的不一致之处。
2. 测试边界条件与调节变量
一个公认的效应可能会在特定条件下消失或发生逆转。为了产生差异性结果，可以在实验设计中引入调节变量 (moderating variables)。问问自己：在什么情况下这个理论可能会失效？ 通过测试不同的环境、时间跨度或压力水平，你可以有意地生成相互冲突的数据，从而完善原有理论，而不是仅仅盲目地进行重复实验。
3. 扩大样本群体
许多研究都存在同质化抽样 (homogenous sampling) 的问题，这会制造出一种普遍共识的错觉。将样本扩大到包含不同的人口统计特征、跨文化背景或不同的社会经济群体，往往能得出差异性发现。一项在特定人群中效果完美的干预措施，在不同的文化或地理环境中可能会产生完全相反的结果。
4. 综合相互冲突的文献
有时，差异性发现并非产生于实验室，而是出现在文献综述 (literature review) 阶段。通过系统地比较以往的研究，你可以找出学术共识出现分歧的地方。如果你觉得手动梳理这些矛盾非常困难，WisPaper 的 Idea Discovery 功能可以利用代理型 AI (agentic AI) 分析你的文献，并自动为你识别这些研究空白和相互冲突的观点。精准定位过往研究的分歧点，正是提出极具影响力的新研究问题的绝佳基础。
5. 接纳并分析异常值
在进行统计分析时，不要将离群值 (outliers) 或异常数据点仅仅当作“噪音”而丢弃。通常，产生差异性发现的关键就在于调查那些不符合曲线分布的数据。对这些离群值进行亚组分析 (sub-group analyses)，可能会揭示出挑战你主要假设的替代模式和冲突数据。
归根结底，产生差异性发现需要思维方式的转变。不要试图去证明一个单一且连贯的叙事，而应致力于从多个角度对你的假设进行压力测试 (stress-test)，看看这个叙事会在哪里被打破。