科学方法是所有严谨的科学研究的支柱。科学方法是帮助推进科学研究进展、加深对科学知识理解的一系列技巧和原理，从古希腊哲学家一直到今天的科学家，无人不在为科学方法做着多多少少的贡献，来发展并修饰科学方法。虽然对于科学方法的应用有不少争议和反对意见，其基础步骤都很容易理解。科学方法不仅对科学研究是无价之宝，对解决我们生活中的问题也是极其有用的工具。
步骤
1:观察。好奇心是知识的源泉。观察的过程有时候被称为“问题定义的过程”，这个过程是很简单的。你可能会观察到一些不能用现有知识解释的现象，或者看到能用现有理论解释的现象，但是你觉得有另一种解释。因此你的脑海里会产生一个问题，来寻求该现象的解释：这种现象，到底是怎么产生的呢？
2:调查和问题相关的现有知识。假设你发现汽车开不动了，你就可以问：为什么开不了了？或许你对汽车有点了解，你就可以进一步了解解决问题的办法。你也可以查说明书，或在网上找相关问题的答案。如果你是个科学家，想要探明奇特现象的原理，你可以翻翻科学杂志，上面会有一些其他科学家完成的研究报告。尽量多读一些和问题相关的读物，因为很可能你所不了解的，别人已经回答好了。你也可能能找到帮助你构建假说的资料。
3:构建假说。假说是对现象的疑似解释。但是假说比猜想要更进一步，因为假说是根据现有知识，透彻了解相关现象的过程，假说实际上是个知识含量高的猜想。你的假说需要假定一个因果关系，比如“我的车开不动，是因为汽油没了。”你需要提出一种能解释现象的可能原因，然后可以通过验证假设来做出更远的预测。你可以给车加油，试试“没油了”的假设是否成立。如果成立，你也可以假设加了油以后，汽车就可以发动。以描述事实形式的口吻，说出假设，是真正类于假说的形式。如果有一些还是说不懂，就用“如果”、“则”的说法：如果我开不了车，则是因为汽油没了。
4:验证假说。设计个实验，看看是否验证或驳斥假说。实验需要分离现象和可能原因。还击话说，你需要设计“可控”实验。回到我们的汽车问题，我们可以通过加油，来验证假说是否成立，但是如果给汽车加油，同时改变燃料过滤器，我们就不知道是油不够的问题，还是燃料过滤器的问题。更复杂的问题中，可能有成千上百的疑似原因，在一次实验中几乎是不能完全分离开来的。
记录要做好。实验需要可重复性，即做一次实验之后，别人也可以按照你的同样流程来做，并得到一样的结论。因此做好实验中所有事项的记录是极为重要的。保存所有数据也是至关重要的。今天已经有一些档案室收集科学实验中的原始数据资料。如果其他科学家需要了解你的实验，他们可以联系档案室，问你要你的实验数据。提供给他们所有实验细节，是非常重要的。
5:分析结果，得出结论。假说的验证就是收集数据，从数据验证或反驳假说内容的过程。如果汽车在加油以后开动了，则分析过程特别简单——你的假说被验证了。不过如果碰上更复杂的实验，在没有花时间研究数据前，是没有办法验证假说的。另外，无论数据是否能验证假说，你都要查找一下其他变量，即所谓的“潜在变量”、“外生变量”等等。这些变量可能会影响实验的结果。假设加油了以后，汽车开动了，但是同时气候变化了，温度升高了，原来是零度以下的温度，现在零度以上了。那你是否能确定，汽车能启动，不是由于汽油解冻造成的呢？你可能会发现自己的测试结果还不能得出结论。也许汽车在加油以后开了几秒钟，之后又抛锚了。
6:报告发现。科学家一般会在科学杂志或会议论文中报告他们的研究结果。他们不止报告实验结果，还会说明研究方法和假说验证中出现的问题。报告你的发现，可以让别人基于你的研究成果，更上一层楼，得出更大的发现。
7:做进一步的测试。如果数据不能验证假说的真与假，则需要换一个假说来证明。而这个方法的好处是，之前的研究已经提供了一些很有价值的研究信息，可以让你做出新的假设。即使验证了一个假设，还需要更进一步的研究，来确保研究具有可复制性，而不是偶尔出现的结果。这个研究一般是其他科学家进行的，但是你也可以亲自做深一步的验证。
小提示
测试假说的方法有很多，不仅仅限于一种。假说验证可以以双盲研究、统计数据的收集或其他方法的形式来进行。不过这些方法的共通点是所有方法都要收集可用来验证假说的数据或信息。
注意，你不能对一个假说“证明为真”或“证明为假”，只能说确认一种情况符合或不符合假说。如果问题是你的车为什么不能发动，要验证假说“没油了”，则证明和确认是差不多的（因为这个假说很简单很局限）。不过更复杂的问题下（有多个可能的解释），则一两个实验是不能证明假说是否为真的。
理解相关关系和因果关系的区别。如果你确认假说符合一种情况，则找到一种相关关系（一种变量对应另一种变量），如果别人也找到符合假说的情况，则相关关系更强了。不过相关关系不代表因果关系。实际上你要用所有的这些方法，来精确地验证假说。
警告
要小心外生变量。即便是最简单的实验中，环境因素也可以对结果造成多多少少的影响。
一定要让数据说话。科学家总要避免让偏见、错误和自我意识误导数据结果。一定要确保你的实验报告做得真实详细。
