在问卷调查、医学研究、教育实验和社会科学实证研究中，样本往往是连接研究问题与结论的重要基础。许多本科生和硕士研究生在设计研究时，会直接询问“做毕业论文需要多少份问卷”“三百个样本够不够进行回归分析”，或者认为样本数量越多，论文质量就越高。这些问题都需要放回具体研究情境中判断。样本量虽然重要，但如果研究对象选择不合理、样本来源存在系统偏差，或者关键变量测量质量不足，即使获得大量数据，也不能自动产生可信结论。抽样设计的首要任务不是追求一个好看的样本数量，而是明确希望研究哪一类对象，以及通过什么方式从这些对象中获得能够支持研究目标的证据。
抽样之前首先应区分目标总体、可接触总体和实际样本。目标总体是研究者希望解释或推断的对象范围，例如某地区全部本科生、某类医院收治的特定疾病患者，或者某行业中符合条件的企业。可接触总体则受到学校、医院、企业合作和数据权限等实际因素限制，而实际样本是最终成功获得资料的对象集合。例如研究者希望了解全国研究生使用科研工具的行为，却只能通过所在学校和几个朋友群体招募参与者，此时实际样本并不能直接代表全国研究生。研究者需要在方法章节准确说明招募渠道和限制，并避免把样本特征推广到没有得到充分覆盖的人群。对于在职医生，样本总体的界定还需要考虑医院诊疗范围、患者转诊模式和疾病严重程度等因素。
常见的概率抽样方法包括简单随机抽样、分层抽样、整群抽样等，不同方法具有不同的实施条件。简单随机抽样要求能够建立合适的抽样框，并通过随机程序选择对象；分层抽样适合希望确保重要人群类别得到合理覆盖的研究；整群抽样则可能用于以班级、学校或机构为单位开展的调查。不过，研究者必须理解各种抽样方式可能对估计精度和分析产生的影响。通过微信群随机转发问卷，并不等同于概率随机抽样；按个人方便选择几个班级，也不能仅因为覆盖了不同年级就自动获得总体代表性。研究者可以在现实条件下采用便利抽样、目的抽样或其他非概率方法，但必须说明选择逻辑，明确由此产生的推断限制。
样本量的确定需要结合研究目的、结果变量、统计方法及预期不确定性进行综合评估。对于估计某种比例的调查，样本量可能受到预期比例、允许误差、置信水平和抽样设计等因素影响；对于比较两组差异的研究，则需要考虑预期效应大小、变异程度、显著性水平和统计效能；对于回归模型，还需要考虑参数数量、事件发生情况和模型稳定性。不能以“某篇论文用了三百人，所以我的研究也用三百人”作为充分依据。尤其在医学预测模型研究中，简单套用某种固定的每变量事件数规则，未必能够满足具体建模需求。合理的样本量论证，应当明确其假设来源，并根据研究类型使用适合的方法或专业工具。
样本量不足可能造成估计不稳定和检验效能不足，但过大的样本也并非没有问题。研究者如果进行大量重复比较，即使非常微小的差异也可能表现为统计显著，而这种差异未必具有实际价值。研究需要结合效应估计和置信区间判断结果意义。此外，样本量增加不能自动纠正选择偏差。例如某项网络调查主要吸引对研究主题具有强烈兴趣的参与者，即使回收数万份问卷，也可能无法准确反映一般人群的态度。对于临床观察性研究，大量单中心病例记录仍可能受到特殊诊疗流程和患者转诊结构的影响。因此，研究者应同时关注样本数量、样本形成过程和结论的适用边界。
质性研究中的样本设计与传统定量抽样具有不同目标。深度访谈、案例研究和某些质性分析通常更加重视资料的信息丰富程度、对象经历的差异性以及材料是否足以支持研究解释，而不是追求统计意义上的总体代表性。例如研究跨专业硕士生的科研适应，可以有目的地选择不同学科背景、研究阶段和课题组经历的参与者，以便观察经验上的异同。某些质性研究会讨论资料饱和，但具体判断应结合方法论传统和研究范围，不能简单规定所有访谈研究达到某个固定人数就一定充分。研究者还需要说明为何选择这些对象、何时停止招募，以及是否存在没有得到充分覆盖的重要经验。
样本选择过程中还应关注参与者退出、数据缺失和最终分析样本与原始招募样本之间的差异。例如一项纵向研究在三个时间点进行调查，如果后期退出的参与者主要集中在压力较大的群体，最终完成全部调查的人可能具有系统性的不同特征。此时仅对完整样本进行分析，可能产生偏差。在回顾性临床研究中，如果研究者因为部分患者缺少检测项目而将其全部排除，也需要考虑这些患者为什么没有接受检测，是否与病情严重程度或医生决策有关。研究报告应如实说明参与者或病例的筛选流程、排除原因和缺失情况，并根据研究设计选择合适处理方式。不能仅为了让模型得到理想结果而临时删除部分记录。
科研抽样的最终评价标准，不是样本数量是否达到某个流行标准，而是样本能否在合理限制下支持研究问题。研究者在开题阶段应明确目标总体、抽样或招募方式、样本量依据、潜在偏差以及无法完成计划时的应对方案。对于本科生，一个范围较小但定义清楚的样本，通常比未经设计的大规模便利调查更有训练价值；对于硕士生，应进一步关注样本与模型之间的关系；对于博士生，需要评估设计效应、外部适用性及重要敏感性分析；对于在职医生，还必须考虑患者安全、数据权限和实际临床人群差异。科学抽样并不保证研究没有任何偏差，但能够使样本形成过程透明，让结论与证据之间的关系更加可信。