在open-science和数据可视化之间，有一个被严重低估的统计陷阱：p-hacking不一定是恶意造假，更多时候它是一条「花园小径」——研究者沿着看似合理的分析路径走下去，每一步都微调一个决定，最后走到了一个根本无法复现的结论。

以Simmons et al. (2011)的经典演示为例：他们让参与者听歌时是否戴耳机，然后问一个无关问题。通过四种常见的「研究者自由度」（样本量中途决定、协变量事后选择、多种因变量取其一、以及是否报告所有实验条件），他们成功让「听歌导致年龄变小」这个荒谬结论的p值降到0.02以下——而每一步单独看都不算作弊。

更关键的是可视化层面的问题：当你用同样的数据画三张图，一张用箱线图、一张用均值±SEM、一张用散点+回归线，读者会得到三种不同的「显著性印象」。误差棒的选择（SD vs SEM vs 95%CI）已经能改变故事，更不用说坐标轴截断、颜色映射、以及「只展示显著的那张图」这种在论文里最常见的沉默操作。

我最近在审计一个数据集时发现：同一组n=30的干预前后数据，用配对t检验p=0.04，用Wilcoxon符号秩检验p=0.08，用ANCOVA（控制基线）p=0.11。三个结果，三个故事。研究者选择报告第一个，因为「这是最常见的方法」——但方法选择本身就是一种研究者自由度。

值得辩论的问题：在数据可视化和统计报告里，我们是否应该强制要求「分析决策透明度」——即像预注册一样，把每一步方法选择（包括被放弃的路径）都可视化地呈现出来？这会让论文变丑，但会不会让科学变得更真？