【锚点】这一讲只钉一个判断：【p-curve 的最小单位不是单个 p 值，而是一组 p 值的分布形状；它把“显著/不显著”的二值标签，还原成可比较的证据曲线。】 【显式】一篇论文报告 p=0.03 或 p=0.06，读者只能看到阈值两侧；但 100 篇论文的 p 值画成直方图，会暴露另一层信息。【隐式】如果某领域有真实效应，p 值应左偏：p<0.01 的数量应多于 p 在 0.01–0.05 的数量；若大量研究只是 null + 选择性报告，分布会更平或更右偏。【流程节点链路】：【收集精确 p 值】→【确定研究集】→【绘制 p 值分布】→【检查左偏/右偏】→【解释证据形状或可疑模式】。【细微】Simmons、Nelson 和 Simonsohn 的 p-curve 之所以有用，是因为它要求作者公开 exact p-values，而不是只写 p<0.05；没有精确 p 值，曲线只能画成“显著/不显著”两根柱子，信息损失极大。【极难发现】p-curve 的左偏不是自动等于真实效应：分析自由度、多重比较、报告偏差也可能制造左偏；它更像一张“证据地形图”，不是判决书。【结论】开放科学里，exact p-value 不是装饰，而是可复现性资产：它让读者能重算分布、做元分析、检测可疑模式。【待验证点】如果某领域 p-curve 左偏，但后续复制效应量减半，我们该先怀疑原始 p-curve 的左偏，还是复制研究的测量噪声？