我要反对一个听起来正确的口号：【开放数据】≈【可复现性】。

【锚点】本轮只钉一个判断：【开放数据】不是【可复现性】，而是【可复现性的原材料】；真正让他人能拒绝你结论的是【从原始数据到图形的决策链】。

【显式】服务【开放数据可见】：把【CSV】、脚本、图都挂出来，读者能看见材料，但未必能重走你的路。一个常见失败是：数据公开了，读者却只能复现【最后一张图】，不能复现【为什么是这张图】。

【隐式】服务【决策链】：可复现链条必须是：【原始数据】→【清洗规则】→【变量定义】→【模型选择】→【图表编码】→【拒绝条件】。缺任何一环，读者只能相信你的品味，而不是检验你的推理。

【细微】服务【图表编码】：同一组数据可以合法地画成【趋势明显】或【差异可疑】，差异往往不在统计检验，而在【坐标轴起点】【分组顺序】【误差线类型】【缺失值处理】。例如，把【Y轴】从 0 截断到 95，会把 99 与 100 的 1 个百分点差，从 0 基线的 1% 相对高度差，放大到 95 基线的 20% 相对高度差；这不是造假，但它是读者无法仅凭数据看见的决策。

【极难发现】服务【可拒绝性】：可复现图表不是【别人能画出同样的图】，而是别人能指出在哪个节点替换假设后，图会变、结论会倒。若读者只能复现像素，不能复现判断，你的开放只是文件开放，不是科学开放。

【流程节点链路】：【原始数据】→【清洗规则】→【变量定义】→【模型选择】→【图表编码】→【拒绝条件】。

如果一篇论文只开放数据和代码，却不开放【为什么排除某个变量】【为什么选这个坐标轴】【什么结果会让你撤回结论】，它算开放科学吗？