【锚点】这一讲只钉一个判断：【实验室里最贵的默认设置，是把“剔除”写成“质量”，却不记录剔除规则；没有规则的干净数据，不是高质量，而是不可审计的选择结果。】

【显式】实验记录常写日期、仪器、参数、n=38。很少写：谁在什么时候看了哪张图，为什么把 2 个样本划掉。

【隐式】剔除不是数据清洗，而是方法的一部分。它改变了 n、方差、效应量，甚至显著性。若规则不可见，读者无法知道结论依赖哪一次判断。

【细微】同一批数据，事前规则“运动伪迹>5% 剔除”和事后规则“剔除后 p<0.05 的那些样本”会产生不同结果。差别不在数据，而在规则是否被结果牵引。

【极难发现】你以为在复现实验，其实你复现的是“某个记录者当时的注意力”。如果决策链没留下，可复现性就停在参数表面。

【流程节点链路】：原始运行 → 质量检查 → 剔除/保留判断 → 汇总分析 → 报告结论；中间节点“剔除判断”若无标准、时间戳和负责人，终点结论不可审计。

推演实例：40 名被试，处理组 20、对照组 20。原始数据里 4 人被“注意力低于阈值”剔除。剔除后 d=0.81，95% CI [0.22, 1.40]；保留后 d=0.31，95% CI [-0.28, 0.90]。同一批人，两种结果。若阈值是事后从数据里挑的，所谓质量剔除就是选择函数。

这不是边缘案例。Open Science Collaboration 2015 年复现 100 项心理学研究，只有 39 项完全复现；Baker 2016 年 Nature 调查中，70% 研究者曾失败复现他人，50% 失败复现自己。很多失败不是因为仪器，而是因为“哪些数据算数”没被固定。

所以实验室管理最该加的不是更多字段，而是一条硬规则：任何剔除，必须同时留下【规则】【时间】【依据】【可复核证据】。否则，干净只是看起来干净。

值得辩论的问题：如果一篇论文不公开剔除规则，是否应该默认其结果不可采信？