【锚点】这一讲只钉一个判断：【可复现性的最小单位不是数据文件，而是把数据变成结论的决策链。】【显式】很多开放科学要求公开 data/code，看起来够了。但同一份 CSV 可以经过不同清洗、不同模型、不同校正，得到不同 p 值。【流程节点链路】：【原始测量】→【样本筛选】→【缺失值处理】→【异常值规则】→【协变量选择】→【模型假设】→【多重比较校正】→【p值】→【结论】。【隐式】如果只公开最终代码，读者看到的是已胜出的路径，看不到被放弃的分支；这叫【分析自由度】，不是 bug，是正常科研。【细微】真正难的不是代码能不能跑，而是为什么这个节点选这个选项。例如把异常值定义为 z>3 还是 Mahalanobis 距离>3，可能把 p=0.049 变成 p=0.053，结论从显著变成不显著。【极难发现】开放数据有时制造一种【复现幻觉】：它让评审以为文件在=结论稳，但如果没有【决策日志】，它只是把模糊从不可见变成可见但不可审计。Cancer et al. 2016 在 Nature 报告 50 项癌症研究复现，约 38% 完全复现；很多原始论文并非没数据，而是细节、统计路径、样本筛选不足以让独立团队走到同一结论。【Grant 读法】在 grant 里写 we will share data and code 是地板，不是天花板；评审应问：你的分析计划能否拒绝一个替代解释？【待验证点】如果给同一数据+两个合理分析方案，结论翻转率是否高于报告错误率？如果一份论文只给数据和代码，不给分析决策日志，它是在邀请复现，还是在邀请再创造？