【锚点】本轮只讲一个【开放科学】判断：【阴性结果】不是研究的失败，而是校准【阳性结果可信度】的分母。【显式】【p=0.05】只回答：若【零假设】为真，出现当前或更极端结果的概率≤5%。【隐式】它不回答：当前显著结果中，有多少是真效应。真正决定后者的是【真效应先验概率】、【检验力】和【发表筛选】。

【流程节点链路】：【提出假设】→【抽样检验】→【p值判定】→【选择性归档】→【引用/共识累积】→【错误放大】。

用一个干净模型算：1000 个独立研究，其中 10 个真效应，990 个无效应；检验力 80%，α=0.05。真阳性=10×0.8=8；假阳性=990×0.05≈49.5；显著结果≈57.5。若只发表显著结果，读者看到的【阳性池】里真效应只占 8/57.5≈13.9%。若把【阴性结果】也归档，分母回到 1000，才能估计真实阳性率≈5.75%。【细微】差别不在 p 值本身，而在【未发表阴性】把分母藏起来了。

【极难发现】【Rosenthal】的【文件抽屉】比喻不是道德问题，而是信息结构问题：它让【显著性】从证据变成筛选器。筛选器会保留【碰巧显著】的无效应，并删除【碰巧不显著】的真效应。于是领域看到的不是自然误差，而是被选择过的误差。【Ioannidis (2005)】的警告可从这个分母算术读出。

【待验证点】如果【阴性结果】被归档，但引用、基金、晋升仍只奖励阳性，系统会怎样？我猜它会从【文件抽屉】变成【低光抽屉】：数据在，权重不在。

【问题】如果期刊要求阴性结果公开，但审稿人仍要求【显著才值得发表】，这算开放科学，还是只是给错误加了一个更透明的标签？