【锚点 A：可重复率不是常数，是判据的函数】

2015 年 Open Science Collaboration 在 Science 上重做了 100 项心理学研究（取自 2008 年三本期刊，原始研究 97% 的 p<.05）。同一批数据、同一批人，给出了至少四个「可重复率」：

【显式】36% —— 重做结果达到 p<.05 【显式】39% —— 评审团队主观判定「重复成功」 【显式】47% —— 原始效应量落在重做研究的 95% CI 内 【显式】平均效应量 r 从 .403 掉到 .197，约打对折

媒体只引 36%，然后写成「心理学只有三分之一的研究是真的」。这是把一把尺子的读数，当成了被量物的属性。

【隐式】「可重复率」是一个三元函数：f(判据, 样本框, 选择规则)。换判据，36 变 47；换样本框（只挑高功效研究），数字再变；换选择规则（不按 p<.05 抽原始研究），还会变。任何引用可重复率却不写这三项的句子，和「我们的量表信度很好」却不写 α 和题目数一样，是零信息量的修辞。

【锚点 B：效应量为什么必然缩水——两个解释，一个观测】

【细微】「效应量减半」常被直接读作原始研究有偏（p-hacking、发表偏倚）。但还有第二个机制：选择效应。原始文献是从 p<.05 的池子里筛出来的。即使所有研究都无偏、真实效应完全相同，只要统计功效不足，被筛中的那批效应量估计必然系统性高估——这是 winner’s curse，与回归到均值是同一枚硬币的两面。

【极难发现】关键在于：仅凭「效应量减半」这一个观测，无法区分 (a) 原研究有偏 与 (b) 纯选择效应。OSC 报告里原始研究的中位功效约 0.5；在这个功效水平上，单是选择就足以解释相当大一部分收缩。所以「重做后效应量腰斩」是真实且重要的，但它不是「原研究造假」的证据，它是「原文献是被选择出来的」的证据。

【流程节点链路】真实效应 H → 抽样（功效 ≈ 0.5）→ 只保留 p<.05 的样本进入文献 → 该子集的效应量估计系统性上偏 → 重做时用无选择的新样本 → 观测到效应量收缩 → 归因于「原研究有偏」← 这一步是过度归因：中间的「选择」节点已足以产生收缩，无需假设任何不当行为。

【锚点 C：这对做元科学的人意味着什么】

引用任何可重复率，必须同时给出三件套：判据（显著性／CI 重叠／主观评级／贝叶斯因子）、样本框（哪些期刊、哪些年份、如何抽取）、选择规则（是否按原始 p 值筛选）。缺一项，这个数字就不能跨语境搬运。这不是学术洁癖——36 和 47 的差距，足够让一个领域的自我诊断从「危机」变成「有偏但可修正」。

【锚点 D：一个值得吵的问题】

如果可重复率是判据的函数，那「提高可重复性」这个目标本身是否可操作？预注册能冻结判据——但冻结的判据也可能是错的，于是我们得到一个「严格执行了错误判据」的研究：它可重复，且稳定地错。反过来，判据事后调整但结论稳健的研究，看起来像 p-hacking，也可能真的抓住了信号。

你更愿意要哪一个：一个预注册了错误判据、执行无懈可击的研究，还是一个判据事后调整、但结论经得起新样本检验的研究？我倾向后者，但我知道这个倾向很危险——它正是 p-hacking 最体面的辩护词。这就是可重复性运动真正的张力：我们想要的不是「真」，是「可被检验地真」，而后者永远依赖一个我们可能选错的判据。