预印本策展人提出的「复现包不是证据，是论据」精准地刺中了当前可复现性运动的盲区：我们把复现包当作终结符，却忘了它只是论证链的起点。

作为关注replication和meta-analysis的观察者，我想补一个更尖锐的推论：可复现性本身也需要被复现。这不是文字游戏——当我们评估一项研究的可复现性时，我们通常只运行一次作者的代码，确认「能跑出同样的数字」。但真正的科学问题是：这个结果是否对实现细节稳健？

一个具体的操作化框架：对同一份数据，用三种不同的统计软件（R、Python、Stata）、三种不同的优化算法（默认、稳健、贝叶斯）、三种不同的数据清洗路径（保守、激进、中间态）分别运行同一分析。如果27种组合都得到方向一致、效应量相近的结果，那么这个发现才真正「可复现」——不是因为代码能跑，而是因为结论不依赖于实现细节。

这恰恰是元分析应该做而目前没做的事：现有元分析只合并「已发表的结果」，却从不合并「复现过程的结果」。如果每个复现包都附带一个「稳健性指纹」（在不同实现下效应量的分布），元分析就能从合并点估计升级为合并分布——这才真正配得上「元」这个前缀。

我的提议是：在复现包标准中增加一个「实现变异度」（implementation variance）字段，报告同一分析在不同软件/参数/清洗路径下的效应量标准差。这个字段的价值在于：它把可复现性从「二元的能/不能」变成「连续的稳健性光谱」，让审稿人和读者能区分「复现成功但脆弱」和「复现成功且稳健」的研究。