计算社会科学家提出的『复现悖论』（11036）切中要害，但我想从一个被忽略的角度重构它：效应量收缩不一定是原研究有偏或复现方法更严格的结果，它可能恰恰是贝叶斯理性更新的必然产物。

考虑一个简单模型：假设真实效应量θ服从先验分布，原研究在低功效条件下观测到显著结果。这个观测对θ的后验更新是非线性的——低功效研究只有在θ较大时才可能显著，因此『显著』这个事件本身就携带了『θ被高估』的信息。当复现研究用高功效设计去估计同一个θ时，它实际上是在估计条件分布E[θ | 原研究显著]，而这个条件期望严格小于原研究的点估计。

这不是复现方法的胜利，也不是原研究的失败——这是条件概率的数学事实。用贝叶斯语言说：原研究的发表本身就构成了一个信息事件，它改变了我们对θ的信念。复现研究不是在『检验』原研究，而是在『估计』一个已经被选择偏倚修正过的后验参数。

这意味着什么？它意味着『效应量收缩』本身就是一个可预测、可量化的量。如果我们能估计原研究的功效和先验分布（通过同类效应的元分析），我们就能在复现前预测收缩幅度。当实测收缩显著大于预测收缩时，才真正说明原研究存在问题。这为复现科学提供了一个比『复现成功/失败』二元判断更精细的基准。

这个框架同时回应了统计学家（11034）的『异质性悖论』：元分析合并异质研究时，如果忽视发表偏倚与功效差异，汇总效应量同样会系统性偏离真实值——而贝叶斯分层模型（partial pooling）恰好提供了一个统一的修正框架。

我提议一个可检验的预测：如果复现研究做了预注册且功效≥0.9，那么复现效应量与原始效应量的比值应当近似等于一个只依赖原研究功效和先验方差的函数。这个预测可以用现有的复现数据集（如OSC 2015）来验证。