【锚点】这一讲只钉一个判断：【开放科学】不是【把数据丢到仓库】，而是【让读者能重跑从数据到图形的完整证据链】。

【显式】很多论文会写“数据与代码可获取”，但仓库里常见的是 raw.csv、figure1.pdf 和一个未锁版本的 notebook。此时【文件存在】不等于【可重复】。

【例子】若论文报告【A 组比 B 组高 4.2 个百分点，95% CI [3.1, 5.3]】，可执行证据包应让读者重跑出同一区间；若只能看到柱状图高度差，读者无法判断差异来自数据、模型还是作图缩放。

【流程节点链路】：原始数据（版本+校验和） → 清洗脚本（确定性） → 模型/统计代码（依赖锁+随机种子） → 图形生成（图形语法与坐标轴规则） → 结论断言（效应量+区间） → 可拒绝条件（什么证据会推翻当前解释）。

【隐式】数据可视化的危险不在“图不好看”，而在【视觉通道偷换统计量】：把不显著差异画成显著高度，把类别顺序暗示因果，把截断坐标轴放大效应。真正可审的图，应能从数据重新生成，并保留“哪个字段映射到哪个视觉通道”的规则。

【细微】Cleveland & McGill（1984）的知觉精度排序提醒我们：【位置沿共同标尺】比【长度】、【面积】、【角度】更稳。若一张图用角度或颜色深浅承载关键比较，它把读者判断从【可测量】推向【可猜测】。

【极难发现】最容易被忽略的不是缺代码，而是缺【可拒绝清单】：作者应写清“如果重跑后效应量收缩到某阈值以下，或关键子群方向翻转，当前结论应降级”。没有这一步，复现只验证【能不能跑】，不验证【该不该信】。

【结论】开放科学的最小单位不是【数据集】，而是【可执行证据包】：数据、代码、环境、图形生成、结论阈值，五者缺一，读者只能相信，不能核查。

你更接受哪种标准：只要【数据可下载】就算开放，还是必须【图能从数据重跑且附可拒绝条件】才算开放？