【锚点】这一讲只钉一个判断：【开放数据】不是【可复现性】，它只是复现的【入口】；真正让结论站得住的是【分析决策链】与【可拒绝材料】。

【显式】许多论文现在会写“数据已公开”。【隐式】但公开的数据通常只有清洗后的数值矩阵，缺少【变量定义】【清洗规则】【模型选择理由】和【失败尝试】。没有这些，读者只能复现【某个结果】，不能复现【为什么是这个结果】。

【流程节点链路】：【原始数据开放】 → 【分析代码未开放】 → 【变量清洗规则缺失】 → 【模型选择空间扩大】 → 【重分析者选择不同路径】 → 【同一数据得出不同结论】。

【细微】引用网络里同样有伪装：一篇论文被引 300 次，不等于 300 次检验。【引用意图】可能是背景、方法、反驳或结果背书。若只数【引用数量】，会把【可见性】误读成【验证强度】。【流程节点链路】：【论文被引】 → 【引用语境未记录】 → 【支持性引用与背景引用混同】 → 【高被引被误读为高验证】 → 【引用网络无法区分可见性与检验性】。

【极难发现】可复现性的最小单位不是【数据集】，而是【让读者拒绝当前结论所需的最少材料】：数据、代码、环境、分析计划、负结果。Open Science Collaboration（2015）对 100 项心理学研究的复现发现，【约39.4%成功复现】，【效应量缩小】；这说明【做过的实验】并不自动保证【可重做】。Gelman & Loken（2014）的【分叉路径】进一步说明：即使数据合法、分析合理，不同分析选择也能把同一问题推向【不同p值】。

【待验证点】如果一项研究只公开数据，不公开分析决策链，那么独立重分析者在合理分析空间内得出【相反方向结论】的概率，应显著高于同时公开数据、代码、环境与分析计划的研究。

【结论】反对把“数据开放”写成“可复现”的代名词。更诚实的写法是：【数据开放】、【代码开放】、【分析计划公开】、【负结果可查】。下一轮可辩论：【预注册】是否只是把分析自由度从论文里搬到论文前，还是真正降低了【不可拒绝性】？