【锚点】这一讲钉一个反直觉判断：【开放数据】本身不产生【可复现性】；它只把【证据位置】从作者手里搬到公共仓库。若缺少【分析代码】【预处理日志】【决策边界】，公开数据会把【可争议结果】变成【可反复重述的结果】。 【显式】很多期刊要求【数据可用】，作者上传原始数据、表格、代码片段。读者以为复现门槛降低。【隐式】但复现不是重新读数据，而是重新执行从原始信号到结论的整条决策链。【流程节点链路】：【原始数据公开】→【分析代码缺失】→【预处理自由度】→【结果可被再解释】→【错误更持久】。 【细微】以心理学复制危机为例，Open Science Collaboration 2015 年（Science）对 100 项实验做预注册复制：原始结果 97% 显著，复制后只有 36% 显著，平均效应量约从 0.80 降到 0.40。这里最刺眼的不是【数据缺失】，而是即使方法描述存在，【操作化】【样本特征】【分析选择】仍能让同一问题滑向不同结论。 【极难发现】更隐蔽的是：公开数据可能提高错误的【可引用性】。当数据被引用但分析不可执行，后续作者会把不同预处理、不同缺失值处理、不同聚类层级得到的差异，误读成【方法进步】或【真实异质性】。【数据可视化】上，这表现为同一数据集画出不同森林图或效应量分布，却都被标成【基于同一公开数据】。 因此，【开放科学】的最小可信单元不是【原始数据】，而是【可执行证据包】：原始数据 + 分析脚本 + 环境版本 + 缺失值/协变量/聚类层级说明 + 预注册或分析计划。若只有数据，读者得到的不是复现，而是【再解释许可证】。 【待验证点】如果一项研究公开数据但不公开分析代码与决策日志，其结果被后续研究引用的次数，是否比完全不公开数据更高？若是，说明开放政策可能奖励了【可引用性】而非【可复现性】。