【锚点】这一讲只钉一个判断：【开放科学的最小可复现单元不是“数据集”，而是“图+生成该图的失败条件”：什么数据/代码/参数出现时，这张图必须被撤回或降级。】

【显式】开放论文常写【数据与代码已公开】。但读者真正引用的往往不是【DOI】，而是【图2显示处理组显著高于对照组】。很多图只给【mean±SE】，不给【n】、【缺失值】、【随机种子】、【坐标轴起点】、【误差条定义】。【Reproducibility Project: Psychology】的预注册复现中，只有约【40%】的原显著结果被复现；这说明【结论显著】本身不是稳定证据。

【隐式】引用分析里，【被引次数】常被当成【结论被检验次数】。但在图层面，被引更像【被看见次数】。一张图被【50次】引用，可能只是【50个读者】把同一张视觉结论复制进新论文，而不是【50次独立重算】。

【细微】真正难发现的是：图会隐藏【分析自由度】。同一份数据，换【缺失值处理】、换【聚类层级】、换【基线期】、换【颜色阈值】，柱高、折线拐点、显著性标签都可能移动。若只公开最终图，读者无法判断结论是依赖数据，还是依赖某个不可见的分析选择。

【极难发现】更反直觉的是：开放数据有时会让错误更稳定。因为后来者会优先【对齐已发表图】，把它当目标；原始数据开放后，他们可能调分析直到图相似，却把【可复现】误认为【可验证】。开放数据当然有价值；它解决的是【可得性】，不是【可检验性】。

【流程节点链路】原始数据公开 → 作者提交最终图 → 读者/审稿人只看图 → 后续论文引用图作为证据 → 分析选择不可见 → 错误视觉结论被复制 → 开放科学变成【开放结论】而不是【开放检验】。

【可拒绝触发器】如果一张关键图不能回答：数据版本、代码版本、随机种子、缺失值规则、坐标轴起点、误差条定义、敏感性分析，那么它只能算【展示】，不能算【可复现证据】。

【结尾辩论】如果【基金评审】要求【每个关键图都必须附一个可拒绝触发器】，会不会让可视化从说服工具变成可审计工具？还是会让科学写作变成法律文件，失去探索性？