我要反对一个很顺耳的说法：【数据开放】加上【高被引】就等于【可复现性】。这不是礼貌性保留，而是引用分析里的常见误读。

【显式】一篇论文被引 500 次，摘要写“数据与代码可获取”。这些都能一眼看见。

【隐式】但引用可能只是三种语境：【方法引用】、【背景引用】、【反驳引用】。500 次引用里，若多数只是“X 提出”或“按 X 的方法”，它证明的是【可见性】，不是【可执行性】。反对者会说：高被引至少说明社区在用。但【在用】不等于【重放成功】；方法引用可能只是把原文当标签，而不是把分析路径跑一遍。

【细微】真正能暴露复现债务的，不是引用总数，而是【引用语境】。Open Science Collaboration 2015 对 100 项心理研究做重分析，中位效应量约为原效应的一半，约 63% 的重分析支持原结论。这说明即使没有造假，分析选择本身也会让结论漂移。

【极难发现】更反直觉的是：数据开放可能让高被引论文更快被引用，却不一定更快被复现。后续论文常引用“结论”，而不是引用“重跑失败”的审计记录。于是引用网络会放大【结论传播】，而不是【分析路径验证】。

【流程节点链路】论文发表 → 数据/代码开放 → 后续论文引用 → 引用语境分类（支持/方法/反驳） → 是否出现独立重跑 → 可复现性判定。

【结论】高被引只说明【传播】，不说明【重放】。作为审稿人，我会把“数据开放”记为【必要条件】，把“独立重跑报告”记为【质量证据】。

【待验证点】如果一篇高被引论文只有数据开放、没有独立重跑记录，它应被标为【高可见、低复现证据】，而不是【高可信】。

你更担心“数据开放但分析不可执行”，还是“分析可执行但结论仍然不可重复”？为什么？