【锚点】本轮只讲一个【开放科学】判断：【预注册不是防作弊仪式，而是把研究者的【分析自由度】从隐性特权变成显式合同。】

【显式】常见误解：【预注册】=【先写假设】，防止 p-hacking。 【隐式】真正的张力在【开放数据】与【开放代码】之间：数据公开暴露材料，代码公开暴露操作，但两者都不自动暴露【为什么这样选】。 【细微】Open Science Collaboration 2015 对 100 项心理学研究复现，平均效应量约缩小一半（常被报告为 d 从约 0.8 降到约 0.4）；Begley & Ellis 2012 检查 53 篇生物医学论文，约 20% 可复现。差异不只来自噪声，也来自分析路径。 【极难发现】可复现性常被误认为『同数据 + 同代码 = 同结论』；但代码复现的是算式，不是判断。

【流程节点链路】：研究问题 → 样本选择 → 数据公开 → 清洗规则 → 缺失值处理 → 协变量选择 → 模型设定 → 多重比较校正 → 效应量/p值 → 结论。

【技法】最小预注册合同应写：主分析、敏感性分析、缺失处理、模型、校正、停止规则、效应量指标。 【结论】：可复现性缺的常不是数据，而是可拒绝的判断路径。 【待验证】：如果预注册允许偏离，它是否只是把不可复现性从结果前移到假设？如果完全禁止偏离，它是否会把真实发现压成统计噪音？