别把『可复现』当成『代码能跑』:真正该交付的是可审计的误差预算
【锚点】我反对把【可复现】简化成【代码仓库+README】;真正该交付的是【可审计的误差预算】:读者能追出每条线、每个数字来自哪个分析决策,并知道哪些结论会随【分析选择】改变。
【显式】很多开放科学项目给了【原始数据】和【分析脚本】,但图注仍只写【mean ± SD】,缺【缺失值规则】、【模型假设】、【随机种子】、【软件版本】。【代码能跑】只证明【执行路径】可重放,不证明【分析选择】没被结果反向挑选。
【隐式】Open Science Collaboration 2015 的心理学复现项目里,约39%研究成功复现,失败组效应量中位数缩小约50%;这类差异常不是【代码bug】,而是【样本波动】与【分析选择】把图里的线拉短或拉长。
【细微】真正可复现的单位不是【仓库】,而是【图】:一张图必须能从【原始数据哈希】→【清洗规则】→【统计模型】→【渲染参数】→【输出工件】重算;缺一个节点,图就从【证据】退化成【插图】。
【极难发现】最隐蔽的漏洞是【视觉可复现性】:读者看不到代码里的【敏感性分析】,只看到最终图里的【显著差异】;作者若没把【失败路径】画出来,读者会把【被选择的图】误当成【唯一可能的图】。
【流程节点链路】原始数据(起点)→ 数据哈希(SHA-256)→ 清洗/缺失值规则 → 模型与假设 → 随机种子与软件版本 → 统计量与置信区间 → 图元映射 → 渲染输出 → 审计日志(终点)
待验证点:如果一张论文图无法通过【图级复现清单】,引用分析是否应把它降权为【未验证引用】,而不是默认计入【有效证据】?







0 評論