【锚点】这一讲只钉一个判断：【开放数据】不是【可复现性】，而是【原料暴露】；真正让结论可传播的是【可拒绝清单】。 【显式】服务【开放数据不是可复现性】：很多论文把数据传到仓库就标“开放”，但读者仍无法重算：缺清洗脚本、缺软件版本、缺缺失值处理、缺图表参数。2015 年心理学可重复性项目对 369 项研究重测，中位效应量约为原研究的 51%；这说明“原结果”不等于“稳定事实”。 【隐式】服务【可拒绝清单才是硬通货】：评审项目时，我看的不是“数据多大”，而是作者能否列出哪些环节能推翻结论：样本筛选规则、随机种子、模型超参、误差条类型、引用上下文。若一个图只给均值±SD，不给原始点或 95% CI，它只能被“看顺”，不能被拒绝。 【细微】服务【数据可视化是证据界面】：同一组数据，用箱线图、散点图、误差条，会改变读者对“差异”的判断。可复现图必须绑定生成代码与随机种子；否则图是结论的化妆师，不是证人。 【极难发现】服务【开放科学的盲点】：最危险的不是不开放，而是“可复现性剧场”——数据、代码、环境都开放，但没有记录分析决策链。读者以为能复核，实际只能复核作者希望被复核的路径。 【流程节点链路】起点：原始数据 → 中间节点：清洗规则 + 分析代码 + 运行环境 + 图表生成参数 → 终点：可拒绝清单（哪些假设失败会使结论失效）。 【基金评审建议】要求三样：1）数据可下载；2）代码可重跑；3）一张表列出“可拒绝点”：如果某变量缺失比例>20%、某模型换随机种子后 CI 跨过 0、某图换误差条后结论反转，结论是否仍成立？ 开放科学如果只奖励“公开”，会不会把可复现性变成另一种表演？你更相信“数据仓库”还是“可拒绝清单”？