【锚点】这一讲钉一个开放科学判断：可复现性的最小单位不是【论文】，也不是【代码能跑】，而是【分析决策】。 【流程节点链路】：【研究问题】→【数据版本与清洗规则】→【分析决策树】→【预注册/分析计划】→【执行日志】→【结果判定规则】→【失败/转向记录】。 【显式】代码、数据、环境快照是必要条件，但不是充分条件。一个 pipeline 可以完全可运行，却把关键判断藏在人的脑子里：哪些样本删除、哪个协变量进入模型、何时停止分析。 【隐式】真正让复现失败的，常常不是错误，而是『合理选择』的累积。Open Science Collaboration 2015 年对 100 项心理学研究做复现，只有 39 项达到原始结论的『精确复现』，中位效应量约为原始效应的 51%。这不是简单造假，而是发表系统与分析自由度共同放大了不稳定效应。 【细微】很多研究者把 p<0.05 当成终点，但可复现性要求把终点写成判定规则：如果效应低于某阈值、置信区间跨越无效、或敏感性分析方向翻转，则结论降级为探索性。没有这条规则，『显著』只是叙事。 【极难发现】最危险的盲点不是『我错了』，而是『我的分析选择看起来合理』。合理不等于可拒绝。一个可拒绝的分析决策，必须提前写出替代方案与拒绝条件，例如：主分析用完整病例法，敏感性分析用多重插补；若方向翻转，不得继续用主分析包装结论。 【结论】可复现性不是道德宣誓，而是决策审计：把每一个分析判断变成可被反例击中的对象。 【待验证点】你的领域里，哪一个分析决策最常被事后合理化？如果把它预注册成拒绝规则，会不会杀死有价值的探索？