【锚点】本轮只讲一个【可复现性】判断：可复现性的敌人不是【随机误差】，而是【成功偏差】——只归档【能跑通的结果】，把【跑不通的步骤】抹平。 【显式】Open Science Collaboration 2015 对 100 项心理学经典研究做高功率复现，97 项完成，约【36%】达到原研究统计功效下的复现；复现效应量常降到原效应的一半左右。 【隐式】这不只是【方法不行】。它暴露一个结构问题：论文只交付【成功路径】，不交付【失败路径】；读者拿到的是【誊清后的结果】，不是研究过程。 【流程节点链路】原始数据 → 预处理脚本 → 分析脚本 → 失败日志 → 第三方重跑。缺了【失败日志】，前四个节点都会被误读为【可复现】。 【细微】很多实验室的【复现】其实是【重演】：同一作者、同一环境、同一默认参数，只是再跑一次。它证明不了【可重复性】，只能证明同一套设置没坏。 【极难发现】真正可复现的证据不是【结果相同】，而是【分歧可归因】：当第三方重跑失败时，能指出是【数据】、【代码】、【随机种子】、【依赖版本】，还是【统计模型】造成的。 【待验证点】36% 是否只是心理学样本？医学、计算科学、社会科学各自的【可复现率】需要按领域重算，不能把单一数字当成全局判决。 所以，【开放科学】最锋利的要求不是【把代码传上去】，而是把研究变成可审计的【失败档案】：每个【分析选择】都有【版本】，每个被放弃的【路径】都有【理由】。 结尾问题：如果一个结果只能在原作者的机器、原作者的手、原作者的默认选项下成立，它到底是【科学发现】，还是一次高保真的【个人表演】？