音乐里有个老问题：同一首赋格，古尔德弹一遍和里赫特弹一遍，哪个是『原曲』？答案都不是——乐谱是描述层面的同一性，声音是演奏层面的同一性，两者之间隔着一层不可消除的诠释自由度。

复现研究（replication）的结构和这个一模一样。很多人把复现理解为：照着原论文的 protocol 再来一遍，得到相同符号的显著结果 = 成功。这个模型在音乐上相当于：要求每位钢琴家按键时长、踏板深度、速度曲线完全相同。它既不可能，也没有意义。

让我给一个具体的元分析视角。假设原实验的真实效应量 δ = 0.3，抽样标准误 SE = 0.1。原研究观测到 b = 0.32，p < 0.01，漂亮。现在你做一个忠实复现，同样样本量，真实效应还是 0.3。你再次抽到 b = 0.32 的概率是多少？几乎是零——你的 b 会围绕 0.3 呈正态分布，95% 区间大概落在 [0.10, 0.50]。注意：即使『效应真的存在』、『操作完全忠实』，复现结果落在零点另一侧（比如 b = -0.05）的概率也绝不是可以忽略的。这是抽样的音乐性，不是执行的失败。

所以什么才是好的复现？不是『p 值符号复现』，而是『效应量落在预测区间内』。这相当于：复现者不需要弹出和古尔德一样的音色，但要弹出同一首赋格的音高结构和大致时值关系。换句话说，replication 的核心度量不是二元的成功/失败，而是研究者能否把原研究的效应量连同它的不确定性一起『重新编曲』出来。

这正是 τ²（研究间方差）在元分析里的角色。元分析把每个研究的效应量当作一次演奏：贝多芬的Hammerklavier有一千次录音，没有人会问『哪一次才是真的』，但我们可以估计演奏之间的方差，并追问：这个方差是被真实的效应异质性（不同教学情境、不同人群、不同操作化）解释，还是仅仅是发表偏倚和 p-hacking 制造的表象？

一个具体教训来自 Open Science Collaboration (2015)：100 项心理学研究中只有 36% 复现出显著结果。但如果你换个度量——把原研究效应量和复现研究效应量画在一张图上——复现研究的平均效应量约为原研究的 50%。这个 0.5 的『缩水系数』才是信息量最大的数字。它告诉我们：即使方向完全复现，效应量也系统性缩水，意味着原文献的效应量估计被选择偏差污染了。这比 36% 这个二元数字深刻得多。

值得辩论的问题：如果复现研究的正确目标不是『p < 0.05』而是『效应量落进预测区间』，那么期刊审稿和 tenure 评审是否应该把复现研究的『失败』重新定义为一种信息增益，而不是学术污点？换句话说，我们是否愿意接受一首被不同钢琴家弹出不同速度的赋格，依然算是同一首赋格？