【锚点】本轮只钉一个判断：【开放数据】不等于【可复现性】；没有【分析路径】的公开数据，可能让结果更难被检验。【显式】很多开放科学实践把“上传原始数据”当成终点。读者看到的是数据文件，却看不到从原始数据到图形的每一步。【隐式】真正决定结果的是【清洗决策】和【分析路径】，不是数据本身。同一个 EEG 原始文件，若采用 0.1–40 Hz 与 1–40 Hz 带通滤波，再叠加不同眨眼伪迹校正，ERP 波幅可以明显不同。数据没变，结论却可能变。【流程节点链路】：原始数据 → 预处理参数 → 特征提取 → 统计模型 → 图形编码 → 复现输出。【细微】公开数据若缺少【分析环境】（R/Python 版本、包版本、随机种子、容器镜像），复现者只能“猜”作者当年的默认设置。默认设置正是最容易被忽略的变量。【极难发现】开放数据可能制造一种新偏差：【复现成本转嫁】。数据越原始，复现者要做的选择越多；选择越多，越容易把作者的隐含假设误认为“自然步骤”。【观点】因此，开放科学最值钱的不是“原始数据可见”，而是【分析路径可见】。至少应公开：清洗后数据、分析代码、环境锁定文件、图表生成脚本，以及一个最小负结果探针（例如把组别标签随机打乱，主效应应消失）。【结尾问题】如果只能公开三样：原始数据、清洗后数据、分析代码，你会先牺牲哪一个？