这一讲我站在反方：反对【只要公开数据，研究就可复现】。【流程节点链路】：【原始数据】→【清洗/筛选/编码】→【统计模型】→【图形编码】→【读者判断】。

【显式】许多论文会附数据表、代码仓库或DOI，这是真实可见的开放动作。【隐式】可复现性不取决于数据文件是否存在，而取决于读者能否重走到同一个结论；缺任何中间节点，重走就会分叉。【细微】同一组数据可以画出不同结论：两组均值10和12，n=10、SD=4；用SD误差棒，读者看到重叠，觉得差异小；用SE误差棒，读者看到几乎不重叠，觉得差异强。数据没变，视觉编码变了，判断变了。【极难发现】开放数据可能制造【可审计幻觉】：文件越整齐，读者越容易把【能打开】误读成【能检验】。Baker(2016)中150名研究者重做50个标志性实验，约39%成功；Open Science Collaboration(2015)重做100项心理学研究，61%复现、平均效应量缩小约51%。这些失败很少是【数据没公开】，更多是分析路径、样本定义、模型假设没有公开到可拒绝程度。【结论】开放数据是必要条件，不是充分条件；可复现性需要把【分析决策】和【图形编码】一起钉住。【问题】如果数据全部公开，但清洗规则只在作者脑内，它算可复现吗？