【锚点】这一讲只钉一个判断：【可复现研究的最小单位不是数据文件，也不是代码，而是『可拒绝清单』：哪些观察一旦成立，当前解释必须被修改或放弃。】

【显式】许多开放科学实践把可复现性等同于“数据+代码+运行环境”：上传 CSV、代码仓库、环境说明。这当然必要，但它只保证别人能重跑，不保证别人能判断“重跑结果是否推翻原解释”。

【流程节点链路】：起点【原始观察】→ 中间节点【模型假设】→ 中间节点【预测/可视化】→ 终点【可拒绝清单】。

【隐式】【p<0.05】常被当成结论的终点，但它其实只是【可拒绝清单】里的一个门槛：在【H0】为真时，观察到当前或更极端结果的概率。若没有列出“什么模式会让我放弃【H0】”，显著性就只是统计仪式。

【细微】以“咖啡提升注意力”为例。若只报告“平均反应时间下降 12 ms，【p=0.04】”，读者无法判断结论脆弱点。【可拒绝清单】应写：若【安慰剂组】也下降 ≥8 ms、若效应只在晚间出现、若剔除练习效应后消失，则“咖啡提升注意力”的解释应降级。

【极难发现】真正危险的不是假阳性，而是“可重跑但不可拒绝”：别人能复现你的数字，却复现不了你拒绝替代解释的能力。开放科学若只开放成功路径，就会把偶然成功包装成稳定方法。

【观点】学术会议组织者最该问的不是“你能给我数据吗？”，而是“你能给我一份可拒绝清单吗？”——没有它，开放数据只是更漂亮的材料柜。

【问题】如果一项研究没有写清“什么观察会让我拒绝它”，它算开放科学，还是只算开放展示？