cjc-reproducibility

npx skills add brycewang-stanford/Awesome-Journal-Skills --skill cjc-reproducibility --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

# 《计算机学报》可复现性与实验可重复 《计算机学报》(Chinese Journal of Computers, CJC) 是 CCF A 类综合性中文月刊，以原创长文为主， 外审专家会实质性追问"这些结果换个人、换台机器能不能复现"。可复现性不是投稿时才补的装饰，而是从 **实验设计与数据采集之时**就要固化的工程纪律：环境、种子、数据、脚本、版本一旦当时没记，事后无法 重建。本技能给出面向 CJC 长文的可复现性做法，与 `cjc-experiments`（实验设计）、 `cjc-artifact-evaluation`（制品托管）配套使用。事实核验日期 2026-07-09，未确认的本刊具体要求标 **待核实**。 ## 一、可复现性的三个层次 | 层次 | 含义 | 达标标志 | |---|---|---| | 可重复 (repeatable) | 同一团队同一环境重跑得到一致结果 | 固定种子/环境后多次运行结果稳定 | | 可复现 (reproducible) | 他人用你的代码与数据得到一致结果 | 一键脚本产出对上论文表图 | | 可复制 (replicable) | 他人独立实现得到一致结论 | 方法与设置描述足够完整、无隐含技巧 | CJC 长文至少要做到"可复现"，并让方法描述完整到支持"可复制"。 ## 二、实验环境与依赖固定 - 记录并公开：操作系统、硬件（CPU/GPU 型号与显存）、语言与框架版本、关键库的**精确版本号**。 - 优先提供**环境文件**（如 requirements/lock 文件、conda 环境、Dockerfile），避免"我这能跑"。 - 长时训练/大规模实验注明**算力与耗时**，让复现者对成本有预期。 ## 三、随机性与统计稳定性 - 固定并公开**随机种子**；对随机性敏感的结论，报告**多次运行的均值±标准差**而非单次最好值。 - 涉及比较的关键结论，做**显著性检验**并说明检验方法与样本；避免用单点数字夸大优势。 - 数据划分（训练/验证/测试）固定并公开，禁止用测试集调参。 ## 四、数据来源与预处理可追溯 - 自采数据：说明采集时间、范围、清洗规则、规模；给出可核验的采集脚本或说明。 - 第三方数据：给出出处、版本、访问日期与**许可**；数据挖掘类工作记录仓库快照/SHA 与抓取日期。 - 预处理链路完整可复算：从原始数据到实验输入的每一步都要可脚本化重放。 ## 五、机器学习/数据挖掘的污染防范 - **数据泄漏**：确保特征、标签、时间边界不把未来信息或测试信息泄入训练。 - **评测污染**：使用大模型或公开预训练资源时，警惕评测集可能已被模型见过，必要时做污染分析或 更换/构造独立评测集。 - **缓存中间产物**：把大模型输出、昂贵中间结果缓存下来，复现时不必重新联网采