csj-experiments

npx skills add brycewang-stanford/Awesome-Journal-Skills --skill csj-experiments --agent claude-code

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

# 《计算机科学》实验设计与呈现 本技能帮你把实验章节搭到能经受《计算机科学》(Computer Science, 简称 JSJKX) 单盲外审的强度。本刊覆盖计算机 全学科，不同栏目(人工智能、计算机网络、信息安全、数据库、体系结构等)有各自的证据惯例，但共同要求是： **结论由公平、可复现、有统计意义的实验支撑**，且实验与摘要中的量化结论一致。 > 提醒：本刊 Computer Science 是**期刊(journal)**，非会议；实验章节须与复现包、参考文献相互印证。 ## 一、以研究问题(RQ)驱动 先写清 2~4 个 RQ，每个 RQ 对应一组实验与一张主表/主图： - RQ1 有效性：方法是否优于代表性基线？ - RQ2 组件贡献：各模块/机制各贡献多少（消融）？ - RQ3 鲁棒性/敏感性：对超参、规模、噪声、分布变化是否稳定？ - RQ4（视方向）效率/开销：时间、内存、通信/能耗代价如何？ 实验章节按 RQ 组织，读者能一眼对应"问题—证据"。 ## 二、基线：公平且有代表性 - 选取**代表性 + 最新**基线，覆盖你在相关工作点名的主要路线；基线须与 `csj-related-work` 一一对应。 - **公平**：同数据、同划分、同评价、同调参预算；复现他人方法时说明来源（原码/复现）与超参。 - 避免"稻草人基线"（弱化对手）与"樱桃采摘"（只报有利设置）。 ## 三、数据集与协议 - 说明数据来源、规模、划分（训练/验证/测试）、预处理；公开数据给引用与获取方式。 - 固定随机种子与库版本；报告运行次数（如 5 次）与均值±方差。 - 严防**数据泄漏**：调参只用验证集，测试集仅最终评估一次。 ## 四、评价指标（按栏目） | 方向 | 常见指标（示例） | |---|---| | 人工智能/机器学习 | Accuracy、F1、AUC、NDCG@k、Recall@k、BLEU/ROUGE 等 | | 信息安全 | 检测率、误报率、ROC/AUC、开销 | | 计算机网络 | 吞吐、时延、丢包、公平性 | | 数据库/大数据 | 查询时延、吞吐(QPS)、扩展性 | | 体系结构/系统 | 加速比、能耗、利用率 | 指标须与问题匹配，主指标突出，辅指标补充；避免只报单一有利指标。 ## 五、统计严谨 - 报告**均值±标准差**与运行次数；比较关键结论时给**显著性检验**（如配对 t 检验、Wilcoxon）与 p 值或置信区间。 - 大表加粗最优、标注次优；差异不显著时如实说明，不夸大。 ## 六、消融与敏感性 - **消融**：逐个去掉/替换关键组件，量化其贡献，支撑"每个模块都必要"。 - **敏感性**：主要超参、数据规模、噪声/分布变化下的表现曲线，体现鲁棒性与适用边界。 ## 七、图表呈现 - 主结果用表(