csj-reproducibility

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

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

# 《计算机科学》可复现性与实验可重复 本技能帮你把《计算机科学》(Computer Science, 简称 JSJKX) 稿件的实验做到**可复现**。本刊为单盲审稿，虽未见 公开的独立 artifact 徽章评审制度（**待核实**，见 `resources/official-source-map.md`），但可复现性直接影响外审 专家对方法可信度的判断，也为录用后可能的补充材料打基础。目标：他人能从原始数据**一键复现**你的主表/主图。 > 提醒：本刊 Computer Science 是**期刊(journal)**，非会议。 ## 一、可复现的三个层次 1. **可重复(repeatable)**：你自己在同环境能复现同结果（固定种子/版本）。 2. **可复现(reproducible)**：他人用你的代码+数据能得到一致结果。 3. **可推广(replicable)**：他人用独立实现/新数据能得到一致趋势。 外审最看重前两层，第三层加分。 ## 二、固定环境与随机性 - **环境**：给出 `requirements.txt` / `environment.yml` / Dockerfile，锁定语言、库、CUDA/硬件版本。 - **随机种子**：固定所有随机源（框架、numpy、数据加载、shuffle）；报告多次运行的均值±方差。 - **配置**：超参写入 `configs/`，与论文表格一一对应，避免"论文一套、代码另一套"。 ## 三、数据划分与污染防范 - 训练/验证/测试划分脚本随包提供；调参仅用验证集，测试集仅最终评估一次。 - 防**数据泄漏**：特征工程、标准化统计量只在训练集上拟合；时间序列按时间切分。 - 防**污染**：若用预训练模型/外部语料，说明其与测试集是否重叠，评估潜在泄漏。 ## 四、复现包结构 ``` repro/ ├── README.md # 一键复现步骤、预期结果、耗时 ├── env/ # 依赖与 Dockerfile ├── data/ # 数据说明+获取脚本（大数据外链+校验和） ├── src/ # 方法与基线 ├── scripts/ # run_all.sh：数据→主表/主图 ├── configs/ # 超参与种子 └── results/ # 预期输出与日志 ``` `scripts/run_all.sh` 应能在干净环境从原始数据复现论文主结果。 ## 五、数据与模型外链 - 大体量数据/模型用可长期访问的仓库（机构库、Zenodo 等）外链，给**校验和**与访问日期。 - 敏感数据提供合规脱敏子集或申请流程；正文注明获取方式与限制。 ## 六、在论文中报告可复现性 - 实验节说明：硬件、软件版本、种子、运行次数、数据获取方式。 - 提供复现包链接（若单盲下匿名不是强制，可