Cjc Reproducibility

《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

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。