Agent Skills
› brycewang-stanford/Awesome-Journal-Skills
› ssi-reproducibility
ssi-reproducibility
GitHub辅助《中国科学：信息科学》作者确保实验可复现，涵盖环境固定、仿真与实测区分、统计报告及可用性声明。提供跨学科要点、自查表、常见失误排查及复现说明示例，提升稿件可信度。
Trigger Scenarios
需要为投稿《中国科学：信息科学》的论文准备实验可重复性材料
撰写数据或代码可用性声明
检查实验环境记录是否完整（如种子、版本、硬件）
区分仿真结果与实测/硅后结果
Install
npx skills add brycewang-stanford/Awesome-Journal-Skills --skill ssi-reproducibility -g -y
SKILL.md
Frontmatter
{
"name": "ssi-reproducibility",
"description": "当需要为投往《中国科学：信息科学》(Scientia Sinica Informationis, SSI) 的稿件保证实验可重复、结果可复现，并撰写数据\/代码可用性叙述时调用。覆盖实验环境与来源固定（数据集版本、工具链、随机种子、硬件平台）、仿真与实测\/硅后结果的区分、统计报告与随机性控制、跨子学科（计算机\/控制\/通信\/微电子）的可复现要点，以及诚实的可用性声明。作为国家级大信息学科综合旗舰，本刊强调科学价值与可信证据，与英文姊妹刊 Science China Information Sciences 的开放科学精神一致。"
}
《中国科学：信息科学》可复现性与实验可重复（Reproducibility）
《中国科学：信息科学》(SCIENTIA SINICA Informationis, SSI) 以刊载信息科学领域最高水平的 中文原创成果为目标，审稿强调科学价值与创新高度，而这必须建立在可信、可复现的证据上。 本技能帮助你在实验开展与稿件撰写时，把"别人能否重复出你的结果"这件事前置处理—— 很多可复现性问题在数据采集或实验设计时不做记录，投稿时便无法补救。
一、可复现的三个层次
- 可重复（repeatable）：同一团队、同一环境重跑得到一致结果。
- 可复现（reproducible）：他人用你提供的代码/数据/说明能重现主结果。
- 可推广（replicable）：他人在新数据/新平台上得到一致结论（更高标准）。
SSI 论文至少应做到前两层，并对第三层的边界（外部效度）诚实说明。
二、来源与环境固定（提交前记录，事后难补）
- 数据集：名称、版本/发布日期、规模、划分方式、预处理步骤；自采数据说明采集协议与时间。
- 工具链：语言与库版本、框架版本、编译器/EDA 工具版本、操作系统。
- 随机性：随机种子、初始化、数据打乱方式；报告多次运行的均值与波动。
- 硬件平台：CPU/GPU/FPGA/芯片型号、内存、必要的时钟/工艺参数（微电子/控制常需）。
- 超参数：完整超参与搜索空间、选择依据；避免"精心挑选的一次结果"。
三、仿真 vs 实测/硅后（本刊多子学科的关键区分）
SSI 覆盖计算机、控制、通信、微电子等，结果来源差异大，务必明确标注：
| 结果类型 | 说明要求 |
|---|---|
| 数值仿真 | 仿真器/模型、参数、边界条件、理想化假设 |
| 硬件在环/半实物 | 平台、接口、实时性约束 |
| 硅后/实测 | 芯片/样机、测试仪器、测量条件、误差来源 |
| 理论/证明 | 假设、引理依赖、可验证的推导步骤 |
- 不得把仿真结果表述为实测；跨工艺/跨平台外推要给敏感性分析而非直接断言。
四、统计与随机性报告
- 报告均值 + 波动（标准差/置信区间/分位数），而非单次最好结果。
- 对比多方法时用一致的评测协议与统计比较；必要时做显著性检验。
- 说明异常值处理、失败样本、未收敛情形，避免选择性报告。
- 消融实验隔离各组件贡献，支撑"创新点确实起作用"的主张。
五、可复现材料与可用性叙述
- 组织清晰的复现包（
code/data/scripts/README），中文 README 给出一键复现主结果的步骤。 - 撰写数据/代码可用性声明：提供什么、在哪里、如何获取；"可向作者索取"是弱承诺。
- 涉密/隐私/工业合作限制时，提供脱敏子集或接口说明并解释原因。
- 材料形态与徽章现状见
../ssi-artifact-evaluation/SKILL.md（本刊无独立制品徽章制度，现状待核实）。
六、跨子学科可复现要点
- 计算机/AI：数据泄漏检查、训练/测试划分、预训练模型与数据污染、算力与时间成本。
- 控制：被控对象模型、扰动与噪声设定、稳定性/鲁棒性验证条件。
- 通信/信号：信道模型、信噪比范围、评测指标（BER/吞吐等）的统计口径。
- 微电子/EDA：工艺库、约束、测试激励、PVT 角；注意 IP 与工艺保密合规。
七、可复现性自查表
- 主结果（主表/主图）可在干净环境按 README 复现。
- 数据版本、工具链版本、种子、硬件平台均已记录。
- 仿真/实测/硅后/理论结果分别标注，无混淆。
- 报告了均值与波动，而非单次最优。
- 消融实验支撑创新点的独立贡献。
- 可用性声明与材料实际一致；敏感信息已清理。
- 复现所需算力/时间已说明。
八、常见失误
| 失误 | 后果 | 纠正 |
|---|---|---|
| 只报单次最好结果 | 被质疑不可复现 | 报告多次运行的统计量 |
| 仿真当实测 | 严重可信性问题 | 明确来源与假设 |
| 种子/版本未记录 | 无法重跑 | 采集时即记录 |
| 数据泄漏未检查 | 结论失真 | 严格划分并检查 |
| "整理后公开"从未公开 | 可用性声明失信 | 提交时即提供或给明确途径 |
九、复现失败的常见根因与排查
当审稿人或读者反馈"跑不出你的结果"，多半是以下几类，投稿前自行排查：
- 环境漂移：库/框架小版本升级改变了数值行为。对策：锁版本（
requirements.txt/ 容器镜像/工具链版本号），README 写明验证过的环境。 - 随机性未控制：种子、并行、非确定性算子导致波动。对策：固定种子、报告多次运行统计量、 标注无法完全确定的算子。
- 数据不一致：数据版本或预处理与论文不符。对策：固定数据版本与预处理脚本，给出校验值。
- 隐式依赖：依赖本地文件/私有服务/特定硬件而未声明。对策：显式列出并提供替代或说明。
- 口径不同：评测指标定义/统计口径与论文表述不一致。对策：在 README 与论文中统一定义。
一段有用的复现说明示例（README 片段）：
## 复现主结果（表 2 / 图 3）
环境：Python 3.10，PyTorch 2.1，CUDA 12.1，单卡 A100（已在该环境验证）
1) 准备数据：bash scripts/prepare_data.sh # 校验：md5 见 data/CHECKSUMS
2) 训练：python train.py --seed 0 --config configs/main.yaml
3) 评测：python eval.py --ckpt runs/main/best.pt # 预计约 20 分钟
说明：论文表 2 为 5 个种子(0-4)的均值±标准差；单次结果会有小幅波动。
十、每次核实
- 本刊是否对数据/代码公开、可复现材料有强制要求（待核实）。
- 补充材料容量/格式（待核实）。
- 与英文姊妹刊 Science China Information Sciences 开放科学要求的差异（待核实）。
输出格式
[可复现层次] 可重复/可复现/可推广——达到哪一层？
[来源固定] 数据版本/工具链/种子/硬件——是否齐备
[结果类型] 仿真/实测/硅后/理论——是否明确标注
[统计] 均值+波动？消融隔离贡献？
[可用性] 声明与材料一致？敏感信息已清理？
[待核实] 强制公开与否、附件格式、SCIS 差异
参见 ../ssi-experiments/SKILL.md 与
../../resources/code/README.md。
Version History
- 9f86f09 Current 2026-07-19 17:40
