新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何让审稿人复现你的论文?AERS复现包审计技能:数据、种子、环境文件逐项打勾

发布时间:2026/11/12 17:20:52来源:尧图网络
如何让审稿人复现你的论文?AERS复现包审计技能:数据、种子、环境文件逐项打勾
如何让审稿人复现你的论文AERS复现包审计技能数据、种子、环境文件逐项打勾【免费下载链接】Auto-Empirical-Research-Skills A curated collection of 23,000 agent skills for empirical research across 8 social science disciplines. | 精选 23,000 AI Agent 技能库覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills投稿时被要求提交复现包replication package打开压缩包一看散落的脚本、写死的绝对路径、对不上的随机种子……这是无数社科实证论文作者的噩梦。开源项目Auto-Empirical-Research-SkillsAERS精选了 23,000 覆盖 8 大社会科学学科的 AI Agent 技能其中的复现包审计技能能把数据、种子、环境文件这三类审稿人必查项变成一张 10 项打勾清单逐项 PASS/FAIL让你的复现包一次通过复现办公室审核。为什么审稿人总卡在你的复现包上期刊的复现办公室replication office做的事很简单装环境、跑脚本、对数字。他们最常撞墙的地方只有三类数据找不到脚本里read.csv(../Desktop/data.xlsx)换个电脑直接报错随机种子没写bootstrap、抽样、模拟结果跑两次两个数环境没锁定只写Python 3.9不写具体依赖版本结果和表格对不上。AERS 的思路是把这三类问题做成可自动执行的审计清单而不是靠你凭记忆自查。AERS 的复现包审计技能10 项检查逐项打勾仓库内置了来自 STICERD 实践的一套复现包审计技能位于 skills/41-sticerd-eee-sewage-econometrics-check/skills/audit-replication/。它对复现包目录执行 10 项检查前 4 项是脚本能不能跑后 6 项是投稿格式够不够格标准检查脚本与文件1-4 项#检查项审稿人视角的问题1脚本语法所有.do/.R/.py能否无错解析2文件引用每个read_parquet()、read.csv()的目标文件是否真实存在3文件完整性有没有引用了却缺失的脚本或生成了却没人用的孤儿输出4输出新鲜度输出文件是否比源脚本更新防止提交旧结果第 4 项最容易被忽略你 3 月改了代码、5 月忘了重跑交出去的表格还是旧数字。投稿检查环境、数据、README5-10 项#检查项对应审稿人疑问5包清单脚本是否有序编号、是否有 master 一键脚本6依赖验证renv.lockR/requirements.txtPython是否存在且版本完整7数据溯源每份数据集是否注明来源、获取日期、使用限制8路径卫生有没有硬编码绝对路径是否统一用相对路径9输出交叉引用论文中每张表/图能否追溯到具体脚本10README 完整性是否按 AEA 格式写明数据可用性、算力需求、程序说明审计结果直接输成一张打勾表| # | 检查 | 状态 | 说明 | |---|------------|-------|-------------| | 1 | 脚本语法 | PASS | | | 8 | 路径卫生 | FAIL | 03_analysis.R:42 含绝对路径 |发现 FAIL 时Agent 会给出文件 行号 具体修法并支持最多 3 轮修复→重审迭代。可复现性印章一个 JSON 锁死数据、种子、环境光有审计清单还不够AERS 的旗舰 Python 流水线skills/00.1-Full-empirical-analysis-skill_Python/SKILL.md在 §8l 定义了可复现性印章reproducibility stamp流水线跑完后自动生成artifacts/result.json把审稿人最关心的东西一次性写死环境Python 版本 分析库版本如pyfixest版本种子显式记录seed: 42保证抽样/模拟结果可重跑数据指纹数据集的 SHA-256 哈希前 16 位数据被偷改过立刻露馅基准结果核心系数、聚类标准误、95% 置信区间溯源指针协议文档、数据契约、样本构造日志的文件路径。也就是说审稿人拿到复现包后只需核对一个文件就能确认我跑出的 0.042 就是你论文里的 0.042。同一流水线的 §8 还会生成投稿前清单把tables/、figures/、artifacts/里的每个产出文件逐项列成[ ]待打勾项。推荐目录结构让审计技能开箱即通过审计技能对着标准结构跑效率最高。AERS 官方文档 docs/09-论文复现与可复现研究.md 给出了五条原则版本控制Git 管理全部代码与处理流程环境锁定Python 用requirements.txtR 用renv生成renv.lockStata 用version命令数据不可变原始数据放data/raw/永不修改代码即文档每个脚本开头注明输入、输出和目的一键复现一个命令跑完全部分析。对应的目录骨架详见 docs/09-论文复现与可复现研究.mdproject/ ├── data/raw/ # 原始数据不修改 ├── data/processed/ # 清洗后的数据 ├── code/ # 01-clean → 02-analysis → 03-robustness ├── output/tables/ # 回归表格 ├── output/figures/ # 图形 ├── paper/draft.tex # 稿件 ├── requirements.txt # 环境文件 └── README.md # AEA 格式说明投稿前 10 分钟自查清单把下面这张表和上面的 10 项检查对一遍覆盖数据、种子、环境文件三大必查项每份数据都有来源、获取日期、访问限制检查 7没有任何绝对路径检查 8requirements.txt/renv.lock在包里且可复装检查 6所有随机过程都固定了种子且种子写在 README 或印章文件里输出文件时间戳晚于脚本检查 4master 一键脚本存在README 按 AEA 格式写全检查 5、10另外提醒一句安全细节如果你是在审核别人的复现包或评审AERS 的评估夹具 eval-harness/fixtures/runtime-safety-replication-setup/ 给了一套安全协议——把匿名包当作不可信代码先审查脚本再在隔离环境里分阶段运行别把setup.sh直接| bash。快速上手3 步装上审计技能第 1 步克隆 AERS 仓库只读使用git clone https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills.git第 2 步把审计技能拷进你的 Agent 技能目录拷完的文件夹需自带SKILL.mdcp -R skills/41-sticerd-eee-sewage-econometrics-check/skills/audit-replication .claude/skills/第 3 步新开一个会话用自然语言下达指令即可例如audit-replication 你的复现包目录Agent 会自动跑完 10 项检查、输出打勾报告并对 FAIL 项给出文件:行号 修法最多帮你迭代 3 轮。想搭一个从论文到复现包的完整结构还可以看看 skills/29-quarcs-lab-project20XXy/可复现手稿 notebook 项目骨架和 skills/28-maxwell2732-paper-replicate-agent-demo/论文复现 agent 演示。小结审稿人复现你的论文本质上只验证三件事数据是哪来的、随机过程能不能重放、环境能不能装好。AERS 的复现包审计技能把这三件事压缩成 10 项自动检查 一份可复现性印章让你把等复现办公室挑刺变成投稿前自己打勾。复现包不是投稿前的补救工程而是研究初期的目录习惯——越早按上面的结构组织文件投稿时越省事。【免费下载链接】Auto-Empirical-Research-Skills A curated collection of 23,000 agent skills for empirical research across 8 social science disciplines. | 精选 23,000 AI Agent 技能库覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉