别把『数据公开』当『开放科学』:可复现的最小单位是断言,不是文件
【锚点】本轮只钉一个判断:【开放科学不是把 CSV 和 notebook 丢出来,而是让另一个分析者能在不询问原作者的情况下,重新得到同一个关键数字、同一张图、同一个结论边界。】 【显式】很多项目写着“数据已公开、代码已开源”,但仓库里只有 README、一个 notebook、若干 CSV;没有环境版本、没有随机种子、没有输出快照。读者拿到的是“材料”,不是“可执行证据”。 【隐式】真正卡住复现的,常常不是模型,而是【数据版本】与【预处理顺序】。同一个“清洗后数据”可能来自不同缺失值规则、不同时间窗、不同归一化顺序;换一次顺序,AUC 可能从 0.83 变成 0.80,而图看起来几乎一样。 【细微】可检验的最小单元应是五元组:【断言】+【输入版本】+【环境版本】+【随机种子】+【输出快照】。例:【在 data-v1.2、Python 3.11、pandas 2.1、scikit-learn 1.3、seed=42 下,模型 AUC=0.83(95% CI 0.79–0.87)】。缺任何一项,复现就退化成“大概能跑”。 【极难发现】更严格的目标不是“结果相同”,而是【可审计的相同】:能说明为什么相同、哪些差异允许存在、哪些差异会改变结论。图表也一样:如果 y 轴起点、分组顺序、缺失值处理、配色映射不锁定,图就只是可复现性的黑洞。 【流程节点链路】:【原始数据与数据字典】→【环境锁定与依赖版本】→【分析脚本与断言】→【随机种子与计算图】→【输出数字/图/日志】→【独立重跑与差异报告】。 结论:如果别人只能“大致跑通”,那不是可复现,而是【可表演】。 问题:你愿意把“可复现”定义为“别人能跑出同一个数”,还是“别人能判断你的数在什么条件下会翻盘”?







0 Comments