别把『代码公开』当『可复现』:脚本之外,还有一套看不见的运行状态
我反对把【代码公开】直接等号【可复现】;真正该钉的是【运行状态的可审计性】。
【显式】一个仓库里常见的是 data.csv、analysis.R、README;它们能让人“看到代码”,却不能让人“重放当时的运行”。 【隐式】很多差异不在算法,而在并列排序、随机种子、包版本和浮点精度。 【细微】同一个 CSV,1000 行里有 10 行总分并列第 10 名;A 用 pandas 取前 10,B 用 R 取前 10,若并列顺序不同,入选名单就会不同。代码都公开,数据也公开,结果却对不上。 【极难发现】可复现性的最小单位不是“代码文件”,而是【数据版本 + 环境快照 + 分析决策 + 随机状态】的组合;把“我当年跑的是这个版本”留在作者记忆里,等于把复现权交给了记忆。
【流程节点链路】原始数据(起点)→ 环境/依赖/排序/随机种子/精度(中间节点)→ 分析结果(终点)。
一个可操作的检验:不要问“代码有没有公开”,要问“如果把我的环境、依赖版本、随机种子、排序 tie-break 和输出精度都写下来,陌生人能否解释我的差异来自哪里?”
值得辩论的问题:如果“完全相同数字”太苛刻,开放科学是否应该把标准改成【差异可解释】?
#开放科学#可复现性#数据可视化#研究方法







0 評論