丘奖论文可复现性：把代码、数据与参数整理成可检查的研究记录

为什么可复现性是丘奖评审的隐性门槛

丘奖论文提交后，评审面对的是一份静态的研究报告。与课堂作业不同，评审无法当面询问"这个参数是怎么调的"或"这段数据从何而来"。如果论文本身不能让他人依据描述重复出相近结果，研究的可信度就会大打折扣。

本文聚焦一个具体问题：如何把代码、数据与参数整理成可检查的研究记录。这与图表呈现规范不同——后者解决"如何展示"，本文解决"如何让别人能复现"。关于答辩PPT的准备方法，可参考丘奖答辩PPT怎么准备？结构与讲稿避坑全指南。

案例一：生物实验中的参数记录

以下案例为教学说明，非丘奖官方题目或过往赛题。假设某团队研究不同光照周期对拟南芥根系发育的影响，以下是两种记录方式的对比。

不可复现的记录方式

论文中写道："我们在适宜温度下培养拟南芥，设置了不同的光照时间，观察了根系长度变化。"随后附上一张柱状图。

问题很明显："适宜温度"是多少？"不同光照时间"具体是几小时？培养了多少天？用了什么培养基？这些信息缺失，评审无法判断实验设计是否严谨，更无法复现。

可复现的记录方式

同样的研究，可以这样写：

• 培养条件：恒温培养箱，温度22±1°C，湿度60%
• 光照处理：设置4组，光照时长分别为8h、12h、16h、20h/天，光强统一为100μmol·m⁻²·s⁻¹
• 培养周期：播种后第7天、第14天、第21天测量主根长及侧根数
• 测量工具：ImageJ软件处理扫描图像，每个样本重复测量3次取均值
• 统计方法：单因素方差分析（ANOVA），显著性水平α=0.05

这样的描述让评审清楚知道：如果换一批拟南芥种子，按相同条件操作，应该能得到可比较的结果。参数的具体数值、测量工具、统计方法缺一不可。

案例二：计算机建模中的代码版本

以下案例为教学说明，非丘奖官方题目或过往赛题。假设某团队用机器学习预测某种经济趋势，以下是两种代码记录方式的对比。

失误的记录方式

论文附录中贴了一段Python代码截图，标注"使用随机森林模型"。但代码中缺少关键信息：随机森林的n_estimators设为多少？max_depth有无限制？训练集与测试集如何划分？是否做了交叉验证？

更隐蔽的问题是：代码截图来自哪个版本的库？如果评审使用更新或更旧的scikit-learn版本，同样的参数可能产生不同结果。

改进的记录方式

在论文的方法部分或附录中，应包含：

• 运行环境：Python 3.10.4，scikit-learn 1.2.0，pandas 2.0.1
• 模型参数：RandomForestRegressor(n_estimators=200, max_depth=10, random_state=42)
• 数据划分：train_test_split(test_size=0.2, random_state=42)
• 验证方法：5折交叉验证，评价指标为RMSE和R²
• 特征工程：对[具体列名]做了对数变换，缺失值用中位数填充

同时，将完整代码和脱敏后的数据集结构说明打包为补充材料。丘奖不要求公开原始敏感数据，但需要让评审理解数据结构和处理流程。

常见失误诊断表

失误类型	典型表现	自查方法
参数模糊	"适量""若干""在一定范围内"	逐句检查是否有具体数值替代
工具缺失	只写"用软件分析"	列出软件名称、版本号、关键函数
流程断裂	缺少从原始数据到最终结果的中间步骤	画一张从输入到输出的流程图
版本混乱	代码与描述不一致	提交前重新运行一遍，确认输出匹配
环境遗漏	未说明硬件或系统配置	记录对结果有影响的运行环境

一个对比：同样的失误，不同的后果

以下案例为教学说明，非丘奖官方题目或过往赛题。假设两个团队都做了图像识别研究，都遇到了"准确率突然下降"的问题。

团队A的记录："我们在调整参数后重新训练了模型，最终效果变好。"——评审无法判断这是偶然还是必然，无法评估研究的稳健性。

团队B的记录："第3次实验发现准确率从92%降至67%，排查后发现是数据预处理时图像尺寸统一为224×224的代码被误改为256×256。修正后重新训练，准确率为91.5%。"——这个"失误"反而展示了团队的调试能力和记录的完整性。

关键区别：团队B把调试过程也作为研究记录的一部分，而非只呈现 polished 的最终结果。

可操作的整理顺序

基于以上案例，建议在论文定稿前按以下顺序检查：

1. 参数清单化：把论文中所有涉及数值的地方提取出来，单独列一张表，确认每个数值都有来源或依据
2. 流程可追踪：从原始数据到最终结论，确认每一步都有记录，没有"黑箱"步骤
3. 环境可重建：记录关键软硬件版本，确保他人在相似环境下能复现
4. 异常有解释：实验中的失败、调试、修正过程，选择性地纳入论文，展示研究的完整性

下一步该掌握的能力

完成本文的阅读后，你应该能够：打开自己当前的丘奖论文草稿，用红笔标出所有缺少具体数值或无法让外人复现的句子，并逐一补充。这是比"写得更漂亮"更紧迫的修改。

关于研究伦理与学术规范的底线要求，可参考丘奖研究伦理与学术规范：诚信红线一次说清；关于答辩PPT的准备方法，可参考丘奖答辩PPT怎么准备？结构与讲稿避坑全指南；关于摘要与引言的写作，可参考丘奖摘要与引言怎么写？研究背景到结论一次讲清。

资源请求准备建议

如果你在整理可复现记录时遇到具体困难，准备向指导教师或学术顾问咨询前，建议先准备好以下材料，以提高沟通效率：

• 当前论文中你认为"可能说不清楚"的具体段落（标红或截图）
• 你的原始数据样本（脱敏后）或代码片段
• 你已经尝试过的整理方式，以及遇到的卡点

带着具体问题求助，比泛泛询问"我的论文有没有问题"更能获得有效反馈。

常见问题

丘奖论文需要提交原始代码吗？

丘奖官方不要求强制提交完整代码，但建议在论文方法部分详细记录关键参数和流程，必要时可将代码作为补充材料。评审关注的是研究的可验证性，而非代码本身。

如果实验条件无法完全精确控制，如何记录？

如实记录实际可控范围和波动区间，例如"室温22-25°C"而非虚构一个精确值。同时说明这种波动对结果的潜在影响，这本身就是严谨性的体现。

团队多人协作时，如何统一记录标准？

建议在项目初期就建立共享文档模板，规定每个实验环节必须记录的字段（如时间、温度、试剂批次、操作人等）。定期同步，避免最后补记时遗漏或混淆。