可复现性审查的核心要求

可复现性审查是当前学术评审体系中最具分量的关卡之一，尤其对人工智能领域的论文而言。它的核心要求并非简单的“能跑通代码”，而是指向一套可验证、可回溯、可独立判断的方法学标准。从近期顶级会议和期刊陆续调整的审稿规则来看，审查者关注的重点集中在三个层面：数据与代码的可获取性、实验描述的完整性，以及结果的独立验证能力。

在代码与数据层面，强制共享已成为基本门槛。许多会议开始要求投稿时同步提交代码仓库，并对训练数据、模型权重和预处理流程作出说明。如果因合规或隐私限制无法公开完整数据，则必须提供合成数据方案或验真协议，使审稿人能够在合理条件下复现核心结果。这一点在2023年后的NeurIPS和ICLR投稿指南中已有明确体现，拒稿理由中“代码未公开”或“数据描述不完整”的比例显著上升。

实验描述的可复现性同样被纳入审查标准。研究者需要在论文中提供足够精细的配置细节，包括超参数搜索范围、评估指标的计算方式、训练与推理的硬件环境，以及统计显著性检验结果。许多审稿人开始要求对比实验必须包含多次运行的置信区间，而非仅报告单次最优值。这种做法直接回应了评估基准滥用的问题——当模型在新基准上表现突出，却未提供与环境相关的复现条件时，审稿人有权判定该结果不可信。

检测工具与人工审查构成了双重防线。自动化检测工具目前主要基于语言模型生成文本的统计特征分析，以及水印溯源技术，能够快速识别明显使用自动化工具撰写全文或生成实验数据的论文。这些工具作为初筛手段，可以大幅降低审稿人面对低质量稿件的时间损耗。而人工复审则聚焦于高风险论文，审稿人需要交叉验证代码输出与论文图表的一致性，并评估作者是否如实声明了自动化工具的使用情况。

制度上的配套措施同样不可忽视。贡献声明与工具使用声明正在成为标准配置，要求各作者明确自身在数据采集、模型训练、实验设计和文本生成中的具体角色。当论文使用了自动化写作工具，作者必须公开说明工具名称、使用环节和生成内容占比，否则可能被认定为学术不端。这种声明规约为审稿人提供了判断诚信的关键依据，也使得事后撤销论文时能够明确责任边界。

可复现性审查的最终目标不是提高拒稿率，而是建立一种可持续的信任机制。当每一项核心结果都能被独立验证，当每一篇论文的生成过程都透明可查，学术共同体才能在数量增长与质量保障之间找到平衡。对于研究者而言，提前理解并满足这些审查要求，不仅是应对投稿的实用策略，更是参与构建学术诚信生态的基本责任。