不幸的是，越来越多的证据表明不同领域的结果缺乏可重复性（例如，另一个例子，另一个例子）。

作为对此的回应，专业机构和研究团队正在发布可重复研究的指南，您可能必须在您的领域中寻找类似的东西。引用类似“......在我们的工作中，我们试图在可能的情况下采纳......[引文]发布的可重复研究指南”的内容会很棒。

其中一些如下：

• 可重复计算研究的十个简单规则

• 生态学和进化中可重现代码的指南

• 对资助机构的建议，以支持美国统计学会的可重复研究

• 科学计算的可重复研究：改变文化的工具和策略

• ROpenSci 项目的科学再现性。我提到这一点的具体原因是因为它有一个非常好的“进一步阅读”部分，尽管专门针对 R 用户。

当然，在这些指导方针之后，有一些项目，如开放科学框架，试图为指导方针提供实施并传播最佳实践。

虽然你可以阅读很多关于这些事情的文章，但关键是要创造这样的条件，清楚地展示你是如何得出结果的。这必须以不需要您输入的方式完成。您不必在那里解释任何事情（这也是科学论文应该涉及的内容）。

这非常强大，原因有以下三个：

1. 显然，如果任何人对您的结果有任何疑问，他们可以简单地尝试自己重复所有内容，或者如果可能的话，只需下载一个已设置“整个实验室”的虚拟机并完成您的整个过程。

2. 如果您犯了某种错误，很容易有人指出它，这也是证明这项研究是在进行时以最好的知识进行的一种方式。

   • 如果您犯了某种错误，而其他人发现了它，那么每个人都会赢。

3. 如果您无法重现结果，那么您只需说“这是整个设置，这是我所有的工作流程和数据，这是实验的设置方式（如果您不能直接共享数据）。我已尽力重现这些结果，但到目前为止我还没有做到这一点”。

最后一点对于您尝试做的事情可能更重要，因为有时，对于“我们的数字与 XYZ 的数字不匹配”的原因有很多挫败感。

希望这可以帮助。

繁殖是一个复杂的问题。我最近遇到了有趣的重现性基本统计问题：模型、可变性、扩展。

主要因素有：

• 作者关于可重复性前提的知识（我个人从未在我的学习中被教导过）
• 访问数据及其预处理
• 足够详细的算法实现
• 算法参数确定
• 计算能力（很难在笔记本电脑上重现超级计算机实现）
• 性能指标
• 错误或作弊：一些论文结果有缺陷，您无法复制它们

步骤是：

• 检查代码和数据是否公开可用
• 如果没有，请询​​问作者是否会分享它们
• 如果不可能，构建您的代码，就好像您是论文的作者并想分享它一样
• 向作者测试您的代码。这可能使他们更倾向于分享他们的
• 与适当的参考共享它，您可以从其他人的测试中受益。

这对任何论文的读者和作者来说都是一个大问题，可以更好地验证和传播结果。

我的建议是：

• 使用 jupyter notebooks显示所有结果。这些可用于许多不同的语言，并且可以在我知道的任何操作系统上呈现，请查看https://jupyter.org/。我的策略是每个图有一个笔记本。此外，我喜欢展示图形的变体，展示论文本身不需要撅嘴的东西。这些笔记本放在一个文件夹notebooks中，例如在这篇论文或那篇论文中。

• 将主要脚本与安装说明放在一个单独的文件夹中。通常，我会在干净且空的虚拟机上测试整个安装，以确保想要重现代码的人不会丢失任何代码或外来依赖项。

• 为后代使用公共网络服务器上的版本控制。例如，一个流行的选择是https://github.com/：这使得最广泛的社区可以访问代码（使用 git、zip、...）。此外，github 会渲染 notebook，因此如果您只需要预览，则无需运行代码，请参阅.

• 宣传你的工作：推特、博客、发送电子邮件。阅读您的代码的人越多，它就越防弹。