提升社会科学领域的计算可重复性

提升社会科学领域的计算可重复性 （computational reproducibility：用同一份数据 + 同一套代码 + 同一流程，能复现出论文中的表、图、系数），不是单靠"把代码传上网"就能解决的，而是研究流程、制度激励、工具环境和学科文化一起改。

下面按"作者 → 期刊/机构 → 教学与生态"三层给可操作框架。

一、作者层：把"可复现"写进研究流水线

1. 项目一开始就用可复现结构

推荐目录：

复制代码

project/
├── data/
│   ├── raw/          # 原始数据，只读
│   ├── interim/      # 中间数据
│   └── analysis/     # 最终分析数据
├── code/
│   ├── 01_clean.do / .R / .py
│   ├── 02_construct_variables.R
│   └── 03_analysis.R
├── outputs/
│   ├── tables/
│   └── figures/
├── docs/
│   └── README.md
├── environment.yml / renv.lock / requirements.txt
└── master_run.R / run_all.do

核心原则：一个主脚本可从原始数据跑出所有结果。

2. 数据：可获取、可理解、可合规

公开数据：给 DOI、版本、下载日期、清洗步骤。
受限数据（调查、行政、平台、问卷）：至少提供
- 数据字典（codebook）
- 变量构造规则
- 访问路径与申请方式
- 脱敏/聚合后的可复现替代集
不用"最终数据集从天而降"，要保留 raw → analysis的转换脚本。

3. 代码：不是"能跑"，而是"别人能跑"

最低要求：

无手动改 Excel、无隐藏单元格、无"本地路径 C:/Users/xxx"
随机过程设种子（set.seed/ np.random.seed）
主脚本从头跑到尾
跑两次结果一致（stability）
输出表/图与正文一一对应

进阶：

R 用 renv，Python 用 venv/poetry/conda，记锁文件
复杂依赖用 Docker
用 R Markdown / Quarto / Jupyter 做"代码+结果+文字"一体

4. 预注册与透明报告

实验/RCT：AEA Registry、EGAP、OSF、AsPredicted
观察性研究/元分析：OSF、PROSPERO
区分验证性分析 和探索性分析，别把事后解释包装成事前假设
用 TOP Guidelines 自查：数据、代码、材料、分析计划、报告清单

二、期刊 / 基金 / 机构层：把可复现变成硬约束

很多社科可重复性差，不是作者不会，而是**"做了没奖励，不做没代价"**。

1. 期刊政策（最有效）

投稿时交：数据说明 + 代码 + README + 输出日志
录用前做 computational check：第三方用作者包复现主结果
发"可复现徽章 / Reproducible Research Seal"
接受 Registered Reports：先审设计，结果不显著也发

例子：

World Bank：DIME Analytics 做独立复现验证，给可复现印章
国内《经济研究》《经济学季刊》《管理世界》《经济科学》等已推代码/数据政策

2. 基金与考核

基金结题必须交 replication package
晋升/考核中承认"复现研究、数据论文、代码仓库、预注册"
把"被复现次数 / 数据包引用"纳入影响力指标

3. 受限数据场景的折中

不是"要么全公开，要么不可复现"：

受控访问仓库（data enclave）
虚拟复现（作者在干净环境跑，审核员远程看日志）
合成数据 / 加噪数据 / 聚合数据
详细伪代码 + 中间统计量

三、社科特有难点：不能只套自然科学模板

难点	表现	对策
数据不可公开	问卷、访谈、平台数据、政府行政数据	受控库、虚拟验证、透明化流程
定性研究	编码、语境、解释依赖人工	共享编码手册、匿名转录、active citation
观察性数据	样本、权重、固定效应、稳健性设定多	多宇宙分析（multiverse）、很多分析师（many analysts）
网络/空间自相关	个体不独立	复现时固定网络/地理边界
软件生态杂	Stata/R/Python/MATLAB/Excel 混用	README 写清版本，Excel 必须留步骤

四、用 AI 提效，但别制造"伪可复现"

AI 可帮：

自动写 README、codebook、变量说明
检查路径/硬编码/缺失依赖
生成复现检查清单
把 Stata 脚本转 R/Python 草稿

但 AI 不能代替：

真实跑通
随机种子管理
数据权限确认
对"为什么这样构造变量"的方法论解释

可复现不是"AI 说能跑"，是陌生人在别处真跑出一样的数。

五、可落地的"社科可复现成熟度模型"

0 级：只有论文，无数据无代码

1 级：有代码，但跑不通 / 路径写死

2 级：有数据说明 + 代码 + README，他人可复现主结果

3 级：原始→分析全流水线 + 环境锁定 + 预注册

4 级：独立审核员复现通过 + 受限数据有合规方案

5 级：可复现作为知识基础设施（被复现、被复用、被教学）

六、一句话总结

社会科学计算可重复性的关键，不是"更聪明的方法"，而是把经验研究当成可交付的工程产品：数据有来源、代码有顺序、环境有锁定、结果有人复现、制度给奖励。