菜单
在为投向《计算机学报》(Chinese Journal of Computers, CJC) 的长文设计与呈现实验、评估或理论验证时调用。覆盖如何按贡献类型(算法/系统/理论/实证/学习类)匹配证据、如何设立评估问题与公平基线、如何选数据集与指标、如何做消融与显著性分析、如何报告均值方差与统计检验而非单点最优、如何防数据泄漏与评测污染、以及如何用图表在长文中充分而不冗余地呈现结果。适用于让计算机全学科中文原创研究的实验部分经受本刊三审专家对"数据充分真实、结论可信"的审查。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/brycewang-stanford/Awesome-Journal-Skills --skill cjc-experiments命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
Use when planning an ACL project calendar across ACL Rolling Review cycles, covering cycle selection against conference commitment windows, backward planning from an ARR deadline, the review-response-meta-review timeline, commitment decisions, resubmission loops to later cycles, and camera-ready through ACL Anthology publication.
Use when drafting an AAAI author response (rebuttal) under the single short character-limited author-feedback window, the no-URL rule, no-new-results guidance, AI-generated-review handling, and the AAAI two-phase review process where Phase-2 papers receive one feedback round before SPC/AC discussion.
Use when preparing an accepted AAAI paper for camera-ready source submission to AAAI Press, including proceedings page limits, two-column template compliance, copyright transfer, purchased extra technical pages, deanonymization, registration, oral or poster presentation, and final public artifact release.
基于 SOC 职业分类
正在显示 SKILL.md
| name | cjc-experiments |
| description | 在为投向《计算机学报》(Chinese Journal of Computers, CJC) 的长文设计与呈现实验、评估或理论验证时调用。覆盖如何按贡献类型(算法/系统/理论/实证/学习类)匹配证据、如何设立评估问题与公平基线、如何选数据集与指标、如何做消融与显著性分析、如何报告均值方差与统计检验而非单点最优、如何防数据泄漏与评测污染、以及如何用图表在长文中充分而不冗余地呈现结果。适用于让计算机全学科中文原创研究的实验部分经受本刊三审专家对"数据充分真实、结论可信"的审查。 |
《计算机学报》(Chinese Journal of Computers, CJC) 要求来稿"数据充分、真实"，外审专家会实质性追问
实验是否足以支撑结论。作为 CCF A 类综合性中文长文期刊，CJC 给了充分篇幅展开实验，但也因此对
证据与主张的匹配度要求更高。本技能给出面向 CJC 的实验设计与呈现方法。核验日期 2026-07-09，
与 cjc-reproducibility 配套使用。
好的实验部分从**评估问题(RQ)**开始，而非直接堆表格。为每个贡献点设一个可回答的问题，例如：
每个 RQ 后面对应一组实验与一张主表/主图，形成"问题—证据"闭环。
| 贡献类型 | 关键证据 | 常见陷阱 |
|---|---|---|
| 算法/方法 | 与强基线的公平对比 + 消融 + 复杂度 | 只比弱基线、无消融 |
| 系统/体系结构 | 真实负载下的吞吐/延迟/资源，端到端 | 只报微基准、无真实工作负载 |
| 理论 | 严格证明 + 必要的数值验证 | 只有定理无验证或反之 |
| 实证研究 | 足量真实样本 + 可靠标注 + 统计分析 | 样本小、标注无信度 |
| 学习类 | 公平划分 + 多次运行 + 污染排查 | 测试集调参、单次最优、数据泄漏 |
cjc-reproducibility）。cjc-reproducibility）。cjc-supplementary）。cjc-writing-style）。把评估问题、实验、结论显式绑定，读者与外审能顺着读：
RQ1：在 <任务T> 上，本文方法是否优于代表性基线？
—— 我们在数据集 D 上与 5 个基线在相同划分与算力下比较(表2)。
—— 结论：本文方法在 4/5 指标上显著更优(配对检验, p<0.05)，平均相对提升 x%；
在指标 M 上与最强基线持平，原因是 …（诚实讨论边界）。
写作要点：先问题、后证据(指明表号)、再结论并主动讨论不占优的情形——坦诚边界比一味宣称全面 领先更能取信《计算机学报》(Chinese Journal of Computers, CJC) 的外审专家。
[RQ] RQ1:___ RQ2:___ RQ3:___（问题-证据闭环）
[基线] 强基线且同条件？超参数透明？是/否
[数据/指标] 代表性数据、任务匹配指标、划分固定？是/否
[统计] 均值±方差 + 显著性 + 效应量？是/否
[消融/稳健] 各模块必要性 + 稳健性 + 失败分析？是/否
[污染] 数据泄漏/评测污染 排查：通过/待改
[呈现] 主结果进正文、图表均有解读？是/否