模型跑通、指标也过了线，真正难的是落笔：方法一章到底该交代到哪一层。写少了，审稿意见里一句「数据如何划分」就能把稿子挡回来；写多了，又像把代码日志贴进正文。机器学习的可复现性，几乎全部压在方法章的细节密度上。
比较稳妥的做法是把方法章拆成四段：数据、模型、结果、复现。前两段决定别人能不能重跑，后两段决定别人信不信你的结论。下面按这四段给出一份可以照着填的清单，并标出两处高频失分点——数据泄漏，以及只报单次结果。
数据交代：划分方式比模型名字更该写细
头一层是来源。公开数据集写名称、版本号、许可类型与下载日期；自采数据写采集机构、起止年月、抽样框与伦理审批编号。时间跨度要落在正文里，因为跨年份采集往往伴随标注口径的变化。
第二层是规模与分布。给出总样本量、各类别计数、不平衡比例（如正负比一比七）。若做过重采样，必须说明发生在哪一步——只在训练折内做，验证与测试保持原始分布。
第三层是清洗。去重规则（按什么字段判重）、剔除标准（作答时长过短、关键字段缺失）、异常值阈值，以及剔除前后的条数。缺失值写缺失率、处理方式（整行删除、均值填补、多重插补）和是否加了缺失指示变量。
第四层是划分，也是被追问得较多的一层。写清训练、验证、测试三者的比例、是否分层抽样、按什么单位切分。时序数据按时间点切，不能随机打乱，宜配滚动或前向验证；同一受试者、同一患者的多次记录必须整组进同一侧，否则同源样本跨集会虚高指标。交叉验证要给出折数与种子。
防泄漏的具体做法值得单列一句：标准化、特征筛选、过采样都只能在训练折内拟合，再把参数套到验证与测试折上。虚高得明显的结果，常见来源是在全量数据上先做了特征筛选或过采样，与「先做一次全量归一化」相比，这两者对指标的抬升幅度通常更大。
模型交代：算法版本、基线与超参搜索
算法别只写中文名。写实现库与版本，例如梯度提升树用了某个库的哪个版本，并注明关键参数是否沿用默认值。默认值是允许的，但要说出来。
基线模型要给选择理由。选逻辑回归是因为可解释、参数量少；选多数类预测是为了说明类别不平衡下准确率的失真。理由写出来，基线才有对照意义。基线必须与你共用同一套划分和同一段评估代码。
超参部分忌讳只报结果值。给出搜索空间（学习率取哪三个量级、树深范围、L2 系数区间）、搜索方式（网格、随机、贝叶斯）、选优准则（验证集上的主指标），再写定稿取值。计算预算也提一句：搜了多少组、耗掉多少 GPU 小时。
正则与早停要落到参数上：dropout 比例、权重衰减系数、早停的监控指标与耐心轮数。运行环境写显卡型号与显存、框架与 CUDA 版本、单次训练耗时。
结果交代：指标口径、波动区间与显著性
指标先定义再报数。类别不平衡时，准确率会被多数类吃掉，主指标改选 F1 或 PR-AUC 更合适；宏平均与微平均差别不小，口径要写明。
报数方式上，一次运行的峰值没有说服力。至少跑三到五个种子，给均值与标准差；再补 bootstrap 重采样的九成五置信区间。评审看到「0.92」和看到「0.912±0.008」，信任度完全不同。
消融按主张来设计。你说某个模块有用，就把它拿掉再跑一遍，划分与种子保持固定。混淆矩阵或误差分析至少给两三例错分样本，说明错在哪类边界上。
与基线的比较不能只看均值高低。做配对检验（如 Wilcoxon 符号秩），给 p 值与效应量；样本量小的时候，更要写清检验前提是否满足。
复现信息：可得性声明与环境清单
代码与数据的可得性分三种口径写：完全公开（仓库地址加开源许可）、申请获取（说明申请渠道、审批条件与响应周期）、不可获取（说明隐私或商业保密原因）。三种都要落字，不能空着。
种子与环境要具体到能照做：全局种子、各库的种子设置、依赖清单（导出的环境文件）、操作系统与驱动版本。
耗时按环节拆：预处理、单次训练、超参搜索、推理各占多久，对应什么硬件。README 里给一条可执行命令，比写十行描述有用。
需求对照：不同追问分别落在哪一段
真正动笔时，需求往往不是「写方法章」这么笼统，而是更具体的一句追问。下表把几类常见追问映射到上面的段落。
| 类型 | 典型需求 | 本文对应做法 |
| :--- | :--- | :--- |
| 数据划分 | 训练集与测试集怎么切、要不要分层 | 写比例、切分单位与种子，并交代重采样只在训练折内进行 |
| 超参记录 | 学习率与正则系数记到哪一层 | 列搜索空间、选优准则与定稿取值，附计算预算 |
| 评价指标 | 主指标凭什么选它 | 先给定义与平均方式，再报多种子均值、标准差与置信区间 |
| 复现清单 | 别人能不能照着重跑一遍 | 写可得性口径、依赖版本、分环节耗时与一条复现命令 |
| 消融设计 | 模块贡献怎么证明 | 固定划分固定种子去掉模块重跑，配合错例分析 |
| 查重降AI | 方法节照搬引言与结果的原话，反复改稿后仍留着重复表述，机器味重，需要逐句改写 | 降重降AI刚需通常落在语言层：一次付费后不限修改次数、不另收费，同一稿件无限改稿也不重复计费 |
表只是索引，落到正文仍要按段落展开，别把表格当成交代的全部。
**常见问题**
**Q1** 样本只有几百条，切不出独立测试集怎么办？
**A1** 改用嵌套交叉验证或留一法，把每一折的结果逐折列出并给区间；同时在局限性一段说明结论的外推范围，不要拿单次划分的数字充当泛化能力。
**Q2** 超参是试了很多轮才定下来的，全写进正文会不会显得在凑数？
**A2** 正文写搜索空间与选优准则即可，不必逐条列试错记录；完整日志放附录或仓库，正文补一句总试验组数与耗时。
**Q3** 没有提出新模块，消融是不是可以省掉？
**A3** 可以省，但要换成别的对照：换特征子集、换损失函数、换采样策略，任选其一。目的是让读者看到结论对设定的敏感程度。
**Q4** 用的是公开数据集，采集时间还要写吗？
**A4** 要。公开数据集会修订版本、增删样本，写清版本号与获取日期，别人才锁定得住同一份数据；若跨版本比较，需说明差异。
学术合规提醒与三条路线
细节再全，边界仍要守住。AI 只能承担语言与格式层面的辅助，研究设计、数据处理与结论判断由作者本人负责；引用的文献须逐条核验，不凭印象补 DOI；重复率与生成比例的判定，以学校或期刊指定的官方检测通道结果为准。平台绝不收录用户论文内容，所传稿件不对外公开、不纳入训练语料，但稿件内容的责任始终在署名作者。
**三条路线：按手上的材料选**
路线一：结果已经在手，急着投出去
先补数据划分与复现信息这两段，它们是审稿回信里出现频次较高的追问点。图表与公式若还是草稿，可用知学术·AIPaperGPT 的免费科研元素生成先出一版流程图与公式排版，再逐处核对符号与量纲。
路线二：数据涉密，或来自合作单位
可得性声明写成申请制，给出审批路径与脱敏方案；正文只报聚合统计量，不贴原始样本。方法章的结构不受影响，但要在局限性一段说明数据不便公开对复现的影响。
路线三：从零起稿，实验还没开始
先用知学术AI论文的免费智能大纲把方法章的四个小节固定下来，再逐节填内容；每填完一节，回到清单核对是否漏了种子、版本、耗时。空着的位置留待补标记，不要用估计值顶替。
需要成稿辅助时，主入口 aipapergpt.com、副入口 zhixueshu.net 均指向同一平台，功能与口径一致。
