Scaling Reproducibility: An AI-Assisted Workflow for Large-Scale Replication and Reanalysis
规模化复现：人工智能辅助的大规模复现与再分析流程AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：核心是跨研究的计算复现流程，工具变量诊断属于次要应用，尚不足以对应所列细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
规模化复现：人工智能辅助的大规模复现与再分析流程
- 研究问题
- 如何降低逐篇核验发表研究的计算复现成本，并在较大样本中评估复现状况、开展跨研究的标准化工具变量诊断？
- 方法与思路
- 作者构建材料获取、环境重建、代码运行和回归表点估计匹配流程，对分层抽取的三百八十四项研究进行全篇计算复现。
- 材料陈述的贡献
- 摘要报告归档与核验要求实施后较高的复现比例，并展示对多项研究批量执行工具变量诊断的能力，支持规模化再分析。
- 阅读关注点
- 应核对抽样与材料可得性、完全或大体可复现的判定标准、输出匹配容差，以及制度前后差异是否受到研究构成变化影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；计算结果复现不等于因果识别有效，摘要不足以验证制度影响的归因。
原文摘要
Computational reproducibility is central to scientific credibility, yet verifying published results at scale remains costly. We develop an AI-assisted workflow for automated full-paper replication -- retrieving materials, reconstructing environments, executing code, and matching outputs to point estimates reported in regression tables. We define a universe of all empirical and quantitative papers from the three top political science journals (2010--2025) and measure stated data availability using automated extraction. For a stratified sample of 384 studies, we apply the workflow to conduct full-paper replication, totaling 3,523 empirical models. We find that journal verification requirements, combined with data archiving mandates, drive reproducibility: the share of fully or largely reproducible papers rises from 20.8% before DA-RT adoption to 82.5% after, and conditional on accessible replication packages, 92.1% of papers are fully or largely reproducible (234/254). As a secondary application, we apply standardized IV diagnostics to 84 studies (597 IV specifications among 1,910 replicated models), illustrating how automated execution enables systematic reanalysis across heterogeneous empirical settings.