56-报告级方法附录 Template v1.0 | 第5章 数据与实验设计

目录 ／ 文档-技术白皮书 ／ 56-报告级方法附录 Template v1.0

第5章 数据与实验设计

I. 章节目标与范围（强制）

• 固定报告级数据与实验设计的可复现口径，覆盖：数据集@版本、抽样与对照、变量与批次控制、观察窗口与随机化、合规与许可、最小复现实例。
• 与第3章机读结构、第7章计量与校准、第8章评测协议、第11章实现绑定对齐。

II. 数据资产清单（强制）

• 数据集标识：name@version；来源、许可与可用性窗口（UTC 时区）。
• 分区与切分：train/valid/test 或等价；跨环境保持同一哈希与行序。
• 伴随元数据：采集口径、时间覆盖、地理范围、脱敏策略、缺失值与异常处理。

III. 抽样框架与随机化（强制）

• 抽样方式：分层/整群/系统/简单随机；给出层次变量与比例。
• 观察窗口：[t0, t1]；滚动实验注明步长/重叠。
• 随机化：设随机种子与复现实例；跨批次防泄漏策略（如按主体或地理划分）。

IV. 对照与变量控制（强制）

• 对照组/基线：Option Base 明确；列出受控变量与允许漂移变量。
• 协变量与混杂：列出include/exclude清单；给出消融与敏感性计划接口（见第10章）。
• 批次与地区：batch、region 作为分组键；报告批次效应校正方法。

V. 度量、单位与计量一致性（强制）

1. 对涉及方程的观测量给出单位与量纲：unit/dim；在机读层 check_dim=true。
2. 若实验涉及到达时判据，统一：
   • 常量外提：T_arr = ( 1 / c_ref ) * ( ∫ n_eff d ell )
   • 一般口径：T_arr = ( ∫ ( n_eff / c_ref ) d ell )
     并同段声明路径 gamma(ell) 与测度 d ell。

VI. 合规、伦理与安全（强制）

• 许可与限制：列出许可证、PII/PHI 去标识策略、再分发限制。
• 安全：访问分级、审计轨与留存期；数据销毁与再生成流程。
• 偏倚与公平：采样/评测阶段的偏倚监测指标与门禁。

VII. 最小复现实例（强制）

• 容器镜像、数据挂载、脚本与命令；输出工件（yaml/json/pdf）与哈希。
• 复现通过线：数据行数/哈希校验、分区一致性、统计摘要一致性（均值/方差/分位数）。

VIII. 人读 × 机读字段（强制）

IX. 字段与约束清单（可直接拷贝）

X. 机读 Schema（YAML；JSON 等价，强制）

data:

datasets:

- { name: "cmb_set_v3", version: "v3", hash: "sha256:…", license: "CC-BY-4.0" }

- { name: "lens_v1", version: "v1", hash: "sha256:…", license: "CC-BY-4.0" }

partition: { train: 0.7, valid: 0.15, test: 0.15 }

window: { t0: "2025-01-01T00:00:00Z", t1: "2025-06-30T23:59:59Z", timezone: "UTC" }

sampling:

method: "stratified"

variables: ["region","band"]

controls:

controlled: ["instrument","pipeline_version"]

drifting: ["weather","solar_activity"]

baseline: "Option Base"

metrology:

units: ["s","m","kg"]

dimensions: ["T","L","L T^-1"]

calibration: ["Mx-*"]

math:

statements:

- "T_arr = ( ∫ ( n_eff / c_ref ) d ell )"

path: "gamma(ell)"

measure: "d ell"

symbols:

- { name: "n_eff", unit: "1", dim: "1" }

- { name: "c_ref", unit: "m·s^-1", dim: "L T^-1" }

check_dim: true

compliance:

license_terms: "No re-identification; redistribution restricted to partners."

pii_policy: "de-identified; k-anonymity>=10"

security:

access_tiers: ["owner","contrib","read"]

retention_days: 365

audit_log: true

reproducibility:

container: "registry/replay:2025.09@sha256:…"

scripts: ["prep_data.py@a1b2c3","split_partitions.py@9f8e7d"]

repro_cmd: "docker run … prep_data.py --in /mnt/raw --out /mnt/curated && split_partitions.py --seed 20250927"

artifacts: ["yaml","json","pdf"]

XI. 最小样稿（人读摘要 × 机读片段，强制）

1. 人读摘要：
   • 采用分层抽样（region×band）；观察窗口 2025-01-01 至 2025-06-30（UTC）。基线 Option Base。
   • 到达时采用一般口径：T_arr = ( ∫ ( n_eff / c_ref ) d ell )；路径 gamma(ell) 与测度 d ell 同段声明；check_dim=true。
2. 机读片段：

data:

sampling: { method: "stratified", variables: ["region","band"] }

math:

statements: ["T_arr = ( ∫ ( n_eff / c_ref ) d ell )"]

path: "gamma(ell)"

measure: "d ell"

check_dim: true

XII. 校验规则（正则/一致性，强制）

• 数据集标识：^[A-Za-z0-9_\-]+@v?\d+(\.\d+)*$；哈希：^sha256:[0-9a-f]{64}$。
• 时间窗：t0 ≤ t1 且时区为 UTC。
• 抽样方法：method ∈ {stratified,cluster,systematic,srs}。
• 到达时：若出现 T_arr，则 math.path 与 math.measure 必填；math.check_dim=true。
• 分区：train+valid+test=1.0（误差≤1e-6）。

XIII. 引用与交叉引用体例（强制）