该文综述机器学习可重复性危机，指出尽管社区提出平台等方案，可重复性仍未显著提升。文章梳理相关文献，分析障碍，并评估工具、实践与干预等潜在驱动因素，为不同解决方案的可行性提供决策支持。

该文聚焦机器学习与自然语言处理中的可重复性危机，指出情感分析等领域因代码共享不足、方法描述缺失、预处理与参数细节不全而难以复现结果，超参数选择差异也会引入偏差。文章建议采用多数据集评估、公开代码与统一框架，并将数据复现任务纳入教学，以提升可重复性与泛化性。