我们提出了一套六阶段审计框架，用于评估计算机科学领域文献中的科学主张可复现性，并将其在神经符号人工智能（NSAI）子领域进行实例化。
第一阶段检索到 5,497 条记录，去除 3,018 条重复后剩余 2,479 条。
第二阶段对标题和摘要进行筛选，确认 1,365 条自认属于 NSAI 的记录；随后在全文层面剔除 61 条，原因包括主题不符、非研究、缺乏量化评估或全文不可获取。
第三阶段为每篇 1,304 篇合格记录寻找可验证的公开代码制品，结果发现 849 篇根本没有代码制品，剩余 455 篇进入制品清单并进入后续的四、五阶段。
在第四、五阶段的受限复现尝试中，我们成功全部或部分复现了 85 项研究，占合格语料库的 6.52%，占尝试复现的 18.68%。
复现受阻的主要原因包括缺失非代码制品（321 次）和缺失或不可用的代码仓库（42 次）。这些数据表明，即使作者声明“代码可用”，仍然存在显著的可复现性缺口，亟需在未来的 NSAI 论文中强制要求提供完整、版本化、永久归档的制品捆绑。
博主点评：本研究通过系统化的审计流程量化了神经符号领域的复现危机，为学术出版规范提供了可操作的改进方向，值得社区广泛关注。