← DSAI5T09 全部讲次
L05a-3 · 第 6 周

L05a-3 代码盗用与引用:公开的代码也有主人

第四根失范支柱代码盗用:permission、attribution、任务规则三个边界;安全复用四条;引用数据和代码的四件套与公式。含课件 weather-sim 仓库案例和删文件头辨析。

一句话版

别人的代码和数据集能用,但要按许可用、留着原作者的名字、守任务的规则,并写清你用的是哪一版、改了什么。

前两页讲了剽窃、捏造和篡改,见 L05a 和 L05a-2。这一页讲第四根柱子。

先认识这几个词

词 英文 一句人话
代码盗用 Code Theft 把别人的代码当成自己的,或缺许可、缺署名地复用
许可证 license 作者写明别人可以怎样使用这份代码或数据的条款
文件头 header 源文件开头写版权和许可的那几行注释
仓库 repository 存放代码和改动历史的地方,比如 GitHub 上的一个项目
commit hash 提交编号 仓库里某一次改动的唯一编号,能精确指向一个版本
release 发布版本 仓库作者打了标签的某个固定版本

一个类比:借书

从图书馆借书,你可以读、可以摘抄,但有几条规矩:要按图书馆的借阅规则来,书上的作者名不能撕掉,写文章引用时要写清书名、作者和第几版。

用别人的代码一样。许可证就是借阅规则;文件头就是书上的作者名;引用时写清版本,好让别人找到同一本。任务规则多一层:老师可能规定这次作业某些书不许借。

类比在一处失效:书借了要还,代码复制了就一直在你那里。所以规矩要在复制那一刻就守住,事后很难补。

从零讲起

1. 代码盗用:三个边界

它解决什么问题

GitHub 上有大量公开代码,搜一下就能复制。很多同学的想法是「既然公开了,就是给人用的」。代码盗用这根柱子,就是要说清公开和能随便用之间差了什么。

直觉

课件给代码盗用的定义是:把别人的代码当成自己的,或在缺少必要许可与署名的情况下复用。它是剽窃在代码场景的特化,额外强调许可。

课件页脚那句话最好记:公开可见的代码不是无主的,边界是 permission(许可)、attribution(署名)和任务本身的规则(the rules of the task)。公开只解决了你能不能看到它,没解决你能不能把它交上去当成自己的作业。

一步一步看

目标:拿删掉许可头交上去的公开 notebook 代码逐个过三个边界,看公开可见为何不等于无主。

案例:同学从一个公开的 notebook 复制了特征工程代码,删掉许可头,交进小组项目。逐个边界检查。

  1. 边界一 permission:许可允许这样用吗?没核过许可证写了什么条件。

    判断帧第 1 步:案例是同学复制公开 notebook 代码并删掉许可头交进项目;第一行边界 permission 被高亮,答案是没核过许可证写了什么条件

  2. 边界二 attribution:署名留了吗?许可头被删,看不出原作者是谁。

    判断帧第 2 步:第一行已答,第二行边界 attribution 被高亮,答案是许可头被删,看不出原作者是谁

  3. 边界三 rules of the task:任务允许吗?没读任务规则,不知道能否整段复用。

    判断帧第 3 步:前两行已答,第三行边界 rules of the task 被高亮,答案是没读任务规则,不知道能否整段复用

  4. 下结论:三个边界都没过,是代码盗用。公开可见不等于无主。

    判断帧第 4 步:三行答案全部列出,底部结论框写着三个边界都没过,是 Code Theft,公开可见不等于无主

怎么判断

复用任何一段别人的代码前,问三句:

边界 问题 过不了时的典型情况
permission 许可证允许我这样用吗 没有许可证,或许可证限制了用途
attribution 原作者的名字和许可声明还在吗 删掉了文件头、改了变量名
rules of the task 这次任务允许复用外部代码吗 作业要求独立完成,或要求声明外部代码

意思是:三条都过了,复用才合法;任何一条过不了,先停下来问清楚。课件的建议是:拿不准能不能复用,提交之前先问。

常见误解

以为改了变量名、调了顺序,代码就算自己的了

课件 weather-sim 漫画里的错误路径就是复制、删文件头、改变量名、当作自己的提交。改名只让来源更难追,没改变代码是别人写的这件事。

以为开源许可就是「随便用」

开源许可大多有条件,最常见的条件就是保留原作者的版权和许可声明。下一个概念会讲。

试一下

同学 F 从一个没有任何许可证文件的公开仓库复制了一个函数,保留了作者注释,在报告里写了仓库链接。三个边界各过没过?

attribution 过了,作者注释和链接都在。permission 过不了,没有许可证意味着作者没明确授权别人复用,要先问作者。rules of the task 题目没说,要去读任务规则。

2. 安全复用四条

它解决什么问题

知道了三个边界,具体落到动作上该怎么做?课件给了四条安全复用规则(SAFE REUSE RULES),照着做就能把复用变成可追溯的。

从哪来(补充)

以常见的 MIT 许可证为例,条文写明:上述版权声明和本许可声明应包含在软件的所有副本或主要部分中。也就是说,MIT 允许几乎任何用途,唯一的硬条件是把版权和许可声明留着。出处:Open Source Initiative: The MIT License。

这正是安全复用第二条「保留文件头」要守的东西。

直觉

四条规则是:

  • Check the License:看清是 MIT、GPL 还是 CC,按各自的署名要求做
  • Keep Headers:永远不删原文件的版权和许可头
  • Document Changes:写清相对原版改了什么
  • Cite the Repository:链到你实际用的那个 branch 或 release

前两条对应 permission 和 attribution,后两条让别人分得清哪部分是原作者写的、哪部分是你改的。

一步一步看

目标:拿 MIT 仓库里的一个绘图函数把四条逐条做完,看复用怎样变得可追溯、分得清哪部分是你写的。

案例:想在作业里复用一个 MIT 许可仓库里的绘图函数。四条逐条做。

  1. Check the License:MIT 允许复用,条件是保留版权和许可声明。

    判断帧第 1 步:案例是复用 MIT 许可仓库里的绘图函数;第一行 Check the License 被高亮,答案是 MIT 允许复用,条件是保留版权和许可声明

  2. Keep Headers:文件头原样保留,不删不改。

    判断帧第 2 步:第一行已答,第二行 Keep Headers 被高亮,答案是文件头原样保留,不删不改

  3. Document Changes:在注释和报告里写清改了哪些地方、为什么。

    判断帧第 3 步:前两行已答,第三行 Document Changes 被高亮,答案是在注释和报告里写清改了哪些地方、为什么

  4. Cite the Repository:链到实际用的那个 release 或 branch。

    判断帧第 4 步:前三行已答,第四行 Cite the Repository 被高亮,答案是链到实际用的那个 release 或 branch

  5. 下结论:四条做完,复用可以追溯,别人分得清哪部分是你写的。

    判断帧第 5 步:四行答案全部列出,底部结论框写着四条做完,复用可以追溯,别人分得清哪部分是你写的

怎么判断

拿四条去对照你的提交,每条问一句能不能指出证据:

规则 能指出的证据
Check the License 说得出许可证名称和它的署名要求
Keep Headers 复用文件的开头,原作者的版权和许可声明还在
Document Changes 注释或报告里有一段「相对原版改了什么」
Cite the Repository 报告里有指向具体 release 或 branch 的链接

意思是:每条规则都要留下看得见的证据,凭记忆说「我守了」不算。

常见误解

以为删掉文件头是「整理代码」

课件 weather-sim 漫画的错误路径里有一步 DELETE HEADER,安全复用规则直接写成 Keep Headers。删头抹掉的是归属,整理代码不需要动它。

以为链到仓库首页就够了

仓库会一直更新,首页上的代码明天可能就变了。要链到具体的 branch 或 release,别人才能拿到你用的那一版。

试一下

你复用了一个仓库里的两个函数,改了其中一个的参数默认值。报告里只写了「部分代码参考了某仓库」加首页链接。四条里哪几条没做到?

Document Changes 没做到,没写改了哪个函数的哪个默认值。Cite the Repository 不完整,只链了首页,没链到具体版本。Check the License 和 Keep Headers 从这段描述看不出来,要去核。

3. 引用数据和代码:四件套

它解决什么问题

写论文引用书和文章,大家都会。可是用了一个数据集、一个软件包,参考文献怎么写?很多人只写个名字,别人根本找不到同一版本,也就复现不了你的结果。

直觉

课件的要求是让复用可追溯:写清创建者(creator)、确切版本(exact version)、许可证(license),以及你改了什么(what you changed)。这四件套各管一件事:谁做的、哪一版、能怎么用、你动了哪里。

课件还给了两个引用公式:

  • 代码:Author (Year). Title [Software]. Version. URL/DOI.
  • 数据集:Creator (Year). Title [Dataset]. Repository. DOI.

公式下面有一句脚注:始终写上确切的版本号或 commit hash,好让结果可以复现。

一步一步看

目标:给报告里的数据集和软件包逐件补齐四件套,看齐了之后别人怎样拿到同一版本复现结果。

案例:报告用了一个公开数据集和一个开源软件包,要把它们写进参考文献。四件套逐件补。

  1. creator:写数据集的创建者、软件的作者。

    判断帧第 1 步:案例是报告用了公开数据集和开源软件包;第一行 creator 被高亮,答案是写数据集的创建者、软件的作者

  2. exact version:写版本号;没有版本号就写 commit hash。

    判断帧第 2 步:第一行已答,第二行 exact version 被高亮,答案是写版本号,没有版本号就写 commit hash

  3. license:写明许可证,确认你的用法在许可之内。

    判断帧第 3 步:前两行已答,第三行 license 被高亮,答案是写明许可证,确认用法在许可之内

  4. what you changed:列出你相对原版做的改动。

    判断帧第 4 步:前三行已答,第四行 what you changed 被高亮,答案是列出相对原版做的改动

  5. 下结论:四件套齐了,别人能拿到同一个版本复现你的结果。

    判断帧第 5 步:四行答案全部列出,底部结论框写着四件套齐了,别人能拿到同一个版本复现结果

怎么判断

检查一条数据或代码引用,对照公式逐项看:

公式里的项 管什么 缺了会怎样
Author / Creator 与 Year 谁做的、什么时候 署名缺失,过不了 See who
Title 与类型标签 [Software] / [Dataset] 引的是什么东西 读者分不清是论文还是工具
Version / commit hash 哪一版 别人拿到新版,结果对不上,过不了 Reproduce
URL / DOI / Repository 去哪找 找不到原件,过不了 Trace

意思是:引用公式的每一项,都对应 Boundary Test 里的一个问题。许可证和改动不在公式里,要另外在报告里写明。

常见误解

以为写了数据集名称就算引用了

同名数据集可能有好几个版本,内容不同。没有版本或 DOI,别人拿到的可能不是你用的那一份。

以为软件包很常用就不用引

四件套的目的是可追溯,和软件有多出名无关。版本不同,函数的默认行为可能不同,结果也会不同。

试一下

按课件公式,为一个虚构的软件包写引用:作者 Lee,2024 年发布,名称 FastClean,版本 2.1,网址自拟。再说说为什么必须写版本。

Lee (2024). FastClean [Software]. Version 2.1. https://example.org/fastclean。必须写版本,因为别人装到 3.0 版时,清洗规则可能已经变了,结果就复现不了。

把它们串起来

代码盗用是剽窃在代码场景的特化。它多了一个边界:许可。公开可见只让你看得到代码,能不能用、怎么用,由许可、署名和任务规则三条一起决定。

安全复用四条把三个边界落成动作:看许可、留文件头、写改动、链到具体版本。引用四件套和公式再往前一步,让别人能找到同一份数据和同一版代码,复现你的结果。

到这里四根柱子讲完了。下一页讲失范一旦发生会扩散到哪里,以及怎样在做作业的过程中预防它。

课件里的坑

  • [跨页对照] p.8 漫画错误路径里的 DELETE HEADER,在 p.14 被写成硬规则 Keep Headers。两页合看才完整:删头抹掉的是归属
  • [读题提醒] p.8 正确路径四步是 CHECK PERMISSION、READ COMPETITION RULES、LINK ORIGINAL REPOSITORY、DOCUMENT MODIFICATIONS,和 p.14 的安全复用四条措辞不同,内容同族;默写时看题问的是哪一页
  • [读题提醒] p.13 的四件套(creator、version、license、changes)和 p.14 的引用公式不完全重合:公式里没有许可证和改动,这两项要在报告正文另写

课后 10 分钟:考点复习

这 10 分钟怎么用:合上页面,先默写三个边界词、安全复用四条、引用四件套和两个公式;再做课件例题和变式题;最后回查一个易错点:公开可见不等于无主。

必背

  1. Code Theft 是把别人的代码当成自己的,或在缺少必要许可与署名的情况下复用
  2. 公开可见的代码不是无主的;边界是 permission、attribution、以及任务本身的规则
  3. 安全复用四条:Check the License、Keep Headers、Document Changes、Cite the Repository
  4. 引用数据与代码要写清 creator、exact version、license、what you changed
  5. 引用公式:代码写 Author (Year). Title [Software]. Version. URL/DOI;数据集写 Creator (Year). Title [Dataset]. Repository. DOI;必须含确切版本或 commit hash

课件例题

例 1(课件 p.8):公开仓库里的 weather-sim

见下方完整例题。

例 2(课件 p.14):哪一条规则否定了「删掉文件头」

题面:SAFE REUSE RULES 四条是什么?其中哪一条直接否定 p.8 错误路径里的 DELETE HEADER?

提示

四条里有一条的名字就带着 Header。

解答

四条是 Check the License、Keep Headers、Document Changes、Cite the Repository。直接否定 DELETE HEADER 的是 Keep Headers:永远不删原文件的版权和许可头。删头抹掉的是归属。

完整例题

课件 p.8 原题:学生在公开仓库 open-source / weather-sim 找到代码,作者 Alex Rivera,MIT License 可见。错误路径是复制、删掉文件头、改变量名、当作自己的提交。请指出错误路径踩了哪根柱子、缺了哪几个边界,并写出正确路径。

① 定性。错误路径是 Code Theft:把别人的代码当成自己的提交,同时删掉了署名和许可信息。

② 逐个边界看。permission:MIT 许可允许复用,但条件是保留版权和许可声明,删头就违反了条件。attribution:文件头里有 Alex Rivera 的名字,删掉后看不出原作者。rules of the task:学生没去读比赛或任务规则,不知道能否复用外部代码。

③ 正确路径。课件给了四步:

  • 核实许可(CHECK PERMISSION)
  • 读比赛或任务规则(READ COMPETITION RULES)
  • 链回原仓库(LINK ORIGINAL REPOSITORY)
  • 记录自己的改动(DOCUMENT MODIFICATIONS)

另外,许可头和作者头要原样保留。

④ 依据。课件页脚:公开可见的代码不是无主的,边界是 permission、attribution 和任务规则。

⑤ 结论。复用本身可以,错在删头、改名、冒充。按四步走,同一段代码就能合法地用进作业。

变式题(先自己做)

自编情境:同学 G 从一个 GPL 许可的仓库复制了一个模块,保留了文件头,在报告里写了「代码来自某仓库」并附首页链接;他改了模块里两个函数,没有记录改了什么。任务规则写明「允许使用外部代码,但须注明来源和改动」。请检查三个边界和安全复用四条,指出问题并给出修法。

提示

先过三个边界,再过四条规则。注意任务规则里的「改动」两个字,和链接指向的是不是具体版本。

判分点与答案

判分点:① 判出 attribution 已满足;② 判出任务规则要求的改动说明没做到;③ 指出链接要指向具体版本;④ 提到要核 GPL 的条件。

三个边界:attribution 满足,文件头留着、报告写了来源。rules of the task 不满足,规则要求注明改动,G 没记录。permission 要核:GPL 有它自己的署名和使用条件,G 要读条款,确认作业的使用方式在许可之内。

四条规则:Keep Headers 做到了。Document Changes 没做到。Cite the Repository 不完整,首页链接要换成具体 release 或 commit。Check the License 需要补核。

修法:在报告里写明改了哪两个函数、改了什么;把链接换成具体版本;读一遍 GPL 的条款,确认用法合规。

闪卡自测

1. Code Theft 的定义是什么?

把别人的代码当成自己的,或在缺少必要许可与署名的情况下复用(p.4)。

2. 公开代码复用的三个边界词是什么?

permission、attribution、rules of the task。公开可见 ≠ 无主(p.8)。

3. weather-sim 正确路径的四步?

CHECK PERMISSION、READ COMPETITION RULES、LINK ORIGINAL REPOSITORY、DOCUMENT MODIFICATIONS(p.8)。

4. 引用四件套是哪四样?

creator、exact version、license、what you changed(p.13)。

5. 代码和数据集的引用公式?

Author (Year). Title [Software]. Version. URL/DOI;Creator (Year). Title [Dataset]. Repository. DOI(p.14)。

6. 安全复用四条?

Check the License、Keep Headers、Document Changes、Cite the Repository(p.14)。

下一讲

下一页 L05a-4 讲一次失范的后果链,以及把诚信变成工作流的六步预防。

下一讲 →
L05a-4 L05a-4 后果与预防:一次捷径怎样扩散,诚信怎样边做边建

个人整理的学习笔记,不是官方材料;数字与结论以课件和讲师为准。