Jak dotąd najlepszym sposobem jest dołączenie całego kodu jako materiału uzupełniającego. Jeśli to możliwe, dołącz także pliki z odpowiednimi losowymi nasionami potrzebnymi do odtworzenia wyników. Pozwala to nie tylko na odtworzenie twoich wyników (na których możesz się nie przejmować), ale także na łatwiejsze kontynuowanie tam, gdzie zostało przerwane. Pozwala to na współpracę i cytowanie nowych prac. Niestety, wiąże się to z trudnością zmuszania do wyczyszczenia kodu i upewnienia się, że nie zawiera błędów. Dlatego jest to ideał bardziej niż to, co jest zwykle stosowane w praktyce. Ale przynajmniej powinieneś zarchiwizować wersję kodu używaną do tworzenia wyników, w ten sposób, jeśli inny badacz poprosi o kod, możesz go wygenerować.
Jeśli chodzi o opis w twoim artykule, skoncentrowałbym się na wysokim poziomie, niezależnym od implementacji opisie kluczowych nowatorskich cech modelu (jest to część praktyczna, którą osiąga najwięcej dobrych artykułów). Skoncentruj się na funkcjach, które jakościowo zmienią wynik, jeśli zostaną poprawione. Większość modeli, z którymi pracuję, daje wyniki ilościowe, ale konkretne wielkości zwykle nie są interesujące, a jedynie zachowanie jakościowe (ponieważ parametry są zwykle dalekie od parametrów możliwych do zaobserwowania). Dlatego skupiam się na opisaniu części modelu, które jeśli zostaną zmienione, zmienią jakościowe zachowanie systemu. Jeśli ten sposób myślenia zmusza mnie do opisania każdego ostatniego szczegółu mojego modelu aż do implementacji, to wiem, że mój model nie jest bardzo solidny i dlatego powinien zostać złomowany.
Dobrym sposobem na sprawdzenie, czy Twój opis w formie papierowej jest wystarczający, jest poproszenie przyjaciela (lub studenta), który nie pracował z tobą nad tym projektem, o opisanie, w jaki sposób mogą zaimplementować twój model, to pseudo-kod. Jeśli nie utkną podczas próby (jak w przypadku otrzymania szkicu modelu, który powinien dać takie same wyniki jakościowe), to wiesz, że dobrze spisałeś się.