alterlab-peer-review

手稿与基金申请同行评审

概述

同行评审是评估科学手稿和提案的系统性流程。评估方法学、统计分析、研究设计、可重复性、伦理和报告标准，然后提交一份结构清晰、具有建设性的评审报告。将此技能用于各学科的手稿和基金申请评审。

何时使用此技能

在以下情况下应使用此技能：

• 对期刊的科学手稿进行同行评审
• 评估基金申请和研究申请
• 评估方法学和实验设计的严谨性
• 审查统计分析和报告标准
• 评估可重复性和数据可用性
• 检查是否符合报告指南（CONSORT、STROBE、PRISMA）
• 为科学写作提供建设性反馈

不适用的情况

场景	改用
模拟多位评审组成的评审小组，由编辑作出接收／小修／大修／拒稿决定并制定修订路线图	alterlab-paper-reviewer
评估证据质量，或发现论断中的偏见、混杂因素或因果推断缺陷	alterlab-scientific-thinking
根据加权数值评分标准为作品打分或排名	alterlab-scholar-eval
修改自己的手稿，或撰写回复评审意见的信函	alterlab-paper-writer
核实参考文献列表是否真实（是否存在伪造或已撤稿的引文）	alterlab-citation-verifier

保密与 AI 使用

正在评审的手稿和提案均属保密内容，且多家资助机构和出版商限制评审人员使用生成式 AI。在处理他人尚未发表的作品之前，请询问此次评审所针对的机构或平台，并遵守其政策：

• NIH 禁止评审人员使用生成式 AI 分析或撰写同行评审意见，也禁止将申请内容上传至 AI 工具（NOT-OD-23-149）。
• NSF 禁止评审人员将提案内容或评审记录上传至未经批准的生成式 AI 工具（致科研界的通知，2023 年 12 月）。
• 出版商：Springer Nature 要求评审人员不要将手稿上传至生成式 AI 工具，并在报告中声明任何 AI 辅助；Elsevier 表示评审人员不应将手稿或其任何部分上传至 AI 工具，仅允许在辅助角色中使用 AI（例如润色报告语言），并须披露。许多期刊和会议（例如 ICML、NeurIPS、ICLR）也会公布各自的评审人员大模型使用政策。

如果禁止使用 AI 辅助，请勿将保密文本输入 AI：可以将下方的评审框架作为模板，供评审人员自行填写，或仅讨论评审人员自己的笔记。如果允许使用，请确保评审人员掌握评判主导权，并提醒其按照机构或平台的要求披露 AI 辅助。用户评审自己的手稿不受此限制。

同行评审工作流

按照以下阶段系统地开展同行评审，并根据手稿类型和学科调整评审深度与重点。

阶段 1：初步评估

首先进行高层次评估，判断手稿的研究范围、创新性和整体质量。

关键问题：

• 核心研究问题或假设是什么？
• 主要发现和结论是什么？
• 研究在科学上是否可靠且具有重要意义？
• 研究是否适合预期投稿的期刊或平台？
• 是否存在任何足以阻止发表的重大缺陷？

输出： 用 2–3 句话简要概述手稿的核心内容和初步印象。

阶段 2：逐节详细评审

全面评估手稿的各个部分，记录具体问题和优点。

摘要和标题

• 准确性： 摘要是否准确反映了研究内容和结论？
• 清晰度： 标题是否具体、准确且信息充分？
• 完整性： 是否恰当地概述了关键发现和方法？
• 可读性： 广泛的科学读者群体是否能理解摘要？

引言

• 背景： 背景信息是否充分且及时？
• 研究依据： 研究问题的动机和依据是否阐述清楚？
• 新颖性： 是否清楚阐明了研究的原创性和重要意义？
• 文献： 是否恰当地引用了相关既有研究？
• 研究目标： 是否清楚陈述了研究目标和假设？

方法

• 可重复性： 其他研究人员能否根据所提供的描述重复该研究？
• 严谨性： 方法是否适用于回答研究问题？
• 细节： 是否充分描述了方案、试剂、设备和参数？
• 伦理： 是否妥善记录了伦理审批、知情同意和数据处理方式？
• 统计： 统计方法是否适当、描述清晰且有依据？
• 验证： 对照、重复和验证方法是否充分？

需要核实的关键要素：

• 样本量和统计功效计算
• 随机化和盲法程序
• 纳入／排除标准
• 数据收集方案
• 计算方法和软件版本
• 统计检验及多重比较校正

结果

• 呈现： 结果是否按逻辑清晰地呈现？
• 图表： 可视化内容是否恰当、清晰且标注规范？
• 统计： 统计结果是否报告得当（效应量、置信区间、p 值）？
• 客观性： 结果是否在没有过度解读的情况下呈现？
• 完整性： 是否纳入了所有相关结果，包括阴性结果？
• 可重复性： 是否提供了原始数据或汇总统计数据？

需要识别的常见问题：

• 选择性报告结果
• 统计检验不恰当
• 缺少误差线或变异性指标
• 过拟合或循环分析
• 批次效应或混杂变量
• 缺少对照或验证实验

讨论

• 解读： 结论是否有数据支持？
• 局限性： 是否承认并讨论了研究局限性？
• 背景： 是否将研究发现恰当地置于现有文献背景下？
• 推测： 是否清楚区分了推测与有数据支持的结论？
• 重要意义： 是否清楚阐明了研究的影响和重要意义？
• 未来方向： 是否讨论了后续步骤或尚未解答的问题？

警示信号：

• 结论夸大
• 忽略相悖证据
• 根据相关性数据作出因果论断
• 对局限性的讨论不足
• 缺乏机制证据却提出机制性论断

参考文献

• 完整性： 是否引用了重要的相关论文？
• 时效性： 是否纳入了近期的重要研究？
• 平衡性： 是否恰当地引用了不同观点？
• 准确性： 引文是否准确且恰当？
• 自引： 是否存在过度或不恰当的自我引用？

阶段 3：方法学与统计严谨性

评估研究的技术质量和严谨性，尤其关注常见陷阱。

统计评估：

• 是否满足统计假设（正态性、独立性、方差齐性）？
• 是否在报告 p 值的同时报告效应量？
• 是否恰当地进行了多重检验校正？
• 是否提供了置信区间？
• 是否通过功效分析论证了样本量的合理性？
• 是否恰当地选择了参数检验或非参数检验？
• 是否妥善处理了缺失数据？
• 是否区分了探索性分析与验证性分析？

实验设计：

• 对照是否恰当且充分？
• 重复是否充分（生物学重复和技术重复）？
• 是否识别并控制了潜在混杂因素？
• 是否正确实施了随机化？
• 盲法程序是否充分？
• 实验设计是否最适合研究问题？

计算/生物信息学：

• 是否清晰说明并论证了计算方法？
• 是否记录了软件版本和参数？
• 是否提供代码以确保可复现性？
• 是否恰当地验证了算法和模型？
• 是否满足计算方法的假设？
• 是否恰当地进行了批次校正？

阶段 4：可复现性与透明度

评估研究是否符合现代可复现性与开放科学标准。

数据可用性：

• 是否已将原始数据存入适当的存储库？
• 是否提供了公共数据库的登录号？
• 是否对数据共享限制（例如患者隐私）作出了合理说明？
• 数据格式是否标准且易于访问？

代码与材料：

• 是否提供了分析代码（GitHub、Zenodo 等）？
• 是否提供了独特材料，或对其进行了充分描述以便复现？
• 是否详细说明了实验方案？

报告标准：

• 稿件是否遵循当前学科特定的报告指南（试验适用的 CONSORT 2025、试验方案适用的 SPIRIT 2025、系统综述适用的 PRISMA 2020、STROBE、STARD 2015、TRIPOD+AI、ARRIVE 2.0、MIAME、MINSEQE 等）？EQUATOR Network（equator-network.org）收录了这些指南。
• 常见指南请参阅 references/reporting_standards.md
• 是否涵盖了适用清单中的所有要素？

阶段 5：图表与数据呈现

评估数据可视化的质量、清晰度和完整性。

质量检查：

• 图表是否具有高分辨率且标注清晰？
• 坐标轴是否标注了单位？
• 是否说明了误差线的定义（SD、SEM、CI）？
• 是否解释了统计显著性标记？
• 配色方案是否恰当且易于辨识（适合色盲人士）？
• 图像是否包含比例尺？
• 数据可视化方式是否适合数据类型？

完整性检查：

• 是否存在图像处理的迹象（重复、拼接）？
• Western blot 和凝胶图是否恰当呈现？
• 代表性图像是否确实具有代表性？
• 是否展示了所有条件（无选择性呈现）？

清晰度：

• 图表及其图注能否独立表达完整信息？
• 每张图表的主旨是否一目了然？
• 是否存在冗余图表或分面？
• 数据是否更适合以表格或图表呈现？

阶段 6：伦理考量

核实研究是否符合伦理标准和指南。

人体受试者：

• 是否记录了 IRB/伦理审批？
• 是否说明了知情同意？
• 是否对弱势群体提供了适当保护？
• 是否充分保护了患者隐私？
• 是否披露了潜在利益冲突？

动物研究：

• 是否记录了 IACUC 或同等机构的审批？
• 研究流程是否人道且合理？
• 是否考虑了 3R 原则（替代、减少、优化）？
• 安乐死方法是否恰当？

研究诚信：

• 是否存在数据捏造或篡改方面的疑虑？
• 作者署名是否恰当且合理？
• 是否披露了竞争性利益？
• 是否披露了资金来源？
• 是否存在抄袭或重复发表方面的疑虑？

阶段 7：写作质量与清晰度

评估稿件的清晰度、组织结构和可读性。

结构与组织：

• 稿件的组织是否合乎逻辑？
• 各章节之间的衔接是否连贯？
• 不同观点之间的过渡是否清晰？
• 叙述是否引人入胜且清晰？

写作质量：

• 语言是否清晰、准确、简洁？
• 是否尽量减少行话和缩略语，并对其加以定义？
• 语法和拼写是否正确？
• 句子是否存在不必要的复杂结构？
• 是否过度使用被动语态？

可读性：

• 非专业人士能否理解主要发现？
• 是否解释了专业术语？
• 广大读者是否能明白研究的意义？

组织同行评审报告

以层级结构组织反馈，优先指出各项问题，并提供可执行的指导。

总结陈述

提供简洁的总体评估（1-2 段）：

• 简要概述研究
• 总体建议（接收、小修、大修、拒稿）
• 主要优点（2-3 条要点）
• 主要缺点（2-3 条要点）
• 对研究意义和可靠性的最终评估

主要意见

列出会显著影响稿件有效性、可解释性或重要性的关键问题。按顺序编号，便于查阅。

主要意见通常包括：

• 根本性的方法学缺陷
• 不恰当的统计分析
• 缺乏依据或言过其实的结论
• 缺少关键对照或实验
• 严重的可重复性问题
• 文献覆盖存在重大缺漏
• 伦理问题

针对每条主要意见：

1. 清楚说明问题
2. 解释问题为何值得关注
3. 提出具体解决方案或补充实验
4. 指明解决该问题是否为发表的必要条件

次要意见

列出不太关键、但有助于改进清晰度、完整性或呈现效果的问题。按顺序编号。

次要意见通常包括：

• 图中标签或图例不清晰
• 方法细节缺失
• 拼写或语法错误
• 改进数据呈现方式的建议
• 轻微的统计报告问题
• 有助于强化结论的补充分析
• 要求澄清的问题

针对每条次要意见：

1. 指明具体位置（章节、段落、图）
2. 清楚说明问题
3. 提出解决建议

逐行具体意见（可选）

对于需要详细反馈的稿件，请提供针对具体章节或逐行的意见：

• 标注具体页码、行号或章节
• 指出事实错误、表述不清或缺失的引文
• 提出有助于提高清晰度的具体修改建议

向作者提出的问题

列出需要澄清的具体问题：

• 不清楚的方法细节
• 看似矛盾的结果
• 评估研究所需但缺失的信息
• 要求提供额外数据或分析

语气与方法

在整个评审过程中保持建设性、专业且友好的语气。

最佳实践：

• 保持建设性： 将批评表述为改进的机会
• 具体明确： 提供具体示例和可执行的建议
• 客观平衡： 既肯定优点，也指出不足
• 尊重作者： 牢记作者为此付出了大量心血
• 客观公正： 关注科学本身，而非科学家
• 全面细致： 不要忽略问题，但要合理安排优先级
• 表达清楚： 避免含糊或笼统的批评

避免：

• 人身攻击或轻蔑的言辞
• 讽刺或居高临下的语气
• 没有具体示例的笼统批评
• 要求超出稿件范围且没有必要的实验
• 要求作者遵循个人偏好，而非最佳实践
• 如果采用双盲评审，请勿透露身份

不同稿件类型的特别注意事项

原创研究论文

• 强调严谨性、可重复性和创新性
• 评估研究意义和影响
• 核实结论是否以数据为依据
• 检查方法是否完整、对照是否恰当

综述与荟萃分析

• 评估文献覆盖是否全面
• 评估检索策略和纳入／排除标准
• 核实方法是否系统且不存在偏倚
• 检查内容是否包含批判性分析，而非单纯总结
• 对于荟萃分析，评估统计方法和异质性

方法学论文

• 强调验证以及与现有方法的比较
• 评估可重复性，以及方案／代码是否可获取
• 评估相较于现有方法的改进
• 检查是否提供了足够的实施细节

简报／通信

• 根据篇幅调整预期
• 确保核心发现仍然严谨且重要
• 核实稿件格式是否适合所报告的发现

预印本

• 注意此类稿件尚未经过正式同行评审
• 与期刊投稿相比，完成度可能较低
• 仍需采用严格标准评估科学有效性
• 可提供建设性反馈，帮助作者在向期刊投稿前改进稿件

演示文稿和幻灯片

对于演示文稿（PowerPoint、Beamer、幻灯片），请检查渲染后的幻灯片图像，而不要检查从 PDF 中提取的文本：文本提取会隐藏演讲中最重要的问题——内容溢出、元素重叠、对比度和字号。请先使用 alterlab-scientific-slides 中的辅助工具将幻灯片转换为图像：

python skills/writing-tools/alterlab-scientific-slides/scripts/pdf_to_images.py presentation.pdf review/slide --dpi 150

然后依次检查每张 review/slide-NNN.jpg，并按幻灯片编号记录问题。 完整的基于图像的评审工作流、演示文稿专用评估标准（视觉设计、布局、内容、结构、科学内容）、关键／主要／次要问题目录，以及演示文稿评审报告格式，详见 references/presentation_review.md。

资源

此技能包含用于支持全面同行评审的参考资料：

references/reporting_standards.md

涵盖多个学科主要报告标准（CONSORT、PRISMA、ARRIVE、MIAME、STROBE 等）的指南，用于评估方法和结果报告是否完整。

references/common_issues.md

同行评审中常见的方法学和统计问题目录，并提供识别和处理这些问题的指导。

references/presentation_review.md

用于科学演示文稿和幻灯片的基于图像的评审工作流及完整评估标准（当投稿内容是演讲而非稿件时使用）。

最终检查清单

定稿评审前，请确认：

• 总结陈述清楚传达了整体评价
• 明确指出主要问题并说明理由
• 修改建议具体且可执行
• 提及次要问题，并进行了恰当分类
• 已评估统计方法
• 已评估可复现性和数据可用性
• 已核实伦理考量
• 已评估图表的质量和完整性
• 已评估写作质量
• 全程保持建设性和专业的语气
• 评审内容全面，但与稿件范围相称
• 建议与所指出的问题一致

属于 AlterLab Academic Skills 套件。