results-writeup

结果撰写

写出最有力且诚实的结果表述。经过校准的写法，比自信的写法更能说服审稿人。

这项技能要解决的核心问题

科学写作中有两种常见的失败模式，好的行文必须同时避免：

1. 过度宣称。 把相关性当作机制，把单个数据集当作普遍规律，把 p < 0.05 当作真理，或把没有观察到效应当作不存在效应的证明。审稿人会发现这些问题，论文也会因此受挫。
2. 宣称不足／含糊其辞。 把所有内容都模糊成无用的表述（“结果可能表明存在一种潜在趋势”），把真正的发现埋在各种限定之下，或拒绝对任何解释表态。这会浪费读者的时间，也表明作者自己都不相信自己的研究。

目标是找到两者之间的平衡：依次明确说明发现了什么、这意味着什么，以及结论的边界在哪里。如果你发现自己在一句话里两次使用“可能”或“潜在”，那这个结论要么不成立，要么你还没弄清楚它究竟是什么。

工作流

1. 收集带有溯源信息的发现

动笔之前，列出文稿将要提出的每一项定量结论，并注明其来源——具体表格、记录的实验、笔记本单元格或脚本输出。如果一个数字没有可追溯的来源，就不要把它写进文稿。这是最重要的一步；后续所有工作都以此为基础。

如果用户没有提供某些数字的来源，而你又需要这些来源，请先询问，再开始起草。不要用看似合理的数值来掩盖信息缺口。

2. 区分观察与解释

审稿人最常见的意见是，作者混淆了“我们测量到的内容”和“它的含义”。应将两者分开写，最好分别放在不同句子，甚至不同段落中：

• 观察：“方法 A 在测试集上的 F1 达到 0.84，而基线为 0.79（n=3 个随机种子，±0.01）。”
• 解释：“这与 <机制> 假设一致，不过差距很小，因此 <其他解释> 仍然合理。”

一个实用的自检方法：持怀疑态度的读者能否认同观察句，同时不同意解释句？如果不能，两者就缠在一起了。

3. 根据证据校准结论

让措辞的力度与证据的强弱相匹配。大致可按以下顺序，从强到弱排列：

• “X 是”／“X 导致 Y”——仅用于已有充分证据支持的机制或定理
• “X 改善了 Y”／“我们发现 X”——明确的直接实证结果，且已重复验证
• “X 与 Y 一致”／“数据支持 Y”——与某个假设相符的观察性证据
• “X 表明 Y”／“这显示出 Y 的迹象”——信号较弱，属于探索性分析
• “X 为 Y 提供初步证据”——单次实验、样本量较小，尚未重复验证

如果出现表示保留的措辞（“可能”“可以”“潜在”），就应当传达具体信息：结论为何要保留？是样本量、混杂因素，还是只有单个数据集？至少应在本节中明确说明一次原因。

4. 说明未测试的内容

许多论文被拒，不是因为提出了什么主张，而是因为没有说明哪些内容尚未得到验证。在局限性部分之前，列出：

• 实验范围之外的条件（其他数据集、尺度、分布）
• 未进行的消融实验
• 未进行比较的基线（以及原因）
• 未探查的失效模式

这样做既诚实，在策略上也很明智：主动预判审稿人的质疑，比回避质疑更有说服力。

5. 揭示不一致和薄弱证据

如果某项结果未能在不同随机种子之间复现、某项指标改善而另一项指标变差，或某个数据集的结果与其他数据集不一致，就要明确说明。掩盖不一致往往适得其反：审稿人会发现问题，而隐瞒之举比原本的矛盾更难看。一句简短的“结果 X 未能推广到设置 Y；我们将其归因于 <原因>，但无法排除 <其他解释>”远胜于保持沉默。

6. 以具体的后续步骤收尾

含糊的未来工作（“我们计划将其扩展到其他领域”）只是凑字数。具体的后续步骤应指出能够解决未决问题的特定实验、数据集或分析。即使只列出一两项具体内容，也胜过一段泛泛而谈。

应避免的常见认识陷阱

• 相关性 → 机制。“参数更多的模型损失更低”并不能证明参数在任何有意义的层面上导致损失降低。应陈述相关性，并指出未观察到的混杂因素（训练计算量、数据规模、超参数调优投入）。
• 单个数据集 → 普遍规律。“我们的方法在 CIFAR-10 上优于 X”并不等于“我们的方法优于 X”。应将结论限定在已测试的条件内。
• 未发现效果 → 证明没有效果。“我们没有观察到显著差异”不等于“没有差异”。应说明所用样本能够检测到的统计功效／效应量。
• **p < 0.05 → 真实性。**应同时报告效应量和置信区间，或用它们替代 p 值。实际意义 ≠ 统计显著性。
• **挑选随机种子／指标。**如果只报告最佳随机种子的结果，应明确说明。如果是在看到结果后才选定指标，也应明确说明。
• 只突出最佳情况。“最高提升 30%”通常掩盖了“中位数提升 4%”。应报告典型情况，并将最佳情况作为单独细节说明。

数字、单位和图表

• 只有在能指出数字来源时才使用数字。如果想凭记忆写一个数字，请将其替换为占位符（[XX]），并提醒用户补充。
• 对多次运行的任何汇总数据，都必须附上不确定性（标准差、置信区间、四分位距，选择适当的一种）。仅报告点估计是不完整的。
• 精度应与噪声水平相匹配。标准差为 ±2% 时报告 84.27% 是虚假的精确，应写为 84% ± 2%。
• 提及图表时，应在正文中简要描述其展示的内容；切勿假设读者会去查看图表。

输出结构

默认按以下顺序组织章节：

• 实验设置 — 运行了什么、使用了哪些数据、采用了什么配置。提供足够信息，使实验原则上可复现。
• 主要发现 — 核心结果，每项都应是有相应数字支持的精确结论。
• 解释 — 结合证据强度审慎解读发现，并承认其他可能的解释。
• 局限性 — 说明未测试的内容、可能削弱结论的因素，以及结果不再适用的范围。
• 后续步骤 — 提出可扩展发现或对其进行压力测试的具体实验或分析。

根据上下文调整结构：

• 论文结果部分：仅包含实验设置 + 主要发现；解释移至讨论部分。
• 论文讨论部分：包含解释 + 局限性 + 面向未来的结尾。
• 会议 rebuttal：先指出最具杀伤力的审稿意见，用新证据或准确的让步回应，然后再处理下一条。观察结果与解释应像 #2 中那样分开——审稿人在 rebuttal 中尤其警惕过度声称。
• 实验室笔记／内部报告：结构可以宽松，但必须严格追溯信息来源——这些内容往往会成为下一篇论文的事实依据，因此其中未经来源核实的数字会在之后造成问题。
• 资助申请／进展报告：着重区分已经验证的内容和仍然计划中的内容，因为资助方尤其关注这一区别。

示例

示例 1：收紧含糊的论断

修改前：我们的模型表现显著优于基线，表明注意力机制对这项任务至关重要。

修改后：我们的模型取得了 0.84 的 F1 分数（±0.01，3 个随机种子），基线为 0.79（±0.02），相差 5 个百分点。这与注意力机制有助于提升这项任务的性能这一观点一致。不过，§4.3 中的消融实验显示，移除位置编码后差距缩小到 1 个百分点，这表明两种机制存在交互作用，而不是仅靠注意力机制带来提升。

“修改后”的版本立场更明确，也更诚实：它给出了实际数值，收窄了关于作用机制的论断，并指出了会使简单结论变得复杂的消融实验。

示例 2：处理不利结果

修改前（省略失败结果）：我们的方法在所有基准测试中都优于基线。

修改后（承认并说明背景）：我们的方法在 5 项基准测试中的 4 项优于基线。在第 5 项（LongDocQA）中，我们落后 2 个百分点；我们将其归因于 §3.2 中的截断策略，该策略会丢弃长度超过 8k 个 token 的文档中的相关上下文。这是当前实现的局限，并非该方法的根本属性。

第二个版本更有说服力，因为它既主动说明了失败（体现诚意），又提供了机制层面的解释，限定了问题的影响范围。

示例 3：谨慎表述负面结果

修改前：我们没有发现 对 的影响。

修改后：我们未观察到 对 有统计学上的显著影响（Δ = 0.3%，95% CI [-1.1%, 1.7%]，n=200）。该置信区间排除了大于约 2% 的影响，但仍不能排除较小的影响；若要检测这类影响，需要更大的样本。

第二个版本将含糊的无效结果转化为有信息量的结果：它告诉读者哪些程度的影响已被排除，而这才是真正有用的信息。

用户要求更强硬的表述时

研究人员有时会要求使用证据无法支撑的强硬论断，通常是因为截止日期临近，或审稿人／导师提出了异议。遇到这种情况时：

1. 明确指出哪些具体论断超出了证据支持的范围，以及原因。
2. 提供一个在诚实范围内尽可能有力的版本。
3. 如果用户仍想采用更强硬的版本，就按要求撰写，但要指出具体风险，确保他们在充分了解情况后作出选择。最终论断由用户负责；这项技能的作用是确保他们不会无意中过度声称。