论文写作中的结果呈现：从数据到故事
结果章节（Results Section）是论文的"证据核心"。好的结果呈现让数据"自己说话"，差的结果呈现则让读者在数据的海洋中迷失。以下是从数据到故事的系统方法。
"结果呈现的"漏斗结构"。" 和论文整体的漏斗结构一致，结果部分也是"从宽到窄"：①开头：描述性统计（Descriptive Statistics）——"我们的样本是什么样的？" 均值、标准差、频率分布。让读者先"认识"你的数据。②中段：主效应/核心分析（Main Effects / Core Analyses）——"我们的核心假设是否成立？" 这是结果部分的"主角"。③后段：辅助分析/稳健性检验（Supplementary Analyses / Robustness Checks）——"核心结论是否经得起检验？" 这是结果部分的"安全网"。④结尾：小结（Brief Summary）——用2–3句话概括"关键发现"，为讨论部分做铺垫。
"结果呈现的"三件套"。" 每个核心分析都应该有"三件套"：①文字描述：用1–2句话说明"我们做了什么分析、发现了什么"。"A multiple regression analysis revealed that AI feedback significantly predicted writing coherence (β = 0.32, p < 0.001)." ②统计表格：呈现完整的统计结果（系数、标准误、p值、置信区间、效应量）。③数据可视化：用图表让结果"一目了然"。一张好图胜过一千个数字。三者缺一不可——文字让人理解，表格让人检验，图表让人记住。
"数据可视化的"选择指南"。" ①连续变量 vs. 连续变量→散点图（Scatter Plot）+ 回归线。②分类变量 vs. 连续变量→箱线图（Box Plot）或均值条形图。③分类变量 vs. 分类变量→堆叠条形图或马赛克图。④时间序列→折线图（Line Chart）。⑤地理数据→热力图（Heatmap）。⑥网络关系→网络图（Network Graph）。⑦文本数据→词云（Word Cloud）/ 主题河流图。⑧贝叶斯后验分布→密度图（Density Plot）。选对图表类型，数据"自己会说话"。
"结果写作的"无解释原则"。" 结果部分只报告"发现了什么"，不解释"为什么"。解释留给讨论部分。①✅正确："AI feedback significantly improved writing coherence (d = 0.45, p < 0.01)." ②❌错误："AI feedback significantly improved writing coherence (d = 0.45, p < 0.01), possibly because students received more detailed feedback..." 后半句是"解释"，属于讨论部分。③为什么分开？让读者先看到"裸数据"，再看到你的"解读"。混在一起会让读者分不清"事实"和"推测"。
"结果呈现的"负面结果"处理。" 不是所有假设都得到支持。如何处理"不支持的假设"：①诚实报告："H2 predicted that X would moderate the effect, but the interaction was not significant (p = 0.34)." ②不要"藏起来"：不报告不支持的结果→ p-hacking/选择性报告→学术不端。③在讨论中解释："The non-significant moderation effect may be due to [原因]. This suggests that [理论含义]." ④负结果也是有价值的：它告诉领域"这条路可能不通"，节省后来者的时间。⑤考虑注册报告（Registered Report）：预注册分析计划，无论结果正负都会发表→彻底消除"只报显著"的偏倚。
论文写作中的结果呈现：从数据到故事
结果章节（Results Section）是论文的"证据核心"。好的结果呈现让数据"自己说话"，差的结果呈现则让读者在数据的海洋中迷失。以下是从数据到故事的系统方法。
"结果呈现的"漏斗结构"。" 和论文整体的漏斗结构一致，结果部分也是"从宽到窄"：①开头：描述性统计（Descriptive Statistics）——"我们的样本是什么样的？" 均值、标准差、频率分布。让读者先"认识"你的数据。②中段：主效应/核心分析（Main Effects / Core Analyses）——"我们的核心假设是否成立？" 这是结果部分的"主角"。③后段：辅助分析/稳健性检验（Supplementary Analyses / Robustness Checks）——"核心结论是否经得起检验？" 这是结果部分的"安全网"。④结尾：小结（Brief Summary）——用2–3句话概括"关键发现"，为讨论部分做铺垫。
"结果呈现的"三件套"。" 每个核心分析都应该有"三件套"：①文字描述：用1–2句话说明"我们做了什么分析、发现了什么"。"A multiple regression analysis revealed that AI feedback significantly predicted writing coherence (β = 0.32, p < 0.001)." ②统计表格：呈现完整的统计结果（系数、标准误、p值、置信区间、效应量）。③数据可视化：用图表让结果"一目了然"。一张好图胜过一千个数字。三者缺一不可——文字让人理解，表格让人检验，图表让人记住。
"数据可视化的"选择指南"。" ①连续变量 vs. 连续变量→散点图（Scatter Plot）+ 回归线。②分类变量 vs. 连续变量→箱线图（Box Plot）或均值条形图。③分类变量 vs. 分类变量→堆叠条形图或马赛克图。④时间序列→折线图（Line Chart）。⑤地理数据→热力图（Heatmap）。⑥网络关系→网络图（Network Graph）。⑦文本数据→词云（Word Cloud）/ 主题河流图。⑧贝叶斯后验分布→密度图（Density Plot）。选对图表类型，数据"自己会说话"。
"结果写作的"无解释原则"。" 结果部分只报告"发现了什么"，不解释"为什么"。解释留给讨论部分。①✅正确："AI feedback significantly improved writing coherence (d = 0.45, p < 0.01)." ②❌错误："AI feedback significantly improved writing coherence (d = 0.45, p < 0.01), possibly because students received more detailed feedback..." 后半句是"解释"，属于讨论部分。③为什么分开？让读者先看到"裸数据"，再看到你的"解读"。混在一起会让读者分不清"事实"和"推测"。
"结果呈现的"负面结果"处理。" 不是所有假设都得到支持。如何处理"不支持的假设"：①诚实报告："H2 predicted that X would moderate the effect, but the interaction was not significant (p = 0.34)." ②不要"藏起来"：不报告不支持的结果→ p-hacking/选择性报告→学术不端。③在讨论中解释："The non-significant moderation effect may be due to [原因]. This suggests that [理论含义]." ④负结果也是有价值的：它告诉领域"这条路可能不通"，节省后来者的时间。⑤考虑注册报告（Registered Report）：预注册分析计划，无论结果正负都会发表→彻底消除"只报显著"的偏倚。