论文写作中的结果透明度：从精选到完整
结果部分的透明度直接决定了论文的可信度。好的结果呈现"毫无保留"，差的结果呈现"只报喜不报忧"。以下是从精选到完整的系统方法。
""全结果报告"原则。" 你跑了10个分析，就报告10个结果——不要只挑显著的报。方法：①主分析（Primary Analyses）：你的核心假设检验，必须全部报告（无论显著与否）。②辅助分析（Auxiliary Analyses）：补充分析、稳健性检验，选择性报告（但说明为什么选了这些）。③探索性分析（Exploratory Analyses）：明确标注"exploratory, not pre-registered"，避免和主分析混淆。④负面结果（Negative Results）：H2不显著？照样报告。一个"不显著"的结果如果和理论预测矛盾，可能比"显著"结果更有价值。
"结果部分的"统计完整性"清单。" 每个统计检验结果，都应该报告：①检验统计量（t/F/χ²/β等）。②自由度（df）。③p值（精确值，如p = 0.032，而非p < 0.05）。④效应量（Cohen's d / η² / OR / β）。⑤置信区间（95% CI）。⑥样本量（N）。示例："The regression of writing coherence on AI feedback was significant (β = 0.32, SE = 0.08, t(298) = 4.00, p < 0.001, 95% CI [0.16, 0.48], d = 0.46)."
""森林图"在结果呈现中的应用。" 森林图（Forest Plot）原本是元分析的核心图表，但现在越来越多用于原始研究的结果呈现：①多组比较：你有5个实验组要和对照组比较→ 一张森林图全展示。②多变量回归：你有8个自变量的回归结果→ 森林图比表格更直观。③亚组分析：不同子样本的结果→ 森林图一目了然。④优势：读者一眼看到"哪些效应显著、效应量多大、置信区间是否跨越0"。比翻看大段文字高效10倍。
"结果部分的"预注册对齐"。" 如果你的研究做了预注册：①按预注册的顺序报告结果："As pre-registered, our primary analysis examined..." ②明确标注："This analysis was pre-registered (OSF link)." ③如果有偏离："We deviated from the pre-registration by adding a moderation analysis. This deviation is noted in the OSF registry." ④预注册结果 vs. 探索性结果用不同小节/不同标注区分。审稿人对"预注册对齐"的论文信任度极高。
"结果部分的"图表配合"黄金法则。" ①每个核心结果都有"文字+表格+图"三件套。文字让人理解，表格让人检验，图表让人记住。②图和表不要"重复呈现同一信息"——表格给精确数字，图给直观趋势。如果两者呈现完全一样的内容→ 删掉一个。③图表标题自包含（Self-contained）：读者只看图表+标题，就能理解"这是什么、发现了什么"。④图表编号统一：Figure 1, Figure 2... Table 1, Table 2... 正文中引用时保持一致。
论文写作中的结果透明度：从精选到完整
结果部分的透明度直接决定了论文的可信度。好的结果呈现"毫无保留"，差的结果呈现"只报喜不报忧"。以下是从精选到完整的系统方法。
""全结果报告"原则。" 你跑了10个分析，就报告10个结果——不要只挑显著的报。方法：①主分析（Primary Analyses）：你的核心假设检验，必须全部报告（无论显著与否）。②辅助分析（Auxiliary Analyses）：补充分析、稳健性检验，选择性报告（但说明为什么选了这些）。③探索性分析（Exploratory Analyses）：明确标注"exploratory, not pre-registered"，避免和主分析混淆。④负面结果（Negative Results）：H2不显著？照样报告。一个"不显著"的结果如果和理论预测矛盾，可能比"显著"结果更有价值。
"结果部分的"统计完整性"清单。" 每个统计检验结果，都应该报告：①检验统计量（t/F/χ²/β等）。②自由度（df）。③p值（精确值，如p = 0.032，而非p < 0.05）。④效应量（Cohen's d / η² / OR / β）。⑤置信区间（95% CI）。⑥样本量（N）。示例："The regression of writing coherence on AI feedback was significant (β = 0.32, SE = 0.08, t(298) = 4.00, p < 0.001, 95% CI [0.16, 0.48], d = 0.46)."
""森林图"在结果呈现中的应用。" 森林图（Forest Plot）原本是元分析的核心图表，但现在越来越多用于原始研究的结果呈现：①多组比较：你有5个实验组要和对照组比较→ 一张森林图全展示。②多变量回归：你有8个自变量的回归结果→ 森林图比表格更直观。③亚组分析：不同子样本的结果→ 森林图一目了然。④优势：读者一眼看到"哪些效应显著、效应量多大、置信区间是否跨越0"。比翻看大段文字高效10倍。
"结果部分的"预注册对齐"。" 如果你的研究做了预注册：①按预注册的顺序报告结果："As pre-registered, our primary analysis examined..." ②明确标注："This analysis was pre-registered (OSF link)." ③如果有偏离："We deviated from the pre-registration by adding a moderation analysis. This deviation is noted in the OSF registry." ④预注册结果 vs. 探索性结果用不同小节/不同标注区分。审稿人对"预注册对齐"的论文信任度极高。
"结果部分的"图表配合"黄金法则。" ①每个核心结果都有"文字+表格+图"三件套。文字让人理解，表格让人检验，图表让人记住。②图和表不要"重复呈现同一信息"——表格给精确数字，图给直观趋势。如果两者呈现完全一样的内容→ 删掉一个。③图表标题自包含（Self-contained）：读者只看图表+标题，就能理解"这是什么、发现了什么"。④图表编号统一：Figure 1, Figure 2... Table 1, Table 2... 正文中引用时保持一致。