如何在期刊论文中撰写方法和结果部分

在学术写作中描述方法学与报告结果

在介绍您的研究问题并将其置于文献背景后，读者需要快速获得两样东西：一个可信的地图，说明您如何生成证据（方法学），以及一个清晰的叙述，说明您发现了什么（结果）。本文向您展示如何撰写这两个部分，以便编辑、审稿人和未来的研究者能够验证和重复使用您的工作——而无需阅读不必要的细节。

1) 方法学部分的目的

您的方法不仅要列出步骤；还必须证明为什么这种设计适合这些问题和这些限制。一个好的方法学部分回答五个问题：

1. 设计：您使用了什么总体方法（实验、准实验、观察、案例研究、人种志、调查、混合方法）？
2. 抽样：研究了谁/什么？案例是如何选择的？样本量和理由（统计功效或饱和度）是多少？
3. 材料 & 仪器： 你使用了哪些工具、Measures/instruments或设备，它们是如何验证或校准的？
4. 程序： 具体发生了什么，顺序如何，条件是什么？
5. 质量 & 伦理： 你如何确保效度/信度或可信度/可靠性，及有哪些审批和保障措施？

2) 包含内容（及位置）

组成部分	包含在正文中	置于附录/存储库
设计 & 理由	是—2–4段简明段落并附引用	无
抽样 & 功效/饱和	资格、招募、n、功效计算或饱和逻辑	完整流程图；招募材料
Measures/instruments	名称、构建、信度/效度；校准	项目列表；评分规则；原始规格
程序/方案	顺序、时间安排、随机化/掩蔽/盲法	完整方案；预注册；代码
分析计划	主要/次要结果；模型；假设	替代规格；推导；诊断代码
伦理与数据	批准；同意；数据/代码可用性声明	去标识数据集或合成数据；存储库链接

3) 设计与理由撰写

以简洁段落开头，说明设计名称并将其与您的研究问题或假设联系起来。

示范句：“我们使用了前瞻性队列设计来估计暴露X与结果Y之间的关联，因伦理/后勤限制选择该设计而非随机试验，并通过倾向评分加权减轻混杂影响。”

4) 抽样和案例选择

• 定义人群及框架；给出纳入/排除[criteria]。
• 解释样本量：对于定量工作，报告功效假设（效应量、α、功效）。对于定性工作，解释如何判断主题饱和度。
• 流程：使用图表显示接触 → 符合条件 → 同意 → 分析。

5) 材料、仪器和[measure]

• 命名每个[measure]/工具，并说明其测量内容（构念）、评分方式及已知的信度/效度。
• 对于设备/测定：报告型号/版本、校准计划和公差/误差。
• 对于调查：指出来源（改编项目与新项目）、试点测试以及是否使用翻译/回译。

6) 程序和控制

准确描述事件顺序。如果使用了随机分配，请说明单位、方法（例如，分块、分层）和分配隐藏。如果进行了盲法，澄清谁被盲法处理以及如何测试。对于观察性设计，说明混杂因素和缺失数据的处理方法。对于实验室工作，记录重复实验、排除规则和环境控制。

7) 分析计划和假设

• 明确定义主要和次要结果。
• 说明所用的模型（例如，线性混合效应、逻辑回归、主题编码框架）及检查的假设。
• 如果测试多个假设，解释多重性控制（例如，Holm-Bonferroni，FDR）。
• 预先指定稳健性/敏感性分析；探索性工作留待讨论部分。

8) 效度、信度与偏差缓解

评审者会扫描这些信号：

• 内部效度：随机化/盲法、平衡检查、操作检查。
• 测量效度/信度：评分者间信度、Cronbach’s alpha、仪器校准。
• 外部效度：代表性、情境限制、边界条件。
• 偏差控制：预注册、缺失数据处理、污染检查、反思性（定性研究）。

9) 真正有帮助的视觉元素

使用视觉元素来简化复杂性——绝不用于装饰。

• 图形：装置示意图；时间线；DAGs；主题图。图例必须使读者无需主文即可理解图形。
• 表格：资格[criteria]；变量定义；描述性统计；模型摘要。避免重复——如果数据已在表格中呈现，正文中不要逐字重复数字。

报告结果

结果应为以您的表格/图形为依据的事实叙述，而非对意义的讨论（留待下一部分）。结构必须反映您的研究问题或假设，确保读者不会疑惑段落的存在理由。

10) 结果的结构选项

• 按研究问题/假设：最适合验证性研究。每个小节对应一个RQ/H，主要结果优先。
• 按时间顺序：适用于时间序列、分阶段实验或纵向设计。
• 主题式：定性工作中常见；主题按显著性或概念逻辑排序。
• 按[method]流：对于混合方法，分开定量和定性结果，并在讨论中整合。

11) 撰写定量结果

• 以效应为先，而非检验：先报告效应大小和不确定性（置信区间），再报告p值。
• 精确：提供精确的p值（例如，p = 0.013），除非期刊政策另有规定。
• 展示分布：偏斜时报告中位数/IQR；包括每组样本量。
• 每次分析只说明一次模型和协变量；避免重复技术细节。

示范句：“与对照组相比，干预使平均测试分数提高了6.2分（95% CI 3.4–9.0；n=412；调整了基线、年龄、地点）；p = 0.001。”

12) 撰写定性结果

• 清晰命名主题并将其与你的问题联系起来；为每个主题提供简要的分析定义。
• 带引文的证据或实地笔记：选择生动、典型的摘录；在相关情况下注明匿名发言者特征。
• 展示模式：指出普遍性/变异性，但不要将定性工作变成伪量化。
• 审计轨迹：简要说明编码方法、编码者间检查和反思性笔记；完整代码本见附录。

13) 表格和图形：给评审留下深刻印象的微观规范

• 在文本中引用每个视觉元素（“见图2”），并告诉读者要看什么（“图2显示了政策后明显的断点”）。
• 在图表中使用一致的单位、坐标轴刻度和缩写。
• 避免过度精确（例如，除非测量需要更多，否则保留两位小数）。
• 脚注模型说明、变量定义和多重性调整在表格内。

14) 鲁棒性、敏感性和负面结果

当你主动测试脆弱性时，可信度会提升。

• 稳健性：替代规格、带宽、聚类层级、先验或排除规则。
• 敏感性：影响诊断、缺失数据方法、替代结局定义。
• 负面/无效结果：直截了当地陈述；强调精确度（置信区间）和功效，而非道歉。

15) 常见陷阱（及修正）

• 方法漂移：结果包含先前未描述的新方法。修正：将方法细节移至方法部分并交叉引用。
• 重复：在正文中重复每个表格单元。修正：总结模式；引导读者查看表格。
• 过度解读：从描述性或弱识别设计中暗示因果关系。修正：限定声明；将机制推测移至讨论部分。
• P值操控现象：多次检验无多重性控制。修正：预先指定并控制FWER/FDR；标记探索性分析。
• 不透明图形：无标签坐标轴，字体过小，颜色模糊。修正：重新设计以读者优先的人机工程学。

16) 可调整的小模板

方法——设计与样本：
“我们在24所学校（12所干预，12所对照）中进行了集群随机试验。资格要求为[criteria]。我们按区分层，区块大小为4进行随机分配；分配通过[method]保密。功效分析显示n=…以检测Δ=…，α=0.05（80%功效）。”

方法——分析计划：
“主要结局是[measure]。我们使用带有学校随机截距和基线分数、年级及区固定效应的线性混合模型估计意向治疗效应。通过残差诊断评估假设，并对次要结局控制5%的FDR。”

结果——主要结局：
“干预学校的学生得分比对照组高6.2分（95% CI 3.4–9.0；n=412；p = 0.001）。效果在各年级间一致（交互作用p = 0.41）。模型系数见表2，调整均值见图1。”

结果——定性主题：
“主题A：资源摩擦。 参与者描述了限制采用的长期短缺（‘我们四个人共用一台设备’——教师，农村）。叙述将摩擦归因于排期瓶颈而非态度，这与设备访问与采用之间的定量关联一致（表3）。”

17) 混合方法整合

如果你同时使用了定量和定性部分，分别清晰报告，然后明确整合。

• 在讨论中使用穿插段落：展示趋同、互补或分歧。
• 交叉引用：“定量对采纳的影响（表2）由报告的时间安排障碍（主题A）解释。”

18) 可复现性和透明度

• 可用性声明：告知读者数据和代码的获取途径（或访问受限原因）及许可协议。
• 版本控制：引用软件和包版本；在仓库中包含sessionInfo()或环境文件。
• 说明文档：提供逐步复现脚本（例如，00_clean → 01_analyze → 02_tables_figures）。

19) 提交前的简明清单

1. 设计命名并说明理由；方法可从正文+附录复现。
2. 报告抽样、资格和n；涉及统计功效/饱和度。
3. 所有工具定义了信度/效度；设备已校准。
4. 描述随机化/盲法和分配隐藏（如适用）。
5. 声明主要/次要结局；说明分析计划和假设。
6. 包含伦理审批和同意；说明数据/代码可用性。
7. 表格/图形先草拟；图例独立；正文无重复。
8. 定量结果包括效应量、置信区间、精确p值；多重性得到处理。
9. 定性结果包括命名主题、引用和编码透明度。
10. 稳健性/敏感性和负面结果无歉意地报告。

结论

一篇有说服力的论文让人轻松信任你的所作所为，并理解你的发现。保持方法简洁但完整，步骤旁附理由。让结果遵循你的问题逻辑，通过简明叙述和诚实、精心制作的视觉效果表达。如果同行能仅凭你的正文和附录重新运行你的研究，且你的结果读起来像明确的答案而非悬念，你就达到了编辑们所期望的专业标准。