写论文最让人头疼的部分是哪里？很多人会说是 Introduction 或者 Discussion，但其实，真正容易"翻车"的地方往往是 Results（结果）章节。

为什么这么说？因为大部分人写 Results 的时候，犯的都是同一个错误——把图表里的数据原封不动地用文字再说一遍。这种写法不仅浪费篇幅，更会让审稿人和读者感到厌烦。

今天这篇文章，就来聊聊 Results 章节到底该怎么写，才能既专业又有深度。

一、Results 章节的核心定位

在一篇标准的学术论文中，Results 部分承担着"呈现研究核心发现"的重要使命。它紧跟在 Methods 之后、Discussion 之前，起着承上启下的关键作用。

简单来说，Results 要回答一个最根本的问题："我的研究发现了什么？"

但请注意，回答这个问题并不等于把实验数据一股脑堆上去。Results 的本质是将原始数据转化为有意义的信息，帮助读者快速理解你的研究发现了哪些重要的东西。

原始数据是什么？就是你通过实验直接获得的那些结果——图像、表格、曲线图中的具体数值。这些东西是"证据"，但不是"结论"。你在 Results 中要做的，是从这些证据中提炼出结论，而不是把证据再复述一遍。

二、最常见的致命错误：复述数据

先来看一个反面教材。

假设你有一张对比表格，左边一列是四种方法（Method 1~4），右边是若干评价指标（比如 L1 误差、L2 误差、运行时间等），一共 16 个数据点。

很多人在写 Results 的时候会这样写：

Method 1 的 L1 值为 1.0，L2 值为 165.2，运行时间为 152 秒；Method 2 的 L1 值为……；Method 3 的各项指标分别为……

这种写法，说得直白一点，全是废话。

为什么？因为读者只要看一眼表格，就能获取到这些信息。你在正文里再重新描述一遍，不仅没有提供任何额外价值，反而占用了宝贵的篇幅，还让文章显得冗余拖沓。

审稿人一看到这种写法，心里的评价往往是："这个作者不会写论文。"

所以，Results 章节的第一条铁律就是：永远不要大量重复图表中已有的数据。

三、正确的思路：站在更高的层次提炼信息

那 Results 到底该写什么？

答案是：从数据中提炼出更高层次（High-level）的关键信息。

还是以那张包含 16 个数据点的表格为例。你面对的不是"怎么把 16 个数据读出来"的任务，而是"这 16 个数据背后想告诉读者什么"的任务。

一般来说，一张表格或一幅图像，你可以从中提炼出两到三条关键信息（具体数量取决于表格或图像的复杂程度）。提炼的方式主要有三种，下面逐一展开。

四、三大核心技巧，让你的 Results 脱胎换骨

技巧一：做对比——找差异，说倍数

对比是最常用也最直观的一种信息提炼方式。你从表格中挑选出两种或多种方法，告诉读者它们之间存在哪些关键差异。

关键点在于：不要说具体数值，要说差异本身。

举个例子。假设 Method 1 的运行时间是 152 秒，Method 4 的运行时间是 0.01 秒。你不应该写：

Method 1 的运行时间为 152 秒，Method 4 的运行时间为 0.01 秒。

而应该写：

Method 4 的运行速度远快于 Method 1，提升幅度达到了约 15000 倍。

看出区别了吗？前者只是重复了表格中的数字，后者才是真正的"分析"——你告诉了读者一个他单看表格不一定能立刻意识到的信息：这两种方法在运行效率上存在数量级的巨大差距。

至于对比什么内容，这取决于你的研究重点。如果你关注的是运行效率，那就对比运行时间；如果你关注的是精度表现，那就对比精度指标。对比的内容要服务于你想传达的核心信息。

在实际写作中，对比的表述可以灵活运用以下句型：

  • "Compared with Method A, Method B achieved a significantly lower error rate, with an improvement of approximately X%."
  • "Method D outperformed all other approaches in terms of runtime efficiency, being roughly X times faster than the second-best method."

这类表述既点明了差异方向，又给出了量化的幅度，信息密度远高于简单罗列数值。

技巧二：说趋势——概括整体特征

趋势，本质上是一种宏观的、整体性的特征描述。它不针对某一个具体数据点，而是对一组数据所呈现的规律进行总结。

举两个例子：

例子 1：表格中的趋势

假设你的表格中有一个评价指标叫"稳定性得分"（Stability Score），四种方法在这个指标上的表现分别是 1.0、1.0、1.0、1.0——全都达到了最高值。

这个时候你不应该写：

Method 1 的 Stability Score 为 1.0，Method 2 的 Stability Score 为 1.0，Method 3 的 Stability Score 为 1.0，Method 4 的 Stability Score 为 1.0。

而应该写：

在稳定性指标上，所有方法均达到了满分，表明该类任务对各种方法而言难度较低。

一句话就概括了四个数据点传递的信息，干净利落。

例子 2：曲线图中的趋势

假设你有一张折线图，横轴是参数数量（argument），纵轴是运行时间。其中橙色曲线随着参数增多，呈现出平稳上升的态势。

你应该写的是：

随着参数数量的增加，Method X 的运行时间呈现出平稳上升的趋势。

这一句话直接涵盖了橙色曲线上所有数据点共同反映出来的规律。读者如果想验证你说的对不对，可以自己去看图——但你已经替他完成了"从数据中提炼规律"这一步工作。

在描述趋势时，常用的表达方式包括：

  • "As X increases, Y shows a steady/gradual/sharp upward trend."
  • "Across all tested conditions, Method A consistently outperformed the baseline."
  • "A clear positive correlation was observed between X and Y."

趋势描述的价值在于，它将散落的数据点"连成一条线"，让读者看到全局而非细节。

技巧三：抓极值——突出最显著的特征

有时候，一组数据中最值得关注的并不是整体趋势，而是某个极端值——最大值、最小值、峰值、异常点等。

举个例子，一张折线图中，蓝色曲线在某个参数值处出现了一个明显的峰值，运行时间突然飙升到 15 秒以上，而其他位置都在 5 秒以下。

这个时候你可以写：

值得注意的是，Method Y 在参数量为 Z 时出现了显著的性能瓶颈，运行时间峰值超过 15 秒，远高于其在其他参数配置下的表现。

这条信息抓住了整条曲线上最显著的特征，引导读者关注最重要的发现。

极值描述在以下场景中尤其有用：

  • 你的方法在某个条件下表现特别突出（最优结果）
  • 某种方法在特定场景下出现了明显的性能退化（最差表现）
  • 数据中存在异常点，需要引起读者注意

常用的表述句型：

  • "The peak performance was observed at X = ..., where Method A achieved a score of ..."
  • "Notably, Method B exhibited a significant performance drop when X exceeded ..."
  • "The maximum runtime reached over X seconds under condition Y, representing the most computationally intensive scenario."

五、理解数据与结论的关系

讲完三种技巧之后，我们需要进一步理解一个底层逻辑：表格和图像中的数据，本质上是你的结论的"证据"。

什么意思？

当你在 Results 中写"Method 4 的运行速度比 Method 1 快了约 15000 倍"的时候，这是你给出的结论。而读者如果想验证这个结论是否成立，他可以去查看对应的表格，找到 Method 1 运行时间是 152 秒、Method 4 运行时间是 0.01 秒，然后自己算一下——"嗯，确实差了一万多倍，这个结论站得住脚。"

同样地，当你写"随着参数增加，运行时间平稳上升"的时候，读者可以去检查对应的曲线图，看看橙色曲线的走势是不是真的呈现出这种趋势。

所以，整个 Results 的写作逻辑是这样的：

你负责提炼结论，数据负责支撑结论。 两者各司其职，缺一不可。

如果你只罗列数据不给结论，读者会觉得"不知所云"；如果你只给结论不提供数据支撑，读者会觉得"空口无凭"。好的 Results 章节，是在两者之间找到恰当的平衡。

六、实操清单：写 Results 前的自检

最后，给大家一份实操层面的自检清单。每次写完 Results 之后，对照检查一遍，可以有效避免常见错误：

第一，检查是否存在大段数据复述。 如果你发现正文中有连续三句以上在逐项列举表格数值，那基本可以确定需要重写。用对比、趋势或极值的方式来替代。

第二，检查每段是否都有一个明确的"核心信息"。 每一段文字都应该围绕一条从数据中提炼出的关键发现来展开，而不是泛泛地描述。

第三，检查数据和文字是否形成互补关系。 正文要提供图表无法直接给出的信息（如倍数、趋势方向、显著性判断等），而不是重复图表已经呈现的内容。

第四，检查提炼的信息数量是否合理。 一张普通的表格或图像，通常提炼两到三条关键信息就够了。提炼太少显得分析不深入，提炼太多则会让读者抓不住重点。

第五，检查表述的层次感。 Results 章节的各段之间应该有逻辑递进关系，从主要发现到次要发现，从核心指标到辅助指标，层次分明地展开。

写在最后

Results 章节的写作质量，直接反映了一个研究者对自己实验数据的理解深度。能把数据读出来的是初学者，能从数据中提炼出关键信息的才是成熟的研究者。

记住这三个核心动作：做对比、说趋势、抓极值。

下次写 Results 的时候，不妨先问自己一个问题："如果读者已经看过了我的图表，我的文字还能告诉他什么新东西？"

如果你的文字只是在重复图表的内容，那就停下来，重新想想。你要做的不是当数据的"传声筒"，而是当数据的"翻译官"——把那些隐藏在数字背后的深层含义，清清楚楚地讲给读者听。

这才是一篇高质量 Results 章节该有的样子。

本文适用于各学科领域的学术论文写作，包括但不限于计算机科学、工程学、生物医学、社会科学等方向。无论是本科毕业论文还是 SCI 期刊投稿，文中所述原则均可参考使用。