简介：这份面向研究生与青年科研人员的宣讲型PPT，聚焦SCI论文写作的方法与心态建设，帮助解决选题构思、结构搭建、数据处理与投稿准备等常见难题。压缩包内含1个ppt文件，约1.03MB，以幻灯片形式系统梳理好论文的六大标准、写作先决条件、四遍七步法以及Introduction、Materials and Methods、Results and discussion等章节的写作套路，并穿插“五心经验谈”等心态建议。页面中配有中英文对照要点、图表规范示例和文献比对思路，便于在组会汇报或写作工作坊中直接演示与讨论。目前已有192人学习，适合需要提升英文科技论文表达与逻辑组织能力的硕博生、高校教师及科研新手参考，也可作为论文写作课程的辅助素材。内容从清晰定义假设、参考前人工作、精简术语、用图表支撑结论，到定量结论与更广泛影响，逐项给出可操作的自查清单；并针对数据质量判断、横纵对比、创新点提炼和投稿目标期刊选择提供讲解。
1. 一份 2012 年的 SCI 写作宣讲 PPT，为什么还能当操作手册用
SCI 论文写作技巧最常见的误解，是把它当成英语写作课。真正被退回来的稿子，语言问题通常排在第三位往后，排在前面的往往是结构问题：Introduction 没交代清楚“别人没做什么”，Results 只是在报数而没有和别人的数值对比，图表和正文里的数字对不上。这份 2012 年的宣讲 PPT 不太一样的地方在于，它没有停在“多读文献、多写多改”这一层，而是把 Introduction、Materials and Methods、Results and Discussion、Conclusion 每个部分该放哪几类句子、每类句子该回答什么问题，拆到了能逐条对照的程度，另外还给出了一套以文献驱动的七步执行顺序。它适合两类人：刚拿到数据不知道从哪下笔的研究生，以及文章写完了却反复被审稿人指出 novelty 不足、对比不充分的人。整套材料里有价值的部分不是排版，是它对“一段话承担什么论证任务”的划分。
2. Introduction 四段式：把文献综述写成可核查的论证链
Introduction 是最体现思路的部分，也是最容易写成背景百科的部分。四段式的价值在于它给每一段规定了明确的论证任务，写完之后逐段自检就能发现问题。
2.1 四段各自承担什么任务
第一段写领域内共性的东西，回答“这个方向为什么值得做”；第二段写别人做了什么、得出了什么结论；第三段写别人没做什么、本地区或本数据有什么特色；第四段写你想做什么、想达到什么目的。四段的顺序不能调换，因为审稿人读第三段时的疑问完全来自第二段留下的空白。
四类创新点可以对着第三、四段查：方法创新、地域创新、数据量创新、观测目标创新。如果四类里一类都归不进去，说明第三段和第四段之间的落差没建立起来。常见写坏的方式有四种：第一段写成教科书式背景，与本研究关联不明；第二段按时间罗列文献，不做归类，读不出主线；第三段用“很少有人研究”代替证据；第四段创新点含糊，审稿人只能自己猜。
2.2 句式素材的收集、合并与去重
操作上有一个很实用的做法：每读完一篇相关文献，把讨论部分的句式、结论句式原文摘出来，连同来源一起存进一个纯文本文件。同一个意思如果有十个人写过，就把这十条揉成一句自己的表述，挑最主要的几条作为参考文献。摘录积累到几百条之后会出现大量重复，靠人工找很费时间，可以用一段相似度聚类把它们合并。
# 摘录句去重：把意思相近的句子聚到一起，每组只留一条作为句式素材 import re from difflib import SequenceMatcher def norm(s): s = re.sub(r'\(.*?\)', '', s) # 去掉括号里的引用标记 s = re.sub(r'[^a-z0-9 ]', ' ', s.lower()) return re.sub(r'\s+', ' ', s).strip() def cluster(sentences, th=0.72): groups = [] for s in sentences: key = norm(s) for g in groups: if SequenceMatcher(None, key, norm(g[0])).ratio() >= th: g.append(s) break else: groups.append([s]) return groups raw = open('quotes.txt', encoding='utf-8').read().splitlines() for g in cluster([x for x in raw if len(x) > 30]): if len(g) > 1: print(len(g), '|', g[0])norm先去掉括号引用再做词形归一化，是为了避免(Zhang et al., 2009)这种差异把同一句话判成不同句；th=0.72是经验阈值，调到 0.85 以上会留下大量近似重复，调到 0.6 以下会把结论相反的句子也并到一组。输出里数量大于 1 的组，基本就是“已经有人说过的公共句式”，改写成自己的表述后可以直接进 Introduction。
2.3 引用密度与“介绍自己”的写法
Introduction 各段的引用数量差别很大，用统一标准去铺参考文献会失衡。下面这张表是常用的参考区间。
| 段落 | 论证任务 | 建议引用数 | 常见写坏的方式 |
|---|---|---|---|
| 第 1 段 | 领域共性与重要性 | 3～5 | 写成教科书式背景，与研究问题不挂钩 |
| 第 2 段 | 别人做了什么、得出什么结论 | 8～15 | 按时间罗列，不做归类，读不出主线 |
| 第 3 段 | 别人没做什么、本研究的切口 | 2～4 | 用“很少有人研究”代替证据 |
| 第 4 段 | 本研究做什么、达到什么目的 | 0～2 | 创新点说不清属于哪一类 |
介绍研究区域时，可以直接沿用文献里描述同一区域的句子，但要把这些句子分散到多篇文献的表述上改写，避免整段与某一篇高度雷同。第四段尽量少引文献，这一段的主角是自己。
3. Materials and Methods 的可复现底线：采样表、QA/QC 与数据处理
Methods 是审稿人核对可复现性的地方。这一部分写不好，通常不是内容缺，而是信息组织形式不对——把本该进表的东西写成了长句。
3.1 采样信息用表，不要用句子
样品采集涉及设备型号、产地、采样时间、点位坐标、采样频次、点位周边信息、点位如何选择，这些如果全塞进正文，句子会重复得很难读。常见做法是点位信息进表，正文只保留“点位设置原则”这一段叙述。表格字段可以按下面的结构来定，缺哪一项在投稿前一眼就能看出来。
| 字段 | 内容要求 | 常见缺失 |
|---|---|---|
| 点位编号 | 与图、表、正文完全统一 | 图上标 A1～A5，正文写“城区点” |
| 经纬度 | 精确到秒或小数点后四位 | 只写城市名 |
| 采样周期 | 起止日期与频次 | 只写“2011 年冬季” |
| 周边信息 | 与主要源距离、采样高度、功能区 | 完全不交代 |
| 采样设备 | 型号、产地、他人是否用过 | 只写“采样器” |
采样周期和点位信息内容多的时候用表格，是这份材料里最省事的建议之一：它同时解决了两件事——正文不再重复，审稿人核对时也不用在段落里找数字。
3.2 分析方法、前处理与质量控制三件套
分析方法部分按“用什么设备检测了哪几种目标物”概述一句，然后展开滤膜如何处置、前处理流程怎么走。质量控制与质量保证容易被压缩成一句话，但审稿人通常会追问四件事：现场空白和程序空白是否存在、方法检出限是多少、精密度如何、准确度如何。这四项每一项都要有具体数值和获取方式，不能只写“质控良好”。
前处理流程写成带顺序的步骤列表比写成段落更清楚，每步给出试剂、温度、时间三个量，缺一个都会在审稿意见里被点出来。滤膜处置要区分采样前和采样后，采样后的平衡时间、温湿度条件都要写。
3.3 数据处理方法的写法与版本可追溯
数据处理方法可以只用一句话介绍用了哪种模型并附上参考文献，再加一句用了哪个软件。麻烦的是半年后审稿人问“当时用的哪个版本”，如果环境没固话，重跑结果对不上，回复起来会非常被动。
# 建模环境固化：版本、依赖清单、关键参数一起记下来，写方法部分时照着抄 python -c "import numpy,pandas,sklearn; print('numpy',numpy.__version__); print('pandas',pandas.__version__); print('sklearn',sklearn.__version__)" conda env export --from-history > env.lock.yml grep -n "random_state\|n_estimators" model.py三条命令各管一件事：第一条给出实际运行的库版本，写方法部分时直接抄；第二条--from-history只导出显式安装的包，避免把上百个传递依赖写进附录，审稿人看不懂；第三条把随机种子和树数量这类关键参数捞出来，方法部分写“随机森林，树数量 500，随机种子 42”就足够，不必展开。参数随机种子固定之后重跑结果一致，这是数据可复现的最低要求。
4. Results and Discussion 的横纵对比：从质量浓度到特征比值
Results and Discussion 是最体现功力的部分。它和 Results 的区别就在于：只报数叫 Results，把数和别人的数放在一起并解释差异才叫 Discussion。
4.1 质量浓度与组分组成的三段式
质量浓度部分按三个层次展开：平均质量如何、与他人比较高多少低多少、为什么；空间时间变化如何、别人是否有相同的点位和时间变化；特殊值出现在哪个点哪个时间、最高最低的原因是什么、别人在类似时间是否有相同或不同的结论，如果不同，为什么。
组分组成在此基础上再加三项：比例分布如何、哪些组分高哪些低、文献中如何分布；特征比值如何、与文献对比如何；广泛关注的组分特征如何。这里的关键动作是“横纵对比”——纵向是自己不同点位、不同时间的对比，横向是与文献数值的对比。
注意：写“高多少、低多少”时要给差值百分比，不能只写“略高”。审稿人对没有量化的比较意见最大。
每一步的对比都要落到原因上。能解释的解释，解释不了的要说明可能的原因并指出数据局限，不要硬编一个不合逻辑的解释，这是常见问题里排在前面的败笔。
4.2 模型与公式的取舍标准
模型部分先问四个问题：有什么模型和公式可用；每个模型应用在什么地方、能得出什么结论、对要论证的目的是否有用；是否全部都要用，所有模型得出的结论是否都能佐证预期；用图还是用表呈现。最后一个问题最容易被忽略——如果某个模型算出来的结论和预期相反，而又解释不了，正确做法是舍弃不用，而不是硬塞进讨论里。
全用和不用都是极端。通常保留两到三个与主结论直接相关的模型，其余放进附录或补充材料。模型得出的共性结论要单独总结一句，或者对文献里已经广泛验证的共性结论做一次验证，这一句往往就是 Discussion 的落点。
4.3 图表选型与多面板图的组织
图表选型有一条简单规则：数据量大用表，量少用图。审美上的判断标准是，如果表格在文档里占的位置给人不够丰富的印象（列宽需要横向页面、长度超过半页），就换成图。
| 场景 | 建议形式 | 理由 |
|---|---|---|
| 点位多、指标多、数值密集 | 表 | 便于逐点核对，图会糊成一团 |
| 时间序列、季节变化 | 图 | 趋势一眼可见 |
| 组分比例、特征比值 | 图或表 | 看是否存在明显的组间差别 |
| 模型参数与拟合结果 | 表 | 数值精度要求高 |
图中套图、图中标内容、图中划线、图叠图能给人翔实的感觉，但每一部分都必须和本小节标题一致。比如季节变化一节，可以把质量浓度、风速、RH、能见度画在一张多面板图上。
import matplotlib.pyplot as plt fig, axes = plt.subplots(4, 1, figsize=(9, 8), sharex=True) series = [('PM mass', 'pm'), ('Wind speed', 'ws'), ('RH', 'rh'), ('Visibility', 'vis')] for ax, (label, col) in zip(axes, series): ax.plot(df['date'], df[col], lw=0.9, color='#333') ax.set_ylabel(label, fontsize=9) # 每个面板的纵轴必须带变量名与单位 ax.grid(alpha=0.3, ls=':') axes[-1].set_xlabel('Date') axes[0].set_title('Seasonal variation at site A1', fontsize=10) fig.tight_layout() fig.savefig('fig2_seasonal.png', dpi=300)sharex=True让四个面板共用一条时间轴，避免各画各的导致时间点对不上；每个面板的纵轴标题带单位是常见退稿点，轴上没单位的图通常会被要求重画；dpi=300是多数期刊对线条图的分辨率底线，投稿前用这个值导出一次，比被要求补图省事。多面板图里不要塞与本小节结论无关的变量，变量越多越要保证每一部分仍能看清。
5. 四遍七步法的执行节奏：从文献筛选到投稿格式对齐
写作顺序上，这份材料给的七步不是按论文的章节顺序走的，而是按文献和数据处理的推进顺序走的。照章节顺序从 Introduction 开始写，往往写到第三段就卡住，因为那时数据规律还没摸清。
5.1 七步各自的产出物
| 步骤 | 做什么 | 产出物 |
|---|---|---|
| 一 | 结合数据检索下载文献，粗读题目、摘要、目录 | 论文题目与框架初稿 |
| 二 | 全篇阅读，剔除不相关文献，确定数据处理方法 | 数据处理方法清单 |
| 三 | 精读筛后文献，完善图表，标注讨论句式与结论 | 图表定稿与句式素材库 |
| 四 | 把句式、框架、图表分章节粘进文档，附参考文献 | 带材料的写作骨架 |
| 五 | 整理材料写前言，观察图表找规律做纵向对比 | Introduction 初稿与讨论要点 |
| 六 | 确定目标期刊，统一格式 | 投稿格式稿 |
| 七 | 打印出来逐字通读，选杂志和审稿人，投稿 | 投稿版本 |
第三步到第四步之间是这套流程里最关键的转换：不是从空白文档开始写，而是先把素材和图表摆进去，再在已有材料之间写连接句。这样写出来的 Discussion 天然带着与文献的对比，而不是写完之后再回头补对比。
5.2 从读过的文献里反向定位期刊
读每一篇文献时顺手记下作者、投稿期、接收期、期刊名。投稿到接收的时间差反映期刊的处理周期，同一方向的文献集中在哪几本期刊，基本就圈定了投稿范围。这一步在第六步之前完成，选刊就不再靠猜。
格式修改要一次性做完：单位、参考文献格式、引用格式、图表编号与图注格式。参考文献格式改到一半再改图表编号，最容易出现正文引用了不存在的图表这种低级问题。
5.3 格式与参考文献对齐的脚本
参考文献一条一条对着目标期刊样式改很耗时，可以先做成一行一条，再用脚本粗筛不符合格式的条目。
import re # 粗判 “Smith, J.” 式作者首字段，换成目标期刊的实际样式即可 PAT = re.compile(r'^[A-Z][a-z]+,?\s+[A-Z]\.') lines = open('refs.txt', encoding='utf-8').read().splitlines() bad = [l for l in lines if l.strip() and not PAT.match(l.strip())] print(f'{len(bad)} / {len(lines)} 条参考文献首字段不符合目标期刊格式') for l in bad[:10]: print(' ', l[:80])把参考文献先按目标期刊样式整理成一行一条，这个脚本只做首字段粗判，能批量扫出“作者名缩写方式不对”“年份位置不对”这类问题，比人工逐条核对快得多。正则里的样式要按实际目标期刊替换，比如有的期刊要求全姓加缩写名，有的要求年份紧跟作者后。单位、引用格式同理，先统一，再谈内容。
6. 投稿前自检：把常见问题清单变成可执行的检查项
最后一轮的问题大多不是内容问题，而是机械问题，能靠脚本先扫一遍，剩下的再交给通读。
6.1 高频问题的三类
文字冗余排第一。正文里-ly结尾的副词能删就删；significant只在表述统计显著性时使用，用来表示“明显”会误导读者；表格里已有的数字不要在正文重复一遍，除非是要强调某个点。
图表问题排第二。图太小、坐标轴上没有单位、图注不完整、地图没有比例尺和指北针，这几项几乎每轮审稿都会出现。还有一类是正文引用了表格或图，但文档里找不到，或者正文数字与图表数字不一致。
逻辑问题排第三。对数据编一个不合逻辑的解释，而不是去检验假设；对相关文献理解不足，不清楚这个问题已经被解决到什么程度，也不清楚哪些矛盾结论还需要调和。这一类脚本查不出来，只能靠内部同行预审和英文润色两道关。
6.2 用脚本做一次机械核查
# 1) 副词与 significant 的使用位置，先看总量再看具体句 grep -o -i -E '\b[a-z]+ly\b' main.txt | sort | uniq -c | sort -rn | head -20 grep -n -i 'significant' main.txt # 2) 找出被正文引用、但图注清单里没有的编号 grep -o -E 'Fig(ure)?\.? ?[0-9]+|Table ?[0-9]+' main.txt | sort -u > cited.txt grep -o -E '^(Fig(ure)?|Table) ?[0-9]+' captions.txt | sort -u > present.txt comm -23 cited.txt present.txt第一组只做统计，副词出现到上百次基本就是冗余信号，配合significant的逐句位置一起看，能快速定位需要压缩的段落。第二组里comm -23输出的是被引用却没有对应图注的编号，这类问题审稿人往往会一次性全部点出来，投稿前清空这一列是最省事的动作。
地图缺比例尺和指北针、图注不完整、正文与图表数字不一致，脚本查不出来，只能放进通读清单。打印出来从第一页开始逐字读，边读边改，比在屏幕上扫一遍更容易发现问题。comm -23 cited.txt present.txt输出为空，是投稿前最后一个可以机械确认的环节。
本文还有配套的精品资源，点击获取
 API 深入解析)
