方法可复现性写作指南：如何让同行一眼看懂你的实验设计（下）

摘要：· 建议：抓住关键细节，确保包括影响结果的要素（如样本特征、关键参数、分析⽅法等），⽽对常识性步骤或他⼈已公布的⽅法⽆需⾯⾯俱到（可引⽤⽂献代替详细描述）。做到详略得当，让读者既“会做”，⼜不被淹没在⽆关琐事中。

在上篇中小E分享了方法部分写作的结构和模板，最后我们来说说这一部分新⼿易犯的错误及改进建议。

新⼿易犯的错误及改进建议

给大家分享⼏个典型的问题，以及改进建议：

细节不⾜或堆砌冗余

有时候提供的信息过少，致使读者⽆法理解实验如何复制；也有的堆砌过多细枝末节，仿佛把实验⽇志全部抄⼊论⽂。

· 建议：抓住关键细节，确保包括影响结果的要素（如样本特征、关键参数、分析⽅法等），⽽对常识性步骤或他⼈已公布的⽅法⽆需⾯⾯俱到（可引⽤⽂献代替详细描述）。做到详略得当，让读者既“会做”，⼜不被淹没在⽆关琐事中。

描述含糊不精确

使⽤诸如“适量的试剂”“较⼤的样本”等模糊表述，会让读者摸不着头脑。特别是关键数据和参数，模糊描述会严重影响可重复性。

· 建议：能量化的尽量给出准确数值（如试剂⽤量、仪器精度等），⽆法量化的也应提供明确范围或等级。另外，避免使⽤主观形容词（如“很有效”）来描述⽅法，多⽤客观指标。

忽略控制变量和实验条件

新⼿有时只交代“做了什么”，却忽略说明在什么条件下做的。例如环境温度、湿度、试验者⾏为等控制情况未提，导致他⼈复现时条件不⼀致。

· 建议：在⽅法中显式说明与你研究相关的实验条件和控制措施。⽐如：“所有实验在25°C恒温室内进⾏”，“测量在⽆噪⾳⼲扰的实验室完成”。这些条件往往是隐藏的影响因素，不加说明会影响结果可信度。

未提供⽅法背景和思路

只罗列步骤⽽不解释为什么这样做，会让读者迷惑。

· 建议：适当添加⽅法背后的思路或⽬的句。例如：“为了⽐较X与Y的影响，我们将…”，“基于前⼈的⽅法，我们引⼊了…改进”。这类语句能帮助读者理解每⼀步的⽤意，也体现你的设计合理性。但注意点到为⽌，详细原理可留到讨论部分再阐述。

引⽤与改编不当

有时候完全照搬已有⽅法的详细步骤，占据⼤量篇幅；反之，还有时候只提⼀句引⽤某⽂献⽅法，却不解释具体操作。

· 建议：针对标准⽅法，引⽤权威⽂献并简要说明即可，⽆需重复前⼈⽂章的冗⻓流程。⽽如果对现有⽅法有所改动或特殊配置，⼀定要详细描述改动之处并说明理由，同时依然引⽤原始来源。务必平衡引⽤和⾃述，让读者既了解你遵循了谁的⽅法，⼜清楚你具体是怎么做的。

术语代称模糊

随意使⽤代号如“样本1”“处理A”“实验组”等⽽不加以定义，会让读者摸不清哪个对应什么。

· 建议：在⾸次提及时就清晰定义术语和代号，例如：“实验组（Treatment A，为接受药物X的⼀组）…”。确保全⽂术语前后⼀致，不要今⽇叫“A组”、明⽇称“实验组1”。命名清晰，读者才能轻松跟踪我们的实验描述。

⼀味采⽤被动语态

虽然学术写作偏好客观描述，但全篇被动语态可能导致句⼦拗⼝，且分不清是你做的还是引⽤他⼈的⽅法。例如，“It was done…”可能隐去执⾏者，让读者不明确某步骤是本研究所为还是既定标准流程。

· 建议：在确保客观的同时，可适当使⽤主动语态或强调主体，⽐如⽤“We”来表示你的⼯作，或句⾸加“In this study, …”限定范围。这样既不损学术严谨，⼜能提⾼可读性。另外，保持时态⼀致，⼀般⽤过去时描述已完成的实验过程。

⽅法与结果不对应

⽅法部分未提及的实验，却在结果中出现；或者描述了许多步骤，但结果中没有对应分析。这样的不对应会引起审稿⼈质疑。

· 建议：在初稿完成后，对照结果逐⼀检查：每⼀项结果是否在⽅法⾥有描述获取的⽅法；反之，每种⽅法是否在结果⾥有所体现。确保⽅法和结果部分⼀⼀对应，逻辑严密，这也是编辑和审稿⼈检查可重复性的⼀⼤发⼒点。

避免上述错误的核⼼原则是：换位思考，准确透明。写作时多想想读者可能提出的疑

问，并在⽅法部分预先给出答案。必要时请同事或导师帮忙检查，看是否存在理解上的漏洞。只有消除了歧义和疏漏，你的⽅法才能经得起同⾏的“放⼤镜”审视。

案例分析：模糊表述 vs. 清晰表述

案例⼀：计算机科学实验

X： “We applied our new algorithm to the dataset and achieved better results than baseline.”

√： “We applied our new algorithm to the CIFAR-10 dataset (60,000 images in 10 classes). Before training, images were normalized to 32×32 pixels and augmented with random flips. The model was trained for 50 epochs with a learning rate of 0.01 (decayed by 0.1 every 10 epochs) using Adam optimizer. We compared performance against a ResNet-18 baseline; our algorithm achieved a 10% higher accuracy under the same evaluation protocol.”

上面不恰当的案例语焉不详，只笼统提到应⽤了新算法，数据集和具体操作细节完全缺失，结果优势也语义模糊。

改进示例则交代了数据集名称和规模、预处理步骤、训练参数（ epoch数、学习率调整⽅案、优化器）、对照基准和结果差异等。每个细节都让读者明⽩怎么做的以及得到什么效果，从⽽可以按照类似配置重复实验并验证结果。这种写法使⽅法部分具备很⾼的可复现性——同⾏只需按描述设置好数据和参数，即可重新跑⼀遍我们的算法。

案例⼆：社会科学调查

X： “We conducted a survey and analyzed the data to draw our conclusions.”

√： “We conducted a questionnaire survey in March 2024, targeting college studentsacross3 universities in Beijing. A total of 450 responses were collected using convenient sampling (response rate 90%). The questionnaire covered demographics and study-habit scales (adapted from Smith et al., 2010). To ensure quality, we pilot-tested the questionnaire with 30 students and refined ambiguous questions. All data were analyzed in SPSS 26.0. We computed descriptive statistics and performed a multiple linear regression, controlling for gender and major, to examine the relationship between study hours and GPA.”