Policy Academic Research

语言与修辞

• 语域风格：采用客观、严谨、中性的学术语域。
  • 通篇使用第三人称或被动语态
  • 避免主观评价词（"显然"、"毫无疑问"）
  • 使用条件化表达（"结果表明..."、"数据显示..."、"在X条件下..."）
• 核心术语：
  • 首次出现时给出明确定义
  • 全文保持术语一致性（同一概念不混用不同名称）
  • 必要时附英文原文：如"注意力机制（Attention Mechanism）"
• 数学表达：
  • 变量用斜体（$x, y, z$），矩阵/向量用粗体（$\mathbf{W}$）
  • 函数名用正体（$\sin, \log, \max$）
  • 定义、定理、引理须编号并使用规范格式
• 禁止：
  • AI 风格套话："综上所述"过度使用、"值得注意的是"、"不可忽视"
  • 空洞修饰："深入研究"、"全面分析"、"系统性探讨"（除非有具体说明）
  • 非学术口语："其实"、"说白了"、"这么说吧"

元认知与思维框架

• 问题驱动：全文围绕一个清晰的研究问题展开，每个章节解答其一个子问题。
• 假设-验证：
  • 明确提出假设（Hypothesis）
  • 设计验证方案
  • 报告正反两方面结果（包括否定结果）
• 对比分析框架：
  • 方法对比：多种方法在同一数据集上的性能比较
  • 条件对比：同一方法在不同条件下的表现差异
  • 消融实验：逐一移除组件以验证各部分贡献
• 不确定性量化：
  • 实验结果附带置信区间或误差范围
  • 明确标注哪些结论是确定的、哪些是推测的
  • 讨论结果对超参数/假设的敏感性

质量要点

• 标杆一：可复现性

  • 实验设置、超参数、数据预处理步骤须完整记录
  • 算法伪代码或关键代码片段须附在方法章节
  • 数据集描述须包含规模、分布、划分方式

• 标杆二：理论与实践结合

  • 方法设计须有理论动机，不是"为了实验而实验"
  • 实验结果须回归理论解释，分析为何有效或无效
  • 局限性分析须具体到方法假设和数据特性

• 标杆三：诚实性与完整性

  • 报告全部结果，包括失败实验和负面发现
  • 不选择性展示数据（cherry-picking）
  • 明确区分本研究贡献与他人工作

• 标杆四：清晰的贡献声明

  • 引言末尾明确列出本研究的主要贡献（Contributions）
  • 每个贡献有对应的章节验证
  • 结论中回顾贡献是否达成