一、问题意识：从“写论文”转向“解决问题”

明确研究问题：不是“我要写个关于XX的论文”，而是“我要解决XX领域的一个具体问题”。

问题必须具体、可答：避免“大而空”的问题，如“人工智能对社会的影响”，而应聚焦于“AI推荐算法如何影响青少年信息获取的多样性？——基于B站数据的实证分析”。

用“问题-假设-验证”结构驱动写作：每一章都应围绕回答主问题或子问题展开。

二、文献综述：不是“罗列”，而是“对话”

避免“文献堆砌”：不要按时间顺序罗列谁说了什么，而要围绕研究缺口组织文献。

构建“学术对话”：指出现有文献的共识、分歧与空白，说明你的研究如何填补空白或回应争议。

使用“批判性矩阵”：将核心文献按“理论视角/方法/结论/局限”四列对比，直观暴露缺口。

三、理论框架：让分析“有刀可用”

拒绝“装饰性理论”：不要引用大理论（如布迪厄场域理论）却只贴标签，而要展示理论如何解释你的具体现象。

操作化概念：将抽象理论转化为可观测的变量。例如，用“社会资本”理论时，需定义如何测量“强关系/弱关系”（如微信互动频率）。

小理论也可强大：有时一个中层理论（如“议程设置”）比宏大理论更能精准解剖问题。

四、方法论：让“过程”成为“证据”的一部分

方法不是“例行公事”：需说明为何选择此方法（如为何用访谈而非问卷？因为需捕捉行为背后的意义解释）。

暴露“研究局限”：主动讨论样本偏差、研究者身份的影响等，反而增强可信度。例如：“由于作者曾从事相关行业，可能对受访者的‘表演性回答’识别不足，但通过交叉验证……”

混合方法加分：用问卷调查广度，用访谈解释机制。例如：先发现“女性用户更倾向关闭算法推荐”（定量），再通过访谈揭示其“对性别刻板印象推荐内容的抗拒”（定性）。

五、数据分析：从“描述”到“论证”

避免“数据堆砌”：不要只报告“60%用户认为XX”，而要解释数据背后的意义——这60%为何重要？与现有理论是否矛盾？

使用“反例分析”：主动寻找违背初步结论的案例。例如：当大部分用户抱怨算法“信息茧房”时，为何少数用户认为“茧房”反而提升了效率？这类反例往往能揭示理论边界。

可视化辅助论证：用图表突出关键模式（如用户行为随时间变化的拐点），但需在文字中解释图表显示的“异常”。

六、结论：超越“总结”，提供“转化”

拒绝“循环结论”：避免重复引言中的问题，而要展示知识增量。例如：本研究不仅证实“算法导致信息茧房”，更发现用户能动性通过“反向训练”算法突破茧房。

讨论“无效假设”：即使数据未支持原假设，也可贡献理论——如发现“教育水平与算法意识无关”，可能提示需引入“技术资本”等新变量。

政策/设计建议要“落地”：避免“加强监管”这类空泛建议，而给出可实施方案。例如：“平台应在设置中增加‘推荐理由解释’功能，实验显示这能将用户对推荐多样性的感知提升23%。”

七、写作技巧：让“深度”被“看见”

标题与摘要“问题导向”：标题避免“XX研究”这类泛称，改用“基于XX的XX机制实证分析”突出贡献。摘要需包含研究缺口+方法+关键发现+价值，四要素缺一不可。

段落结构用“梯形逻辑”：每段首句提出分论点，末句过渡到下一论点，避免“跳跃式”论述。

使用“学术对标”：在讨论部分主动对比一篇目标期刊的近期论文，说明你的研究如何延伸/挑战了其结论（显示对该期刊对话的诚意）。

八、终极检验：用“替代性测试”

完成初稿后，用以下方法自检：

“反证法”：假设你的结论是错的，能否用现有数据推翻？若不能，可能论证链存在漏洞。

“外行测试”：让一个非本专业的学者阅读，若其能复述你的核心论点，说明写作足够清晰。

“标题测试”：将你的标题和摘要发给同行，询问他们 predicted 的结论。若与你的实际结论差异大，可能问题表述或关键词存在误导。

九、工具推荐

文献管理：Zotero+Zotfile（自动提取PDF批注）

理论框架可视化：VOSviewer（共词分析找理论空白）

数据反例挖掘：在NVivo中为“异常案例”单独编码，对比主流模式

写作反馈：Academic Phrasebank（曼大）检查论述是否足够批判性

（注：文章转载自网络）