DrustZ的论文小课堂[结果部分Results]
本周聊一下论文结果部分的写作
其实结果部分是在我看来最不用动脑筋的部分，因为这一部分不强调文采，大家看的都是数据！不过把结果写得整洁、详略有当也是需要一些方法的。所以这节课会有比较多的技术内容，如果看不懂可以跳过！
一句话总结
掌握正确的分析工具，并且能将数据可视化是结果部分的加分项。
目录
用啥分析？
用啥画图？
用啥分析？
当我们把实验进行完毕，收获了满满一文件夹的数据之后，就要着手开始对数据分析啦！数据分析展开讲会花很多篇幅且和论文写作没什么关系，所以在这里就强调一下基本流程：清理数据 — 分析数据 — 展现数据。
清理数据，比如实验中有几个用户没做完跑路了，或者做完数据不合格的话，这些坏数据需要提前备清除掉。不过这些过程也要在论文中写下来：多少个人跑路了，之后又拿掉了多少数据，为什么拿掉，都需要讲清楚（不然审稿人会以为你在操纵数据！
分析数据是一个比较复杂的部分；在人机交互实验中，大家一般用两种分析方式：描述性（descriptive）方法和显著性测试（significance testing）方法。第一种就是计算一下数据的平均值呀，方差呀，分布呀，给读者一个基本的理解。有些实验的目的是为了比较几种不同的方案或者设备，例如为了知道学挖掘机哪家强，测试了A校和B校学院的挖掘技术，那么为了证明AB两校学员技术存在/不存在差异，我们需要用到显著性测试，或者假设检验（Null hypothesis testing）的方法。
说了这么多名词，来一份干货：关于如何对数据进行假设检验分析，我老板总结了一份非常实用的资料，包括对于不同的实验设计、不同的数据分布、不同的条件数目怎样选取合适的分析模型，最重要的是还附带了分析代码 [1]。Coursera上也有他的课程可以去听 [2]。
在汇报假设检验结果的时候，遵从的格式一般是“There is (not) a significant main effect of school on excavator skills (F(1, 33) = XXX, p < .01)” 记住要带上检验的参数p值。就算没有显著结果，一般也要写 p > .05 而不要略掉。
用啥画图？
两种方式：1. 代码 2. 软件（废话！
代码的好处是样式上可施展的空间更多，也可以作出更丰富的图，因为所有的参数都是自己设定的！缺点是上手慢，需要一些基础（不过学会了就是终身受用！所以如果不着急的话，建议学一学代码作图，我常用 python 语言里 pandas+matplotlib+seaborn 三个强库！
软件的选择也不少，一开始我用的是Power Point（PPT作图之王！但后来发现它的局限性太多，比如配色，样式，都要手工一个一个调，换了数据又要再调，非常麻烦。所以我也换到过Tableau，这是一个专业数据可视化软件，而且操作很简单，就是对数据拖拖拽拽，一个表格就生成了（此软件和PS一样天花板非常高，我至今没有摸索完毕。Tableau还有个好处是可以结合地图绘制数据，比用代码来画简单一些 （当然你用 D3.Js 的话算我没说。
对于作图的配色，建议大家选用一些经典的配色方案，而不要用自己喜好随便改（因为有可能在色盲人士看来你选的都是一个色。不同颜色的搭配方案也可以用色轮（Color Wheel）来探索，Adobe有一个在线选色工具还挺好用 [3]。
hmm……这一篇更像是工具分享而不是写作技巧！毕竟结果就是要干货，写得再花数据不行也没有办法！只有一点可以注意，为了增强可读性，在列出数字比较多的地方，可以考虑把文字替换成表格或者图表，既直观又便于理解。
以上就是我写论文结果部分的一些小经验，希望帮助到在论文写作边缘苦苦挣扎的小朋友。论文写得糟糕不用怕，熟能生巧~ 本小课堂就是让这个过程变得快一些，让你的论文写作遍地开花！我们下期见！（狗头
最后更新于
这有帮助吗？