一篇论文的研究结果可能很有价值，实验也可能做得相当充分，但这并不意味着它就能顺利进入同行评审阶段。
编辑在初审一篇稿件时，不仅要判断研究是否具有创新性、是否符合期刊的范围，还要判断作者是否清楚、可信地呈现了自己的研究。如果连基本的科学沟通要求都没有达到，编辑甚至可能认为，这篇论文还没有准备好接受同行评审。
近日，一位参与 ICLR 2027 评审工作的领域主席（Area Chair）在 X 上分享了一段经历。他表示，在负责的14篇投稿中，他建议对其中5篇进行编辑初审拒稿（Desk Rejection）。引起他注意的并不是这些论文是否使用了人工智能，而是它们存在一些非常基础的学术写作问题。
这位评审者列出了三个典型问题：术语没有定义、缺乏真正的结果分析，以及参考文献不足。他认为，这些问题严重影响了论文作为科学交流载体的基本质量，有些稿件甚至不值得进入正式评审流程。
这只是一次评审经历，不能据此推断所有期刊的拒稿比例或编辑标准。但它确实提醒科研人员：论文写作中一些看似基础的问题，可能比想象中更影响投稿结果。
如果你正在准备向 SCI 期刊或国际学术会议投稿，不妨重点检查以下三个方面。
术语定义不清：不要假设读者知道你在说什么
在学术论文中，使用专业术语是必要的。问题在于，作者往往对自己的研究领域过于熟悉，以至于忘记了读者未必了解某个术语的含义。
尤其是在交叉学科研究中，同一个词在不同领域可能具有不同含义。一些作者在论文中直接使用新提出的概念、自定义的缩写或特定方法名称，却没有提供必要的解释。读者只能反复查阅上下文，甚至无法准确理解作者的研究方法和主要贡献。
对于编辑来说，如果一篇论文连核心概念都没有交代清楚，那么判断其创新性、方法合理性和研究结论就会变得困难。
哪些情况容易出现术语定义问题？
直接使用自创术语，却没有解释其含义。
假设一篇论文提出了一种名为“Adaptive Contextual Alignment Score（ACAS）”的新指标，并在摘要之后直接使用 ACAS 讨论实验结果，却没有说明该指标的定义、计算方式或用途。
如果这个指标是作者自己提出的，就不能指望读者仅凭名称理解它。作者至少应在首次使用时解释指标的含义，并在必要时给出数学定义或计算公式。
使用缩写，却没有在首次出现时给出全称。
例如，作者在引言中直接写道：
“The proposed framework improves the performance of RAG under complex retrieval conditions.”
如果 RAG 是论文面向的领域中广泛使用的标准术语，通常不需要每次都重新解释。但对于跨学科读者，或者期刊明确要求首次出现时给出全称的情况，可以写成：
“The proposed framework improves the performance of retrieval-augmented generation (RAG) under complex retrieval conditions.”
需要注意，并不是所有缩写都必须机械地定义。对于目标读者普遍熟悉的标准术语，应结合学科惯例和期刊要求判断。
把关键概念留给读者自行推断。
有些作者会使用“high-quality samples”“robust performance”或“significant improvement”等表述，却没有说明这些概念在当前研究中具体意味着什么。
例如，high-quality samples 究竟依据什么标准判断？是人工标注、预先设定的质量阈值，还是某个模型的评分结果？
如果这些概念直接影响样本筛选、变量测量或结论解释，就应当给出清晰、可操作的定义。
怎样让论文真正做到自洽？
学术写作中有一个重要原则：论文应当在合理范围内具备自足性（Self-contained）。
这并不意味着作者需要解释领域内所有基础知识，而是要求读者不必依赖作者未曾说明的特殊假设，就能理解研究的核心内容。
投稿前，可以重点检查以下几点：
- 核心变量、研究指标和自定义概念是否有明确的操作性定义（Operational Definition）。
- 新提出的方法、模型或评价指标是否解释了基本原理和计算方式。
- 缩写是否符合目标期刊的格式要求，并在必要时于首次出现时定义。
- 关键术语在全文中的使用是否一致，有没有同一个词指代不同概念的情况。
- 图表中的符号、缩写和专业概念是否得到必要解释。
一个实用的方法是，让一位熟悉相关领域、但没有参与这项研究的同事阅读论文。请对方指出哪些概念需要反复猜测才能理解。这样的反馈往往比作者独自通读更有价值。
没有分析，或者只是“假装分析”结果
这是许多科研论文中容易被忽视的问题。
实验做完了，数据也整理好了，图表看起来十分完整，但结果部分仍然缺少真正的科学分析。
在 X 上分享评审经历的研究者对此表达得相当直接：实验分析的任务是提供洞见（Insights），而不是简单重复图表中的数字。读者自己就能看数字，论文作者需要解释的是这些数字意味着什么。
这句话值得认真思考。
描述结果不等于分析结果
假设一项研究比较了三种模型在某项任务中的表现，结果如下。
如果论文只写：
“Model A achieved an accuracy of 82.1%, whereas Models B and C achieved 85.4% and 89.2%, respectively.”
这句话没有错，但它只是报告数据（Reporting Results），并没有提供多少额外信息。
读者知道 Model C 的准确率最高，却不知道这一差异是否具有实际意义、为什么出现这样的差异，以及结果对研究问题有什么启示。
更有价值的分析可以进一步讨论：
“Model C outperformed Model A by 7.1 percentage points in accuracy. This improvement may reflect the benefit of incorporating contextual information into the prediction process. However, additional ablation experiments are needed to determine whether the gain can be attributed specifically to the contextual component.”
这里的重点不只是比较数字，而是解释结果、提出有依据的机制假设，并明确仍然存在的不确定性。
当然，这段分析也不能凭空成立。如果研究没有开展相关消融实验，或者没有其他证据支持这种解释，作者就应当将其明确表述为可能的解释，而不是已经得到证实的机制。
三种常见的“假分析”
第一种：用不同的句子重复图表中的信息。
例如，表格已经显示实验组的平均值高于对照组，正文却只是反复写出各组的均值、标准差和排名。
这种写法增加了篇幅，却没有帮助读者理解结果。正文应当突出与研究问题直接相关的主要发现，解释重要差异及其意义，而不是把整张表格重新抄写一遍。
第二种：直接把相关性解释为因果关系。
假设研究发现某个变量与患者预后显著相关，作者便声称该变量能够改善患者预后。
但如果研究采用的是观察性设计，这样的结论可能超出了证据所能支持的范围。统计关联本身不能证明因果关系，还需要考虑混杂因素、研究设计和其他可能的解释。
分析结果时，必须区分数据直接支持的发现、合理的解释，以及仍有待验证的假设。
第三种：只强调有利结果，回避不符合预期的发现。
如果某些实验没有达到预期效果，或者不同亚组的结果存在明显差异，作者不应当仅仅因为这些结果不够理想就忽略它们。
负面结果（Negative Results）和不符合预期的发现同样可能具有科学价值。关键在于分析它们是否揭示了方法的局限、理论假设的边界，或者值得进一步研究的问题。
如果论文只报告支持预设结论的数据，却不解释其他重要发现，读者就很难判断研究结论是否可靠。
怎样写出真正有价值的结果分析？
建议在撰写 Results 和 Discussion 时，明确区分两个部分的任务。
Results 部分主要回答：观察到了什么？差异有多大？统计分析支持什么结论？是否存在与预设假设不一致的发现？
Discussion 部分则进一步回答：这些发现意味着什么？与已有研究是否一致？可能的解释有哪些？研究设计和数据有哪些局限？这些结果对理论、方法或实践有什么意义？
对于每个主要发现，都可以尝试回答三个问题：
- 发现是什么？ 用简洁的语言概括关键结果，必要时提供效应量、置信区间或统计检验结果。
- 为什么重要？ 解释结果如何回应研究问题，以及它与既有知识之间的关系。
- 证据允许得出什么结论？ 明确区分已证实的发现、可能的机制和仍需验证的假设。
这里还需要提醒一点：统计显著性（Statistical Significance）并不自动意味着实际意义（Practical Significance）。即使某个差异达到统计显著，也应当结合效应量、置信区间、研究设计和具体应用场景进行解释。
可以参考美国心理学会（APA）的统计报告与写作资源，以及目标期刊提供的作者指南，检查自己的结果呈现是否足够完整、透明。
缺少参考文献：科学主张不能只靠作者自己说
第三个问题是参考文献不足（Insufficient Citations）。
在科研写作中，引用文献并不只是为了满足格式要求，更重要的是说明研究建立在什么知识基础上、与既有研究有什么关系，以及作者的判断有哪些证据支持。
如果一篇论文在引言中提出大量关于研究背景、现有方法缺陷和领域发展趋势的主张，却几乎没有引用相关文献，编辑自然会产生疑问：这些说法是建立在已有证据之上，还是仅仅来自作者自己的判断？
这并不意味着引言引用越多越好，而是要求关键主张拥有足够、准确且相关的证据支持。
为什么参考文献不足会影响编辑判断？
研究背景缺乏证据支持。
例如，作者写道：
“Recently, deep learning has become the dominant approach for solving this problem.”
这句话包含一个关于领域发展趋势的判断。如果没有引用相关综述、代表性研究或系统性证据，读者很难判断所谓的“dominant approach”究竟依据什么得出。
更稳妥的写法是结合可靠文献，说明哪些方法在什么任务或研究条件下得到广泛应用，并避免将局部趋势夸大为整个领域的共识。
研究空白（Research Gap）没有得到充分论证。
引言中常见这样的表述：
“However, no previous study has investigated this issue.”
这是一项范围很大的主张。作者需要检索相关文献，说明已有研究覆盖了哪些方面、仍然缺少什么，以及自己的研究如何填补这一空白。
如果没有充分梳理既有研究，仅凭少量引用就宣称“此前没有人研究过”，很容易让编辑怀疑作者是否真正了解相关领域。
在提出研究空白时，应当尽可能明确研究对象、时间范围、方法或具体情境，避免使用超出文献检索范围的绝对化表述。
对已有方法或研究的批评缺乏依据。
例如，作者声称现有方法计算成本高、泛化能力差，或者无法应用于真实场景。
这些判断可能是合理的，但需要文献证据、本文实验结果或其他适当证据加以支持。不能因为某种方法存在局限，就笼统地否定整个研究方向。
引用多少篇文献才算足够？
这没有适用于所有学科和期刊的统一数字。
在 X 上的这次分享中，研究者特别提到，如果一篇论文的整个引言部分引用不到三篇文献，就很难令人信服。当然，这是一位评审者对特定投稿的经验判断，并不是普遍适用的引用数量标准。
一篇研究范围非常明确的短篇论文，可能只需要少量关键引用；一篇涉及复杂理论背景、多个研究分支或广泛争议的论文，则可能需要更系统的文献梳理。
判断引用是否充分，更值得关注的是以下几个问题：
- 关键背景信息是否有可靠文献支持？
- 是否引用了与研究问题直接相关的代表性研究和必要的近期进展？
- 对既有研究的局限性是否有准确、平衡的论述？
- 研究空白是否通过对现有文献的梳理得到合理说明？
- 是否遗漏了与研究结论存在重要分歧的证据？
此外，引用也必须准确。引用某篇论文并不意味着该论文一定支持当前句子的具体主张。投稿前应当核对原文，确保文献中的研究对象、方法、结果和结论与自己的表述一致。
如何建立更扎实的文献支持体系？
比较有效的做法，是在写引言时同步整理关键主张与对应证据。
例如，可以将引言中的内容分为研究背景、已有方法、现存局限、研究空白和本文贡献几个部分，逐一检查每个部分需要哪些证据支持。
对于领域总体趋势，可以优先考虑高质量综述和系统评价；对于具体实验发现，应尽可能引用原始研究；对于方法的优缺点，应查阅真正采用或评估过该方法的研究，而不是只引用其他论文中的二手描述。
如果使用文献管理软件，可以为文献添加主题、研究设计和主要发现等标签，方便在撰写论文时快速找到相关证据。
需要特别注意的是，参考文献数量不能代替文献质量。大量引用无关文献、反复引用同一研究团队的工作，或者为了显得全面而堆砌参考文献，都不能真正提高论文的可信度。
投稿前，用这三个问题检查自己的论文
术语定义不清、结果分析不足和参考文献缺失，看起来是三个不同的问题，实际上都指向同一个核心要求：作者必须让读者能够理解研究、核查证据，并判断结论是否合理。
在正式投稿之前，可以安排一次专门的学术表达检查，而不仅仅是语法和拼写检查。
这三个问题适合在研究内容基本确定后检查，也可以在论文写作过程中反复使用。
如果条件允许，可以请一位没有参与研究的同事进行一次独立阅读。与作者相比，外部读者更容易发现那些因过于熟悉研究而被忽略的定义缺失、逻辑跳跃和证据不足问题。
人工智能工具也可以辅助这一过程。例如，可以让工具标记首次出现但未定义的缩写、识别结果部分中缺少解释的主要发现，或者列出需要核对引用的事实性主张。不过，这些工具只能帮助发现潜在问题，不能替代作者对术语准确性、数据解释和文献真实性的判断。尤其不能仅凭 AI 检测器的结果，判断一篇论文是否由人工智能撰写，或据此决定论文是否值得进入同行评审。
最后
一篇高质量的学术论文，不仅要有值得发表的研究发现，还需要将这些发现清楚、准确、有依据地传达给读者。
术语没有定义，读者就难以理解研究；结果没有真正分析，读者就无法判断发现的意义；关键主张缺少文献支持，读者就难以评估研究与现有知识之间的关系。
这三类问题并不必然导致所有期刊直接拒稿，但当它们集中出现，并且严重影响论文的可理解性、证据基础或科学论证时，就可能成为编辑初审拒稿的重要理由。
对科研人员来说，最值得记住的一点是：论文写作不是把研究做完之后再为数据配上文字，而是要用清晰的概念、合理的分析和可靠的证据，让研究成果真正经得起阅读与检验。
投稿前多花一点时间检查这三个方面，未必能保证论文被接收，却能帮助你避免一些本可以提前解决的写作问题，也能让编辑和审稿人把更多注意力放在研究本身的价值上。
