科研工作中，我们经常会遇到各种复杂问题：实验结果与预期不一致、论文投稿被拒、项目进展缓慢、研究思路过于分散，或者面对一个庞大的研究课题却不知道应该从哪里开始。
很多时候，真正困难的并不是“没有答案”，而是不知道应该如何寻找答案。
好的问题解决能力并不意味着一个人能够提前知道所有答案，而是面对未知问题时，能够快速建立分析框架，把一个模糊、复杂的问题拆解成可以理解、验证和解决的具体问题。
这也是为什么问题解决框架在管理咨询、商业分析、项目管理乃至科研工作中都非常重要。一个好的框架不会直接告诉你答案是什么，却能够帮助你明确应该分析什么、从哪里入手，以及哪些因素可能被遗漏。
下面AJE介绍5个非常实用的框架：Ishikawa鱼骨图、Issue Tree问题树、Pyramid Principle金字塔原理、MECE原则和SCQA框架。它们分别侧重于根因分析、问题拆解、信息组织和观点表达，但在实际使用时完全可以组合起来。
Ishikawa：找到问题背后的真正原因
Ishikawa Diagram通常被称为“鱼骨图”（Fishbone Diagram），也称为因果图（Cause-and-Effect Diagram），由日本质量管理专家石川馨（Kaoru Ishikawa）提出。它最早广泛应用于质量管理，但现在已经被用于制造业、医疗、项目管理、科研等多个领域。
鱼骨图解决的是一个非常直接的问题：为什么会出现这个结果？
例如，一篇论文投稿后被拒，表面上看只是“期刊没有接受论文”，但真正的原因可能完全不同：研究创新性不足、研究设计存在缺陷、统计方法不合适、语言表达不清晰、文章与期刊范围不匹配，甚至可能只是投稿策略出现了问题。如果直接把“论文被拒”归结为“研究质量不好”，实际上并没有完成真正的分析。
鱼骨图的思路，是把最终结果放在“鱼头”位置，然后逐层向后寻找可能导致这个结果的因素。以“实验重复性较差”为例，可以从实验设计、样本、试剂、仪器、操作流程、数据分析等方面展开，再进一步追问每个因素为什么可能造成重复性问题。
这里最重要的并不是把鱼骨图画得多漂亮，而是不断追问“为什么”。假设发现不同批次实验之间存在明显差异，可以继续问为什么不同批次会产生差异；如果进一步发现实验人员的操作流程并不完全一致，还可以继续追问为什么操作没有统一；最终可能发现真正需要解决的并不是“重新做一次实验”，而是缺少标准化的SOP（Standard Operating Procedure）。
这也是鱼骨图与根因分析的联系所在。它的价值并不是帮你找到一个看起来合理的解释，而是帮助你避免停留在表面原因，尽可能追溯到真正值得干预的环节。
对于科研人员来说，当实验失败、项目延期、数据异常或者论文反复被拒时，鱼骨图都可以作为一种非常实用的分析工具。尤其是在面对“结果已经发生，但不知道为什么”的问题时，它能够帮助研究者把模糊的问题变成一组可以逐项验证的假设。
Issue Tree：把一个复杂问题拆成多个可以回答的问题
如果鱼骨图更强调“为什么”，Issue Tree（问题树）解决的则是另一个常见困难：一个复杂问题到底应该从哪些方面分析？
面对一个大问题，人很容易陷入“整体思考”的陷阱。例如，“为什么我的论文投稿不成功？”这个问题本身太宽泛，如果直接围绕它寻找答案，很容易想到什么分析什么，最后得到一堆彼此没有明显关系的信息。
问题树的做法是从核心问题开始，一层一层向下拆解。例如，论文投稿不成功可以进一步分成论文自身的问题、投稿策略的问题以及审稿过程中的问题。论文自身又可以继续拆成研究问题、创新性、研究设计、数据质量和统计分析；投稿策略则可以进一步考虑期刊选择、文章类型和研究方向匹配程度。
这样，一个原本非常模糊的问题，就变成了一组更加具体的问题。
这其实与科研中的研究问题拆解非常接近。比如“研究某种疾病的发病机制”显然不是一个可以直接回答的问题，需要继续拆解为哪些因素与疾病相关、哪些信号通路参与其中、哪些细胞发生变化、这些变化是否具有因果关系，以及是否能够进一步转化为潜在治疗靶点。经过几轮拆解之后，一个宏大的研究主题才会逐渐变成可以设计实验进行验证的具体研究问题。
Issue Tree最重要的价值，是帮助研究者从“大问题”走向“小问题”。当一个问题看起来非常复杂时，与其不断寻找一个能够解决所有问题的答案，不如先问一句：
这个问题究竟由哪些更小、更具体的问题组成？
一旦问题被拆开，后续的数据收集、文献检索和实验设计都会更加容易。
Pyramid Principle：不要让读者猜你的结论
科研人员在论文写作和学术汇报中经常会遇到另一个问题：信息很多，但核心观点并不突出。
例如，在向导师汇报实验结果时，如果按照实验进行的时间顺序，把所有实验过程、数据和观察结果依次讲一遍，听众可能听了几分钟甚至十几分钟，仍然不知道你究竟想说明什么。
Pyramid Principle（金字塔原理）强调的恰恰是这一点：先告诉读者最重要的结论，再解释支持这个结论的理由和证据。
例如，与其先说“我们进行了三组实验，第一组观察到了……第二组发现……第三组又发现……”，不如先告诉导师：
“我们的结果表明，X可能是导致Y发生的关键因素。”
然后再用实验数据解释为什么得出这个判断。如果有三项主要证据，就按照逻辑关系依次展开，最后再进入具体数据。
这种表达方式并不是简单地“把结论放到第一句话”，而是建立一种从观点到证据的层级结构：
核心结论 → 关键论点 → 数据和证据。
这对于学术写作同样有帮助。论文摘要中的核心发现、Discussion中的主要解释、研究汇报中的关键结论，都应该让读者能够尽快识别，而不是让读者阅读大量背景和实验细节之后自己总结。
例如，在Discussion中，与其先重复实验结果，不如先明确提出：
“Our findings suggest that X plays a critical role in Y.”
接下来再解释哪些实验结果支持这一判断，以及这一发现与已有研究之间有什么联系。
当然，金字塔原理并不意味着学术写作可以忽略过程和细节。科研论文仍然需要完整的方法、结果和证据。它真正强调的是信息的层级关系：最重要的信息应该拥有最高的表达优先级，而细节则服务于核心观点。
MECE：让你的分析避免重复和遗漏
MECE是“Mutually Exclusive, Collectively Exhaustive”的缩写，通常翻译为“相互独立、完全穷尽”。这是结构化分析中非常经典的原则，尤其适合用来检查一个问题的分类方式是否合理。
所谓“相互独立”，是指不同类别之间尽量不要出现明显重叠；所谓“完全穷尽”，则是指这些类别放在一起时，应该尽可能覆盖问题的重要方面。
举个简单的例子。如果要分析论文被拒的原因，把它分成“研究设计、统计分析、论文质量”三个类别，看起来似乎很合理，但仔细分析就会发现，“论文质量”可能同时包含研究设计和统计分析，这就产生了明显的重叠。
更合理的方式，是根据不同维度重新划分。例如，可以分别从“研究本身”“论文表达”和“投稿策略”三个方向分析。研究本身关注研究问题、创新性、设计和数据；论文表达关注结构、语言、图表和参考文献；投稿策略则关注期刊选择、文章类型以及与期刊范围的匹配程度。
这样做的目的不是追求一种所谓“完美分类”，而是让自己的思考更加清楚。
在科研工作中，MECE尤其适合用于研究方案、文献综述、项目汇报以及论文Discussion的结构设计。很多文章逻辑混乱，并不是作者没有足够的数据，而是不同观点之间存在重复，或者某个重要角度完全没有被考虑。
不过，也不能机械地理解MECE。现实中的科研问题通常具有复杂的交叉关系，例如实验设计、统计分析和样本量之间就可能相互影响。因此，MECE更应该被理解为一种检查思维结构的工具，而不是要求现实世界中的所有因素必须被强行分割。
当你完成一次分析后，可以简单检查两个问题：不同部分是不是在讲同一件事？有没有重要内容没有被考虑？ 这其实就是MECE最实用的地方。
SCQA：让复杂的问题变成一个容易理解的故事
SCQA由Situation、Complication、Question和Answer四个部分组成，即“背景—冲突—问题—答案”。与前面几个框架相比，它更强调的是如何组织信息，让读者自然地理解为什么这个问题值得解决，以及最终应该得到什么答案。
例如，我们正在讨论科研人员使用生成式人工智能的问题。
首先需要建立背景：近年来，人工智能已经逐渐进入科研写作、文献检索、数据分析等场景。接下来指出变化或冲突：与此同时，AI可能产生事实错误、虚构参考文献以及透明度不足等问题。于是自然产生一个问题：科研人员应该如何使用AI，同时降低这些风险？最后给出答案，例如从工具选择、事实核查、引用验证和期刊政策等方面建立规范。
这就是一个完整的SCQA结构：
Situation → Complication → Question → Answer
它之所以适合科研写作，是因为很多研究的Introduction本身就存在类似的逻辑。首先介绍研究领域目前的情况，然后指出已有研究存在的不足或新的挑战，由此形成研究缺口，最终自然引出“本研究希望解决什么问题”。
例如：
“目前已有研究发现X与Y存在关联。然而，X是否直接参与Y的调控机制仍然不明确。因此，本研究旨在进一步探讨X对Y的影响。”
这类表达实际上就包含了SCQA的基本逻辑。
当然，真正的学术论文并不需要机械套用SCQA，每篇论文也不一定都能严格分成四个部分。但在写Introduction、研究背景、基金申请书或者制作学术汇报PPT时，SCQA可以帮助作者检查一个非常重要的问题：
读者是否能够清楚地理解，为什么要做这项研究？
如果背景介绍了很多，却迟迟没有出现真正的研究问题，那么文章可能就缺少清晰的叙事主线。
这5个框架有什么区别？
这5种方法看起来都属于“结构化思维”，但实际解决的问题并不一样。
Ishikawa关注的是原因，核心问题是“为什么会发生”；Issue Tree关注的是拆解，解决“这个复杂问题由什么组成”；MECE关注的是分类，帮助我们减少重复和遗漏；Pyramid Principle关注的是表达，强调先明确核心结论，再提供论据；SCQA关注的是叙事，帮助读者理解问题从哪里来、为什么值得关注以及应该如何解决。
因此，它们并不是五种互相替代的方法，而更像是一套可以组合使用的工具。
可以把它们理解成一个完整的过程：Issue Tree负责把问题拆开，MECE帮助整理这些问题，Ishikawa进一步寻找关键原因，Pyramid Principle组织分析结果，SCQA则帮助把整个过程讲清楚。
理解这一点，比单纯记住五个英文名称更加重要。
如何把5个框架组合起来解决一个真实问题？
假设现在遇到一个很常见的科研管理问题：
为什么我们的科研项目进展越来越慢？
第一步可以使用Issue Tree，把这个大问题拆成研究设计、实验执行、人员协作、数据分析和项目管理等不同方向。接下来利用MECE检查这些分类是否存在明显重复，是否遗漏了某个重要环节。
如果进一步发现真正的问题集中在“实验执行”上，就可以使用Ishikawa进行根因分析。实验进度慢可能与样本准备、试剂、仪器、人员操作以及实验流程有关，再通过不断追问“为什么”，最终发现真正的瓶颈可能是样本准备周期过长，或者实验流程缺少标准化。
完成分析之后，如果需要向导师汇报，就可以使用Pyramid Principle，把最重要的结论放在最前面：
“项目进度下降的主要原因并不是人员不足，而是样本准备和实验流程标准化存在瓶颈。”
然后用实验记录和项目数据支持这一判断。
如果需要进一步制作项目汇报或者撰写总结报告，则可以利用SCQA重新组织整个故事：项目原本进展正常，这是Situation；最近一个月进度明显下降，这是Complication；为什么项目会突然放缓，这是Question；最终发现主要瓶颈来自样本准备和实验流程，因此下一阶段应该优先解决这两个问题，这是Answer。
这样，5个框架就被串联起来了。
它们分别承担不同任务，却共同完成了一条完整的问题解决路径：
拆解问题 → 整理结构 → 寻找原因 → 提炼结论 → 清晰表达。
这些框架如何应用到科研工作？
对于科研人员来说，这些方法最大的价值并不是让科研工作“看起来更像管理咨询”，而是帮助研究者在面对复杂问题时减少无效思考。
在选题阶段，可以用Issue Tree把一个宽泛的研究主题逐渐拆解成具体的Research Questions；在研究设计阶段，可以用MECE检查变量和研究维度是否存在遗漏或重复；实验出现异常时，可以用Ishikawa进行系统的根因分析；完成实验之后，可以使用Pyramid Principle组织研究发现；而在撰写Introduction、项目申请书或者学术报告时，则可以借鉴SCQA建立更加自然的逻辑。
尤其是在论文写作中，这些框架能够帮助解决一个经常被忽视的问题：信息很多，但逻辑不一定清楚。
一篇论文真正困难的地方通常不是“把所有信息写进去”，而是判断哪些信息应该放在什么位置，以及它们之间应该形成怎样的逻辑关系。
好的结构能够让读者更容易理解研究问题、研究缺口、核心发现和研究意义，而不是让读者自己从大量信息中寻找作者真正想表达的观点。
最后
好的问题解决能力，并不是拥有所有问题的答案，而是在面对未知问题时，知道应该如何寻找答案。
Ishikawa帮助我们找到问题背后的原因，Issue Tree帮助我们把复杂问题拆开，MECE帮助我们建立清晰的分类，Pyramid Principle帮助我们突出核心结论，SCQA则帮助我们把整个问题讲清楚。
如果把这5个框架放在一起，它们实际上对应了科研和工作中非常重要的几个环节：
把问题拆开，找到真正的问题；把信息整理好，找到关键原因；把结论提炼出来，再用清晰的方式表达。
对于科研人员来说，真正值得掌握的并不是某一个具体框架，而是这种结构化思考的习惯。
当面对一个复杂问题时，不妨先停下来问自己三个问题：
我真正要解决的问题是什么？这个问题还能不能继续拆解？我目前的结论是否有足够清晰的证据支持？
很多看起来复杂的问题，在经过正确的结构化之后，往往会变得清晰很多。
这也正是问题解决框架真正的价值：它们不会直接给你答案，但能够帮助你更快、更有逻辑地找到答案。
