結果章寫作：讓數據替你發聲，卻不替你越界

你的數據會說話，但你得先學會替它「翻譯」

想像一下，你花了三個月跑實驗、清資料、做統計，終於得到一張漂亮的圖表。你把它貼進論文，配上一句「The results are shown in Figure 1.（結果如圖 1 所示。）」就交差了。結果審稿人回信：「請說明你的圖表呈現了什麼。」

這是結果章（Results）最常見的誤會：學生以為「把數據放上去」就等於「報告結果」。但其實圖表自己不會說話——它只是證據，而結果章的任務，是用精準、客觀的文字替這些證據「翻譯」成讀者能讀懂的發現（findings）。翻譯得好，審稿人一眼看懂；翻譯得差，再強的數據也會被埋沒。

這篇文章要談的，就是如何寫出一個讓數據替你發聲、卻又不越界搶話的結果章。

結果章的黃金界線：報告，但不解釋

結果章最核心的一條紀律，是區分「報告發現（report）」與「解釋意義（interpret）」。前者屬於 Results，後者屬於 Discussion。許多初稿失敗，正是因為作者忍不住在報告數字的同時，就開始猜測「為什麼會這樣」。

來看一組對照：

❌ 不佳：The experimental group scored higher because they were more motivated by the gamified interface. （實驗組得分較高，因為他們被遊戲化介面激勵了。）

這句話的問題在於 "because they were more motivated"——這是詮釋，是你對成因的推測，而且「動機」這個變項你根本沒有測量。它屬於 Discussion，放在 Results 會讓審稿人質疑你過度延伸。

✅ 改良：The experimental group (M = 82.4, SD = 6.1) scored significantly higher than the control group (M = 74.2, SD = 7.3), t(98) = 5.21, p < .001. （實驗組（M = 82.4, SD = 6.1）的得分顯著高於控制組（M = 74.2, SD = 7.3），t(98) = 5.21, p < .001。）

改良版只陳述「發生了什麼」與「統計上是否顯著」，把「為什麼」留給後面的章節。記住這條界線：結果章回答 What，討論章回答 Why。

用過去式報告你做了什麼、看到什麼

結果章描述的是已經完成的觀察，因此動詞時態以過去式（past tense）為主。這一點和現在式為主的文獻回顧不同，學生常常時態混用。

❌ 不佳：The data shows that accuracy increases as practice time grows. （資料顯示，準確率隨練習時間增加而上升。）

✅ 改良：The data showed that accuracy increased as practice time grew. （資料顯示，準確率隨練習時間增加而上升。）

不過有一個例外：當你指涉的是圖表這個「物件」本身（它此刻就印在紙上），可用現在式：

✅ Figure 2 presents the distribution of response times across conditions. （圖 2 呈現各條件下反應時間的分布。）

一個實用的記法：描述「過去發生的觀察結果」用過去式（scores increased、participants reported）；描述「現在這份文件裡的圖表」用現在式（Table 1 shows、Figure 3 illustrates）。

圖表不是裝飾，文字要替它「導讀」

很多學生把圖表丟進去，正文卻只寫一句「見圖 1」。但圖表是被動的，讀者需要你的文字告訴他該看哪裡、看到什麼趨勢。好的結果章文字會「指路」（signposting），把讀者的目光引導到關鍵發現。

❌ 不佳：The results are shown in Figure 1. （結果如圖 1 所示。）

這句話等於沒寫——讀者還是不知道圖 1 在說什麼。

✅ 改良：As shown in Figure 1, the error rate declined sharply during the first 10 trials and then plateaued, suggesting a rapid early learning phase followed by stabilization. （如圖 1 所示，錯誤率在前 10 個試次中急遽下降，隨後趨於平緩，呈現出快速的早期學習階段，接著進入穩定期。）

改良版做了三件事：(1) 用 "As shown in Figure 1" 把文字與圖表綁定；(2) 描述了趨勢的形狀（sharply declined → plateaued）；(3) 點出最值得注意的特徵。注意這裡的 "suggesting" 只是描述模式，尚未跨入因果解釋，仍守在結果章界線內。

常用的「導讀」句型，可直接套用：

• As shown in Table 2, ...（如表 2 所示，……）
• Figure 3 illustrates the relationship between X and Y.（圖 3 描繪了 X 與 Y 的關係。）
• The most notable pattern in Figure 4 is ...（圖 4 中最值得注意的模式是……）
• A closer inspection of Table 1 reveals that ...（細看表 1 可發現……）

看一個例子：把一段「流水帳」改成有層次的敘述

學生初稿常把每個數字平鋪直敘地念一遍，讀起來像報菜名：

❌ 不佳：Group A scored 80. Group B scored 75. Group C scored 70. Group D scored 65. The differences were significant. （A 組 80 分。B 組 75 分。C 組 70 分。D 組 65 分。差異顯著。）

這段話把所有數字攤平，沒有層次，讀者得自己腦補哪個比較重要。改良時要做的，是先給「整體模式」，再用數字支撐，並只把關鍵統計量寫進正文（細節留給表格）：

✅ 改良：Mean scores decreased monotonically from Group A to Group D (see Table 3). A one-way ANOVA confirmed that these differences were statistically significant, F(3, 116) = 9.84, p < .001, η² = .20. Post-hoc comparisons indicated that Group A significantly outperformed Group D (p < .001), whereas adjacent groups did not differ reliably. （平均分數從 A 組到 D 組單調遞減（見表 3）。單因子變異數分析確認這些差異具統計顯著性，F(3, 116) = 9.84, p < .001, η² = .20。事後比較顯示 A 組顯著優於 D 組（p < .001），而相鄰各組之間則無可靠差異。）

改良版先給出模式（monotonic decrease），再以統計檢定佐證，最後用事後比較點出「哪兩組真的有差、哪些其實沒差」。這樣讀者既看到全貌，又掌握了重點，而原始的四個分數則交給表格，不必塞進正文。

報告統計：完整、精確、符合慣例

結果章的統計報告有一套國際慣例（多數社會科學遵循 APA 格式），寫對了會顯得專業，寫漏了會被退稿。幾個關鍵原則：

1. 同時報告效果量（effect size），不要只給 p 值。 p 值只告訴你「差異是否可能由機運造成」，而效果量（如 Cohen's d、η²、r）才告訴你「差異有多大、有沒有實質意義」。

❌ 不佳：The difference was significant (p < .05). （差異顯著（p < .05）。）

✅ 改良：The difference was statistically significant, t(58) = 2.43, p = .018, d = 0.63, indicating a medium-to-large effect. （差異具統計顯著性，t(58) = 2.43, p = .018, d = 0.63，顯示為中到大的效果量。）

2. 「顯著」是統計術語，不是「重要」的同義詞。 英文 "significant" 在學術寫作中專指 statistically significant。不要用它來表達「這個發現很重要」。

❌ 不佳：We found a significant improvement in user satisfaction.（語意模糊：是統計顯著還是「很大的」改善？）

✅ 改良：User satisfaction improved significantly, with mean ratings rising from 3.2 to 4.1 on a 5-point scale, t(40) = 4.05, p < .001. （使用者滿意度顯著提升，五點量表的平均評分從 3.2 上升到 4.1，t(40) = 4.05, p < .001。）

3. 精確報告數字，遵守格式慣例。 例如 p 值小於 .001 時寫 "p < .001" 而非 "p = .000"；統計量小數點前不加 0 的慣例（如 p = .03 而非 p = 0.03，因為 p 不可能大於 1）。

動手試試：替下面這句「體檢」

請找出這句的三個問題，再嘗試改寫：

The results clearly prove that our method is the best, showing a huge improvement (p<0.05) over the baseline.

問題診斷： 1. "clearly prove" — 結果章不該用 "prove（證明）"。實證研究提供的是證據（evidence），不是數學意義上的證明；用 "prove" 會顯得過度宣稱（overclaiming）。 2. "the best / huge improvement" — 主觀、情緒化的形容詞。"best" 是價值判斷，"huge" 不精確，都該換成可量化的客觀描述。 3. 統計報告殘缺——只有 p 值，沒有檢定統計量、自由度、效果量，且 "p<0.05" 格式不符慣例。

改寫示範：

✅ The proposed method outperformed the baseline, improving classification accuracy from 78.3% to 86.5%, t(48) = 3.71, p < .001, d = 0.74. （本方法的表現優於基準模型，將分類準確率從 78.3% 提升至 86.5%，t(48) = 3.71, p < .001, d = 0.74。）

改寫後，主觀宣稱被替換成具體百分比與完整統計量，語氣從「自我吹捧」變成「讓數據說話」。

客觀、克制：讓語氣保持中性

結果章的語氣應該是冷靜、中性、不帶情緒的。避免使用 "amazing"、"excellent"、"surprisingly good"、"unfortunately" 這類帶評價或情緒的詞。即使是出乎意料的結果，也用客觀方式陳述。

❌ 不佳：Surprisingly, the model performed amazingly well even on noisy data. （令人驚訝的是，模型在雜訊資料上的表現好得驚人。）

✅ 改良：The model maintained an accuracy of 84.1% on the noisy dataset, only 2.3 percentage points below its performance on clean data. （模型在含雜訊資料集上維持 84.1% 的準確率，僅比乾淨資料的表現低 2.3 個百分點。）

注意改良版如何用「具體數字 + 對比」傳達「表現不錯」這個訊息，而完全不需要 "amazingly"。客觀數字本身就有說服力——這正是結果章的功力所在。

重點回顧

1. 守住界線：報告 What，不解釋 Why。 成因、機制、意義的詮釋屬於 Discussion，結果章只客觀陳述觀察到的發現。
2. 時態以過去式為主（描述已完成的觀察），但指涉圖表這個物件時用現在式（Table 1 shows / Figure 2 presents）。
3. 替圖表導讀，不要只說「見圖 X」。 用 signposting 句型引導讀者注意關鍵趨勢與模式。
4. 統計報告要完整： p 值之外務必附上檢定統計量、自由度與效果量，並遵守格式慣例。
5. 語氣客觀克制： 避免 prove、best、amazing、surprisingly 等主觀或情緒詞，讓精確的數字本身發聲。

深入探討（研究所視角）

到了研究所階段，結果章的寫作會從「正確報告」進階為「策略性敘事建構」，以下幾個面向值得深思。

1. 結果章作為「論證鏈」，而非數據傾倒。 成熟的結果章其實有一條隱性敘事線：每個分析都對應一個研究問題或假設，並依邏輯次序展開。常見的組織策略包括「依研究問題排序」（先回答 RQ1，再 RQ2）、「漏斗式」（從整體描述統計，逐步聚焦到關鍵推論統計），或「由主到次」（先報告核心發現，再列次要分析）。關鍵在於：讀者讀完應該能在腦中重建你的研究邏輯，而不是收到一堆散落的數字。換句話說，結果的「呈現順序」本身就是一種論證。

2. 描述統計與推論統計的分工。 描述統計（descriptive statistics：平均數、標準差、分布）回答「資料長什麼樣子」；推論統計（inferential statistics：t 檢定、ANOVA、迴歸）回答「這些模式能否推廣到母體」。研究所程度的結果章會先用描述統計建立「資料的素描」，讓讀者對分布、離群值、樣本特性有感，再進入推論統計。跳過描述統計直接報告 p 值，會讓審稿人無從判斷你的推論是否建立在合理的資料基礎上。

3. 從顯著性檢定到估計思維（estimation）的典範轉移。 近年統計改革（如 The New Statistics、APA 第七版的建議）強烈主張，研究者應從「二元的顯著 / 不顯著判斷」轉向「效果量 + 信賴區間（confidence interval, CI）」的估計取向。原因在於 p < .05 這條線是人為的，且高度受樣本數影響——大樣本下微不足道的差異也會「顯著」。報告 95% CI（如 the mean difference was 8.2 points, 95% CI [4.6, 11.8]）能同時傳達「效果有多大」與「估計有多精確」，資訊量遠勝單一 p 值。這也呼應了當前可重複性危機（replication crisis）下，學界對 p-hacking 與選擇性報告的反省。

4. 透明與可重複性的新規範。 頂尖期刊越來越要求結果章標示哪些分析是「事前預先註冊（pre-registered）的驗證性分析」、哪些是「資料探索後才做的探索性分析（exploratory）」。混淆兩者會誇大發現的可信度。同時，開放科學運動（open science）推動研究者公開資料與分析程式碼，讓結果章的每個數字都可被獨立重現。

5. 跨領域的對照。 不同學科的結果章樣貌差異頗大：實驗心理學重視效果量與 CI；機器學習領域強調基準比較、消融實驗（ablation study）與多次隨機種子的標準差；質性研究的「結果」則以主題（themes）和代表性引文（representative quotes）呈現，而非統計量。理解你所屬社群的慣例（disciplinary conventions），比死守一套通則更重要——這也是為什麼大量精讀目標期刊的範文，永遠是學術寫作最有效的訓練。對於跨領域研究者，更要意識到：當你把心理學的實驗設計帶進教育科技、或把資料科學的方法帶進社會科學時，結果章如何同時滿足兩個社群的期待，本身就是一門需要刻意練習的功夫。