Einleitung | Nachdem Sie multimodale Baselines wie LLaVA reproduziert und auf POPE und MMBench eine Menge JSON-Dateien erzeugt haben, beginnt der wirklich mühsame Teil: Abbildungen erstellen, Ergebniskapitel schreiben, Literatur verwalten. Dieser Beitrag zeigt, wie Sie diese drei Dinge in einem Durchgang erledigen.
I. Von „alles ist durchgelaufen“ bis „es steht in der Arbeit“ liegen drei Hürden
| Schritt | Warum es mühsam ist | Wie MuchSci Paper Sailor das übernimmt |
| Abbildungen erstellen | matplotlib von Hand schreiben, Spaltenbreiten wiederholt anpassen | direkt gruppierte Balken-SVGs im Zeitschriftenformat ausgeben |
| Ergebniskapitel schreiben | Kennzahlen einzeln beschreiben und mit den Abbildungen abgleichen | automatisch eine Gliederung für das Ergebniskapitel aus Ihren Daten erzeugen |
| Literatur verwalten | Dutzende arXiv-Einträge von Hand zu übertragen ist besonders fehleranfällig | automatische Nummerierung + Echtheitsprüfung vor der Einreichung |
Diese drei Dinge haben eines gemeinsam: Sie sind nicht schwer, aber extrem zeitaufwendig und besonders fehleranfällig.
II. Erster Schritt: Ergebnisse hochladen und zuerst die Gliederung des Ergebniskapitels erzeugen
Laden Sie die CSV-/JSON-Dateien mit den Testergebnissen in MuchSci Paper Sailor hoch. Es erstellt zunächst ein Datenprofil (Feldtypen, fehlende Werte, Verteilungen) und generiert dann anhand Ihrer echten Spaltennamen automatisch eine Gliederung für das Ergebniskapitel – welche Tabelle zu welchem Beschreibungsabschnitt gehört, welche Kennzahlen einzeln berichtet werden müssen, wird zuerst klar festgelegt.
Der Wert dieses Schritts liegt darin: Die Struktur des Ergebniskapitels wird von Ihren Daten bestimmt und nicht aus einer Vorlage übernommen. Wenn Sie precision und recall berechnet haben, organisiert es sie nach diesen beiden Dimensionen; wenn Sie mehrere Datensätze haben, gliedert es nach Datensätzen.
III. Zweiter Schritt: direkt gruppierte Balken-SVGs im Zeitschriftenformat ausgeben
Ohne Plot-Code zu schreiben, direkt in Paper Sailor Abbildungen erzeugen:
• Diagrammtyp: gruppierte Balken (grouped_bar) usw. – ideal für Vergleiche zwischen Modellen.
• Vektorausgabe: svg=true, Text bearbeitbar, verlustfrei skalierbar.
• Zeitschriftenformat: Ausgabe nach Spaltenbreite der Zielzeitschrift (z. B. nature_single=89mm), ohne erneutes Layout in den Fließtext einfügen.
Genau der Teil, den Sie am wenigsten tun möchten, entfällt hier – Dutzende Zeilen matplotlib plus wiederholtes Anpassen von Größen und Ausrichten von Spaltenbreiten.
IV. Dritter Schritt: Abbildungsunterschriften automatisch mit den Originalwerten für Precision / Recall verknüpfen
Das ist der am leichtesten übersehene und zugleich am stärksten Professionalität zeigende Punkt: konkrete Zahlen in den Abbildungsunterschriften.
Jeder Wert lässt sich bis zum Datensatz zurückverfolgen; die Abbildungsunterschrift wird automatisch mit den Originalwerten für Precision / Recall der jeweiligen Abbildung verknüpft, statt nur „signifikant besser als die Baseline“ zu schreiben.
Für Gutachter besteht der Unterschied zwischen diesen beiden Schreibweisen darin: Ersteres lässt sich direkt prüfen, Letzteres bleibt fragwürdig. In Paper Sailor dürfen Werte, die nicht zurückverfolgbar sind, nicht in Abbildungsunterschriften erscheinen.
V. Vierter Schritt: automatische Literaturverwaltung
Dieselben Literaturstellen verwenden Sie sowohl im Abschnitt zu verwandten Arbeiten als auch in der Vergleichsanalyse. Paper Sailor verwaltet die Nummerierung dieser arXiv-Zitate automatisch, markiert sie im Text mit cite, erzeugt mit einem Klick eine bib-Datei und führt vor der Einreichung eine Echtheitsprüfung durch – weder werden experimentelle Kennzahlen erfunden noch halluzinierte Literaturangaben hinterlassen.
VI. Ein vollständiger Durchlauf
Am Beispiel der Reproduktion der LLaVA-Baseline:
1. Ergebnisse hochladen: die JSON-Dateien von POPE / MMBench gemeinsam hochladen.
2. Automatisches Profiling: Felder und Werte prüfen.
3. Gliederung des Ergebniskapitels erzeugen: das Kapitel nach Datensatz + Kennzahl organisieren.
4. Abbildung erzeugen: gruppiertes Balkendiagramm erstellen und als SVG im Zeitschriftenformat exportieren.
5. Ergebniskapitel schreiben: Recall / Genauigkeit der einzelnen Modelle Punkt für Punkt beschreiben, Abbildungsunterschriften mit Originalwerten.
6. Zitate verwalten: cite-Markierung → bib erzeugen → Echtheitsprüfung durchführen.
7. Exportieren: zusammen mit den Einreichungsunterlagen abschließen.
VII. Häufige Fallstricke
• Abbildungen mit handgeschriebenem matplotlib erstellen. Das kostet nicht nur Zeit; Schriftgrößen, Linienstärken und Spaltenbreiten stimmen nicht überein, und die Nacharbeit dauert weit länger als das eigentliche Plotten.
• In der Abbildungsunterschrift nur „signifikante Verbesserung“ schreiben. Gutachter sehen keine Zahlen und vermuten nur, dass Sie etwas verbergen.
• Zahlen und Abbildung passen nicht zusammen. Die Daten wurden einmal geändert, aber die Abbildung nicht neu erzeugt, und die Unterschrift ist noch alt – genau dagegen dient die Rückverfolgbarkeit der Werte.
• Zitate von Hand abschreiben. Ein Fehler unter Dutzenden Einträgen kann von Gutachtern bemerkt werden.
VIII. Fazit
Experimentelle Ergebnisse sind nur Halbfertigprodukte; erst was in eine Arbeit geschrieben werden kann, ist ein Ergebnis. MuchSci Paper Sailor verbindet „Gliederung des Ergebniskapitels erzeugen → Vektorgrafik im Zeitschriftenformat ausgeben → Abbildungsunterschrift mit Originalwerten verknüpfen → Literatur automatisch verwalten“ zu einer Kette; Sie müssen nur noch die JSON-Dateien übergeben.
Selbstprüfung vor dem Erstellen der Abbildung:
• Ist die Abbildung vektorbasiert und an die Spaltenbreite der Zielzeitschrift angepasst?
• Enthält die Abbildungsunterschrift konkrete Zahlen oder nur leere Floskeln?
• Lässt sich jede Zahl bis zu den ursprünglichen experimentellen Ergebnissen zurückverfolgen?
• Wurden die Zitate einer Echtheitsprüfung unterzogen?