修改意見下來之後，我改掉了寫論文的幾個習慣
一篇關於論文寫作的復盤：從收到 Major Revision 那天起，我把四個環節的做法換了一遍。
那封電郵我看了三遍才反應過來——Major Revision，四條意見。
當時的第一感覺不是沮喪，是「怎麼全是這些」。四條裡沒有一條在質疑我的實驗，全都在說別的事：綜述不全、方法寫得不清楚、引文格式混亂、語言需要潤色。
也就是說，稿子被打回來，輸的不是研究，是寫作流程。 返修那個月，我把這幾個環節的做法換了一遍，下面按四條意見的順序說。
對應第一條：文獻綜述「遺漏了本領域近期的重要工作」
這條最扎心，因為它是真的。
我當時的文獻工作方式是：師兄師姐傳下來的幾篇 + 自己按關鍵詞隨手搜的。文獻綜述寫得像攤開的一盤散沙，沒有台帳，也沒有覆蓋度概念。審稿人指出的那兩三篇，我確實一篇都沒讀過。
返修時我做了兩件事：
一是把檢索方式從「拼關鍵詞」改成「說清研究問題」。 以前我是在檢索框裡反覆試詞組，試不出來就放棄；現在我把要問的東西用一句話描述出來——例如「X 處理對 Y 性能的影響有沒有被驗證過」——讓工具去拆解檢索維度。我用的是 MuchSci 的論文檢索助手，文獻來源是 Crossref 的 1.8 億篇，支援按標題、作者、DOI 做精確或模糊檢索，也能按年份、引用次數篩選。命中之後會給 DOI，並自動補齊作者、期刊、年份、卷期頁碼這些引文資訊。
二是讓每篇文獻先「報一下自己的結論」，再決定讀不讀。 它會逐篇拆解研究問題、方法、主要結論和局限。這一步對我最大的價值是覆蓋度判斷：以前我只能判斷「這篇和我的題像不像」，現在能判斷「這個方向的問題被回答到什麼程度了」。綜述之所以寫不全，往往不是沒找到，是不知道還缺哪一塊。
對應第二條：方法部分「可復現性不足」
這條讓我很意外，因為方法部分是我寫得最「順」的一段——順是因為我寫得快，而寫得快的代價是含糊。
審稿人具體點了兩處：一個參數的取值範圍沒交代清楚，一個處理步驟的順序有歧義。我回去查了一下，問題出在我讀文獻時只讀了正文——很多細節其實寫在原文的補充材料或者方法小節的腳註裡，我當時讀的是中文大意，沒往下追。
返修時我改了讀文獻的節奏：第一遍用譯文通讀建立理解，第二遍對着原文核准方法、參數和數據。 這一步我現在固定用支援段落級對照閱讀的方式來讀——譯文和原文的位置始終對得上，讀到關鍵段落順手核一眼，不用在兩個文件裡來回找。我用的是 MuchSci 的論文翻譯，它的定位寫得很直接：中英學術雙向互譯、保留公式與術語一致性、支援整篇 PDF 的段落級對照閱讀。
順著這條也摸出一個副產品：寫方法部分之前，把同類文獻的方法段落集中重讀一遍。自己寫的時候覺得「這段沒什麼可說的」，讀完五篇同類方法你會發現別人交代了七八個細節你都沒寫。這不是寫作問題，是輸入不夠。
對應第三條：參考文獻「格式與內容存在錯誤」
這條完全是我的鍋，而且它最能說明「為什麼這些事不該用人的注意力去扛」。
返修前我是手動維護參考文獻的：複製標題、搜作者、敲期刊名、數卷期頁碼，一條一條敲進 Word。一百多條下來，出錯是必然的——有一處期刊名寫錯了縮寫，有一處年份差了一年，還有兩條重複引用。
現在的流程是：所有引用先在檢索環節成型。命中文獻時給 DOI，並自動補齊作者、期刊、年份、卷期頁碼這些引文資訊，導出時是成條的結構化內容，不再經過「我手敲」這一道。同時我把術語表也建立起來了（中文譯名 + 英文原名），避免同一個概念在正文裡出現兩種譯法——審稿人對這種不一致是很敏感的。
對應第四條：語言表達需要潤色
這條我不想展開太多，只說兩點。
一是中文稿推英文表達：我自己是先在中文裡把邏輯理清楚，再往英文走。這個過程中我會用中英雙向互譯先過一遍，看看句子的結構是不是能站住，比對着空白頁硬憋要快一些，但投出去的稿子我依然逐句自己過。
二是別指望「語言潤色」解決論證問題。審稿意見裡說「language needs improvement」，但真正讓稿子被退回來的，往往是你想說的東西沒說明白——語言只是最後一層皮。
順手解決的一件事：組會講不清楚
返修期間我發現一個連帶問題：我在組會上講這篇工作，講得比論文裡還清楚。 原因是論文寫到後期，我自己已經鑽進細節裡了，反而失去了講清主線的能力。
後來我養成了一個習慣：用匯報的框架去檢查論文的結構。 具體做法是把論文的結構整理成一個提綱，讓它生成一版 PPT 初稿（MuchSci 的辦公助手智能體一句話描述需求就能產出可編輯的 PPT、Word、Excel；它對開題場景也給模板，輸入課題名稱、研究問題和初步思路，輸出包含研究背景、現狀、方法、技術路線結構的初稿），然後對着這版初稿自問：如果我只講這幾頁，主線成立嗎？
站不住的地方，就是論文裡結構有問題的地方。這比反覆讀自己的稿子更容易發現問題。
幾句不那麼好聽的話
返修這件事讓我意識到，「用工具」和「學術誠信」之間的那條線必須自己劃清楚，所以這裡說明白：
第一，正文的觀點、論證、結論必須是你自己的。 檢索、翻譯、整理、排版、生成匯報初稿，這些可以做；把研究寫成什麼樣子，不能交給任何人。這不是工具的限制，是學術底線。投稿前也請自己確認目標期刊對 AI 使用的聲明和查重要求——這條責任在你，不在工具。
第二，譯文和摘要都不能作為事實依據。 參數、數值、化學式、結論，必須以原文為準。我到現在讀任何一篇要引用的文獻，都會回到原文核一遍。
第三，它有成本結構。 MuchSci 按積分計量用量，AI 對話、論文分析、文檔生成按實際調用的模型和處理量扣分，不是按提問次數固定收費；免費註冊送 1980 積分體驗額度，月費檔位是 9.9 / 19.8 / 29.8。我的建議是拿你手上正在寫的那一篇去試——它的價值在你自己的稿子上體現，不在別人的評測裡。
第四，數據安全我確認過。 上傳的論文、數據、錄音不會用於模型訓練，採用加密傳輸和存取控制。稿子在投、數據未發表的時候，這條比功能清單上多幾項重要。
這篇返修最後花了三週，比稿子第一次寫出來的時間短得多——因為那兩週半裡我做的基本都是「把之前偷的懶補上」。
論文寫作真正的效率，從來不在於打字有多快，而在於幾個環節有沒有按順序發生：先把該讀的讀完，再把該核的核清，最後才是寫。 順序錯了，寫出來的東西遲早要返工——只不過返工的成本，通常由審稿人替你發現。