ISEF 白皮书 · 2027 赛季准备版

第五章 真实案例与四象限读图

5.1 获奖作品应该怎样读

读获奖报道时，最吸引人的往往是奖金额、年龄和一个很大的应用前景。学生真正能学到的内容，则藏在更具体的问题里：作者发现了什么限制，怎样构造比较，哪些结果足以支持主张，还有哪些事情尚未验证。

本章前半部分选取最近五届比赛中的七个案例，覆盖工程、天文、材料、计算、环境及数学相关研究。项目事实来自主办方报道或年度回顾；随后的方法讨论是本书的解读，不是获奖者的自述，也不是评委提供的打分意见。报道没有给出的样本量、完整实验条件和论文细节，本书不补造。

这组案例不是获奖作品全集，也不能代表各类别获奖概率。读者可以用官方项目数据库继续查找同方向项目，再把本章的问题带入阅读。ISEF 项目数据库、近届项目展示入口

5.2 2022：Robert Sansone 与同步磁阻电机

Robert Sansone 获得 2022 年 George D. Yancopoulos Innovator Award。他的研究改善了同步磁阻电机的转矩与效率，研究背景与不依赖稀土永磁体的电机方案有关。主办方把进一步用于电动汽车的可能性描述为未来方向，而非已经完成的车辆应用。2022 官方年度回顾

“改进电动汽车”很难直接变成一项中学生实验。缩小到某类电机的转矩与效率之后，比较对象和测量目标才逐渐清楚。读这项研究，值得留意这种从大背景走向具体部件的过程。

阅读时可以追问：转矩在什么条件下比较？效率怎样测量？新旧方案的材料、尺寸和输入是否一致？当转速或负载改变时，优势是否仍存在？这些问题不是说原项目一定存在缺陷，而是在帮助读者找出评价电机改进所需的证据。

如果想从这个案例获得自己的题目，没必要复刻高水平电机研究。可以在安全、可监督的小系统中研究一个实际限制，例如测量方法的误差或散热条件对表现的影响。关键是把比较做清楚。

这个案例也提醒学生区分原型与应用。一个部件有所改善，不意味着整套产品已经更经济、更可靠。写作时把“本项目测得的改进”和“未来可能支持的用途”分开，读者才知道证据走到了哪里。

5.3 2023：Kaitlyn Wang 与近轨道系外行星识别

Kaitlyn Wang 获得 2023 年最高奖。主办方年度回顾介绍，她开发了更有效识别某些紧邻恒星运行的系外行星的方法，并发现了其中一些很小的行星。2023 官方年度回顾

这个案例与许多“用机器学习分类”的学生项目有一个值得比较的地方：研究首先由一个天文学问题组织起来，计算方法服务于特定信号的发现。若学生只关注模型名称，就容易忽略观测数据的结构和误报来源。

我们阅读这类工作时，会希望知道方法对不同周期、信号强度与噪声的敏感度，以及发现候选后怎样排除其他解释。把已知信号加入测试数据，检查是否能够找回，是理解检测方法的一种常见教学思路；本书并不据报道断言原作者采用了某一套具体测试。

对于学生，公开天文数据的吸引力在于可以接触真实科学问题。困难则在于真实数据往往不整齐：观测间隔不一致，存在缺失，仪器或处理过程会留下痕迹。数据清洗因此是研究的一部分，不能只把它当作调用现成算法之前的杂事。

从案例中可以提炼一个阅读问题：为什么这个对象过去不容易被发现，而新方法改变了什么？能够回答它，比复述“使用先进算法提高效率”更接近研究本身。

5.4 2023：泰国团队与草蛉孵育装置

Teepakorn Keawumdee、Pannathorn Siri 和 Poon Trakultangmun 获得 2023 年 Regeneron Young Scientist Award。官方介绍，其孵育装置改善了草蛉的存活；草蛉可以捕食粉蚧等害虫。2023 年获奖项目回顾

这项工作提供了另一种工程选题思路：从一个生物过程中的实际障碍出发，设计装置解决它。题目不需要先从某种昂贵技术开始，而可以从使用过程中的损失、效率或可重复性开始。

学生阅读时应关注“改善”怎样衡量。存活比例的观察时间是否一致？起始个体状态是否可比？不同批次环境是否相同？装置改善了某一阶段，是否又带来清洁、维护或规模化方面的问题？这些都是从案例引出的研究问题，而非本书掌握的原项目实验细节。

如果在自己的环境中寻找类似问题，可以先与实际使用者讨论，了解哪一步最耗时或最容易失败。即使最终只能验证其中一个环节，也可能形成完整的工程研究。

若要把想法用到自己的研究中，应先与指导者确认物种和场所条件，尤其不能自行引入或释放生物。原项目成立的研究条件，不会随着题目一起复制过来。

5.5 2024：Grace Sun 与有机电化学晶体管

Grace Sun 获得 2024 年最高奖。官方报道介绍，她通过对有机组分进行化学处理，改善了有机电化学晶体管的实验室表现。报道提到未来生物电子用途，但没有把这项研究等同于已经获准使用的医疗器械。2024 顶级奖项报道

从研究结构看，这类项目需要把处理方法、器件性能与潜在机理联系起来。一个指标提升很有吸引力，但评价材料或器件时，还应关心稳定性、重复性，以及改善一项指标是否损害另一项指标。

学生可以借这个案例学习如何阅读多层证据。先看性能发生了什么变化，再看作者用什么信息解释变化，最后看应用前景建立在哪些尚待验证的条件上。三层之间有关联，但不应该合并成一句“可用于治疗疾病”。

这类高水平项目往往依赖专业设备与指导。对条件不同的学生，最值得学的是问题的精度，而不是材料名称。你也许无法制作同类器件，却可以在可获得的材料体系中研究处理条件、性能变化和可靠性之间的关系。

项目的复杂程度应与学生能够理解和验证的内容匹配。能解释一条可靠的性能曲线，通常比展示多张不理解的表征图更有教育价值。

5.6 2024：Michelle Wei 与二阶锥规划算法

Michelle Wei 获得 2024 年 Regeneron Young Scientist Award。主办方介绍，她针对二阶锥规划提出新的求解思路，结合近似解与锥的进一步划分，改善计算表现。2024 官方获奖报道

这项研究把注意力放在优化问题的结构上。对计算方向学生来说，它提供了一条值得尝试的路线：先理解问题有什么特殊性质，再问这些性质能否减少不必要的计算。

读算法论文时，可以把实验部分看作一组公平比较的问题。各方法是否使用同样的精度标准？时间是否包含预处理？哪些实例更有利，哪些会失败？若速度优势只在牺牲解的精度时出现，就不能只展示运行时间。

数学性质与实验表现也应分别阅读。证明可能说明某种条件下的方法性质，实验则展示有限实例上的表现。一个学生项目不必两方面都做到同样深，但要明确自己的结论属于哪一类。

选题练习可以从一个受限问题族开始：先复现简单方法，再说明某种结构如何允许改进，最后加入会使改进失效的反例。这个过程能帮助学生判断自己提出的是普遍方法，还是只适用于特定情况的技巧。

5.7 2025：Adam Kovalčík 与抗病毒药物合成路线

Adam Kovalčík 获得 2025 年最高奖。他研究的是在研抗病毒药物 galidesivir 的合成路线。官方报道说，研究减少了合成步骤，并提高生产效率；这项贡献不等同于证明该药物已获批或已经具备确定的临床疗效。2025 官方获奖报道

这个案例让“创新”有了更具体的含义。目标分子已有研究，并不意味着合成问题已经结束。原料、步骤、条件和产率，都可能成为值得改进的对象。

不过，“步骤更少”本身不是完整结论。路线比较还可能涉及纯化难度、原料可得性、危险性、总产率和放大条件。学生阅读时应寻找比较的完整范围，不要只摘一个最漂亮的数字。

对没有专业有机实验条件的学生，这个案例不应成为照着开展高难度反应的理由。它更适合说明一种研究视角：在已经存在的过程里，找到一个具体的、能够证明改善的环节。这样的视角也可以用于数据处理、材料制备和工程流程。

报道中对药物应用的期待，与学生完成的化学研究处于不同层级。写案例分析时，保留这种区分，也是在练习如何准确讨论自己的研究。

5.8 2026：Hikaru Kuribayashi 与复杂折叠模拟

Hikaru Kuribayashi 获得 2026 年最高奖。他开发了用于研究复杂折叠的模拟程序，采用马尔可夫链蒙特卡洛方法探索可能的折叠情形，并在瓢虫翅膀折叠等已知情形上进行了验证。官方列出的可展开结构用途属于潜在应用。2026 官方获奖报道

折纸看起来很直观，真正转为研究时却需要精确描述：哪些部分能够转动，哪些状态符合约束，不同路径之间怎样切换，计算如何避免只找到一个局部可能。一个日常现象由此变成了数学与计算问题。

学生可以从中学习验证模拟的方法。已知解或已知结构提供了检查程序的机会；若连可验证的小例子都不能重现，就很难信任复杂情形中的新结果。之后才适合研究更大范围的表现和限制。

这里还需要理解采样方法的边界。通过采样探索许多可能，不等于对所有情况给出了穷尽证明。评价类似算法时，应查看收敛、不同初始化和难例表现。报道没有提供完整技术细节，本书也不据此替原项目作更强的数学主张。

对有计算兴趣的学生，一个可行的练习是先研究小规模、可以人工检查的结构，比较不同搜索方法怎样受到约束影响。把一个小问题讲透，有助于判断何时值得扩大规模。

5.9 从七个案例中，可以学到什么

这些项目横跨多个学科，研究条件也不相同。共同值得学习的，是作者都围绕一个能够辨认的问题组织工作：改善具体性能、发现特定信号、消除某个过程的瓶颈，或提出新的计算方法。

不能由此推导“有某种关键词就容易获奖”。获奖报道已经经过筛选，通常更强调成功结果和应用价值。没有获奖的项目中也可能有认真完成的研究，而这些信息并未在本章构成对照样本。

读案例时，可以做一张自己的分析页。左边只记原文明确提供的事实；右边写你据此产生的问题。比如左边是“报告改善了效率”，右边是“效率的分母包含什么，测量条件是什么”。把事实与追问分开，能够防止读着读着把猜测当成原项目内容。

5.10 怎样继续读原始摘要、论文与展示

先确认年份、作者和项目题目，再从官方数据库或官方链接进入材料。媒体报道适合理解背景，摘要适合抓住主要主张，方法和补充材料才更适合分析研究细节。并非每个项目都有公开完整论文，找不到时应承认资料有限。

第一遍阅读，不急着理解所有术语。先找研究问题、比较对象与主要结论。第二遍集中阅读关键图和方法：样本从哪里来，数据怎样收集，图表怎样支持结论。最后再读局限和未来工作，判断作者自己认为尚未解决的是什么。

遇到不理解的方法，可以先找基础教材或原方法论文。若直接模仿获奖作品的高级术语，很容易跳过自己尚未掌握的步骤。能够独立解释一个基础对照，往往是进入复杂研究的必要准备。

5.11 关于评委反馈与成功经验

本书没有取得这些获奖者的完整评分表或逐字评委反馈，因此不把推测写成“评委喜欢什么”。公开且可核实的依据，是官方评审标准对研究质量、创造性、学生理解和面谈的要求。官方评审标准

把这些要求用于自己的项目，可以问：我是否能解释一次关键修改？我是否知道最重要的误差来源？如果别人提出另一种解释，我能指出哪项数据支持或反对它？这些问题比背诵“我的创新点有三条”更接近研究讨论。

读完后，在笔记里留下一句下次能用上的话。例如：“比较电机时，要查清负载和输入条件是否一致。”等到自己设计实验时，再回来看看这句话。

5.12 用官方 Quad Chart 结构重新读一遍案例

一篇摘要读完，常常只记住一个技术名词和一个很好看的结果。把它放进四区摘要，信息之间的缺口就容易看出来：问题问的是节能，结果却只画温度；方法研究的是细胞，结论却已经走到患者治疗。问题里承诺要回答的事，应当能在结果中找到依据。

这里采用 2026 官方指南中的 Quad Chart 结构：左上是问题，左下是方法，右上是结果，右下是解释与结论。它与“创新程度×验证程度”那种有横纵轴的分析矩阵不同。官方图是组织研究内容的一种方式，不是给项目分档或计算获奖概率的工具。官方材料指南，第 6—7、15 页

图 5-1｜结构依据官方指南，由 Tian2 以中文重新绘制。图内的写作提示是本书建议。可单独打开 高清图 或 可编辑 SVG。

接下来的八张案例图，全部根据第二章已经介绍的官方项目摘要重新整理。它们不是获奖学生提交的原版图片，也不声称恢复了作者没有公开的实验信息。图里有明确数值时，只采用摘要列出的数值；没有完整数据时，就画方法关系或证据层次，不补造散点、误差棒和显著性星号。

九张图另提供独立图解册 PDF，适合放大阅读或课堂讨论。

读每张图，可以先遮住 Q4，自己写一句结论，再与本书的解释对照。如果你的句子比数据覆盖的人群、条件或任务更大，就需要缩小。如果结论写不出来，先回头查方法和结果，暂时不用急着填满四块。

5.13 CoolSmart AI：一张结果图怎样改变结论

图 5-2｜根据 2026 年 SFTD047 官方摘要重绘；不是作者原版。图中两项指标分别以反应式冷却为 100，保留原始读数与单位。官方摘要 · 高清图

Q1 如果写“实现节能”，Q3 就必须给能耗相关证据。这个案例报告的事实是：过热时间从 1,193 秒降到 188 秒，冷却用量从 958 增至 1,080 个仿真单位。前者约下降 84.2%，后者约增加 12.7%；两项百分比由摘要读数计算，没有额外实验含义。

图中把基线各自设为 100，是为了让变化方向一眼可见，并不是把“秒”和“冷却单位”变成同一种物理量。两根条形不能相减，更不能据此得出系统净收益。若冷却量增加避免了设备过热，是否值得，还要知道过热的后果和完整运行成本。

Q2 决定 Q4 能说多远。这里的测试发生在 Python 仿真中，因此可讨论该模型与负载条件下的表现。若写成“真实数据中心降低了能耗”，就同时跨过了仿真到实物、冷却用量到能源消耗两道尚未验证的关系。

更好的下一步不是继续修饰标题，而是补一个能回答原问题的比较：热模型怎样与实测校准，所有方案是否保持相同的安全约束，总用电量包括哪些部分？这些是后续设计建议，不是原作者已经完成的工作。

一句与当前证据相称的结论可以是：“在所设仿真负载下，预测式冷却减少了过热时间，同时增加了冷却用量。”读者既能看到过热减少，也不会漏掉增加的冷却用量。

5.14 AI 建议：两根柱子之间，未必是一项因果效应

图 5-3｜根据 2026 年 BEHA024 官方摘要重绘。63% 与 72% 来自两项研究，不是同一组人的前后测量。官方摘要 · 高清图

最容易写出的结论是“交谈使遵从率提高九个百分点”。但要确认这个因果判断，需要先看两项研究如何衔接：参与者是否可比，建议内容是否一致，分配方式和测量定义是否相同。摘要中有两个结果，不等于已经提供了这些条件的全部证据。

Q2 中的 1,538 人与 1,025 人分别是两项研究的参与者规模。第一项研究还包含多个困境和表达条件。不能不看具体分析单位，就用总人数给某个处理组补画置信区间；同一个人回答多个问题，也可能带来回答之间的关联。

再看 Q4。“更接近无建议基线”表示选择分布与基线更相似，它不等于判断更准确。道德困境中的正确性、责任感和是否采纳建议，是不同的概念。若题目关心独立判断，图表和测量就应围绕这一概念解释。

学生研究课堂反馈时，也会遇到类似问题。比较两种反馈文本，可以改变是否解释理由，同时尽量保持长度、难度与语气一致。如果把所有特征一起改变，即使结果有差异，也不容易知道哪项变化起了作用。

下次看到两根柱子，可以先在旁边写一句：“这两个分母怎样形成？”查清之后，再讨论差了多少。

5.15 蜜蜂：证据多，并不意味着每一项都相互独立

图 5-4｜根据 2026 年 ANIM005 官方摘要重绘。Q3 展示证据层次，未虚构各组效果量。官方摘要 · 高清图

螨虫少了，蜜蜂本身怎样了？这个案例把两个问题放在一起研究。若只测螨虫数量，处理方法对蜜蜂组织、寿命或蜂群产出的代价可能被遗漏。四区图让读者看到，Q1 的问题决定了 Q3 需要哪几类结果。

多个测量值之间有什么关系，也要保留在分析里。假设从同一蜂群采很多只蜜蜂，再从每只蜜蜂拍多个视野，视野、蜜蜂和蜂群就形成了层级。它们不能全部当作同一层面的独立重复。这个例子说明应检查的结构，并不是对原作者具体取样安排的复原。

如果处理在蜂群层面分配，评价处理效应时就需要保留蜂群这一层。把蜂群中的个体全部打散，可能让样本看起来比实际更独立，进而低估不确定性。摘要只给出 60 个蜂群和十周田间观察，还不足以替原作者完成统计复核。

图像模型还增加了另一道测量问题：算法计数是否经过人工检查，误差是否在不同处理组中相近？若某组图像更容易被算法识别，表面上的组间差异可能部分来自测量方式。

写 Q4 时，可以讨论摘要报告的多项表现，但“对所有蜂种、地点、季节都安全”仍超出当前资料。结论需要列出研究实际覆盖的条件，不必替未来应用先作承诺。

5.16 再生片材：把性能取舍画清楚

图 5-5｜根据 2026 年 MATS040 官方摘要重绘。0.19 N 与 0.34 N 按原单位展示；未补画摘要没有提供的误差区间。官方摘要 · 高清图

这里有两个很容易混淆的比较。摘要一处报告交联样品的湿态受力读数从 0.19 N 到 0.34 N，按这两个读数计算约增加 78.9%；另一处讨论部分配方以吸水速率降低换取强度提升。它们未必是完全相同的样品组合，不能拼成“某一个配方同时实现全部最优指标”。

量纲也决定结论。牛顿表示力；若要比较材料应力，需要相应的截面积信息。两块厚度不同的片材承受不同拉力，并不能单独说明材料本身发生了同样比例的改善。Q2 应让读者找到尺寸、厚度、含水状态和制样批次。

如果有每个配方成对的原始数据，可以画吸水性能与力学性能的散点图，观察哪些方案在一个指标变好时牺牲了另一个指标。当前摘要给出的是若干范围，缺少完整配对关系，所以本书没有替它画一条貌似精确的最优边界。

画自己的结果时，也会遇到这种诱惑：手里只有几个范围，却很想画出一张完整的趋势图。把范围的上下限任意配成散点，会制造原数据没有表达的关系；为了让图更丰富而补出的点，反而会改变研究结论。

Q4 可以落在具体用途上：清洁用吸水片更看重哪项性能，包装缓冲材料又看重什么？“最佳配方”只有在目标和约束清楚之后才有意义。讨论用途属于设计判断，仍须与已经测到的性能分开。

5.17 泥炭地：把测量、代理指标和最终目标分开

图 5-6｜根据 2024 年 ENEV016 官方摘要重绘。箭头表示观测用途，不表示从遥感量到碳收益的直接换算。官方摘要 · 高清图

Q1 可以把碳储存作为研究背景，但 Q3 应展示实际观测到的内容：植被和水分相关特征、沉降或地表高程变化。把这两块分开后，读者就能发现一个常见跳跃：监测到修复相关变化，不等于已经测出净碳收益。

从观测走向目标，通常需要中间关系。某一遥感量与水文状态怎样对应，水文变化与生态过程怎样联系，哪些过程又进入碳收支？其中一环没有验证，最终数值就不能只靠画箭头产生。

多传感器也不保证多份独立证据。例如两种产品可能共享同一基础影像、同一参考标签或相同处理假设。它们结果一致，是值得继续检查的信息，却不能直接当作两次完全独立的验证。

如果是学生自己的项目，可以把结果拆成一张来源表：每个指标来自什么传感器或产品，代表什么，受什么条件影响，有没有现场参照。随后才决定是否合并。这种表格能帮助解释不同数据源为何一致或冲突。

摘要中的六个地点提供了明确研究范围。若要扩展到新地区，下一步应检查当地地表类型、气候和修复方式，而不是直接把模型输出区域涂满一张世界地图。

5.18 BiDEx：准确率为什么还回答不了筛查效果

图 5-7｜根据 2022 年 TMED010T 官方摘要重绘。两阶段准确率分别列出，不补充未公开的独立测试设计。官方摘要 · 高清图

Q3 中的 95% 和 98% 很醒目。首先需要确认它们针对什么任务、什么样本：同一张图像里有多少目标，是否按图像、标本或患者统计，测试中各类样本比例怎样？如果两个阶段的测试资料不同，仅凭数字还不能确定改进幅度。

再往实际筛查走，会遇到基础比例的问题。下面是独立的教学假设，所有数字都是为了演示计算而设定，与 BiDEx 的实际性能无关：假设有 10,000 人，其中 1% 符合目标疾病状态；某筛查方法的灵敏度为 90%，特异度为 95%。

这里有 585 个阳性结果，真正有目标疾病的是 90 人，阳性预测值约为 15.4%。这个例子不评价原项目，也不是临床建议；它只是说明，脱离实际人群的基础比例，不能从一个看起来较高的模型指标直接推断筛查后会发生什么。

Q2 中的 1,800 张图像也不能代替独立患者数。来自同一标本的图像若进入不同数据分组，会让测试看起来比对新患者更容易。只有保留图像与标本、患者之间的来源关系，才能判断划分是否符合研究目标。

于是，Q4 需要分层：图像检测表现如何，筛查流程能否工作，患者是否因此得到更及时或更有效的处理。每往后一层，都需要相应证据，不能由同一个准确率包办。

5.19 数学：Q3 不一定是一张实验曲线

图 5-8｜根据 2026 年 MATH006 官方摘要整理。图中仅说明条件、工具与结论的位置，不是对原论文证明的重建。官方摘要 · 高清图

理论项目也可以使用四区摘要。Q1 给出精确问题，Q2 说明对象、定义和所用方法，Q3 陈述新结论与证明的关键想法，Q4 交代它相对已有工作推进到哪里。无需为了看起来像实验项目而增加一张无关柱状图。

这个案例讨论某类方程是否能用规定的初等函数表达求解。不可解性是相对于允许的表达方式而言，不是说任何数值近似都不可能，也不是说作者计算到某一步放弃了。术语的范围必须在图中或配文中解释清楚。

为什么计算许多例子仍不等于证明？可以用一个与获奖项目无关的小练习理解：前 n 个正奇数之和等于 n²。代入一百个 n 可以提供线索，但一般证明需要覆盖任意正整数。例如从 n 项成立出发，加上下一项 2n+1，得到 n²+2n+1=(n+1)²，再配合起始情形，就建立了归纳证明。

这个简单例子说明图表与证明各自承担什么任务。数值图可以展示规律，证明解释为什么在规定范围内成立。原项目的数学远更复杂，本书没有完整论文，就只能介绍摘要明确报告的命题范围和理论工具。

读者看 Q3 时，应寻找“作者新增的命题”与“引用的已有定理”的分界。若图中把两者都写成创新点，读者就无法判断学生的实际贡献。答辩时能解释这条分界，比罗列高级理论名称更有说服力。

5.20 CloudGen：没有效果数据时，图里应留下什么

图 5-9｜根据 2024 年 TECA019T 官方摘要重绘。Q3 保留流程与公开信息范围，没有补造使用者实验结果。官方摘要 · 高清图

这张图的结果区没有效果柱状图。原摘要介绍了系统，并称开展定量与定性实验，却没有提供完整效果数值。我们可以画清功能流程，但不能画出一根“创作效率提高 60%”的柱子，也不能把作者展示的渲染图当作用户体验已经改善的证据。

流程图放在 Q3 的位置，提醒读者当前公开信息的限度；在学生自己最终提交的研究里，如果主张提高创作效率，就应补上真实、对应的测试结果，而不是一直以流程代替结果。

“生成得像”与“创作者能控制”可以采用不同的评价。前者关心形状与意图的对应，后者关心能否局部修改、是否需要反复重做、能否保留已经满意的部分。可打印性还需要检查几何结构和制造条件，不能由一张漂亮渲染图替代。

假如学生比较两种编辑方式，最好给使用者同样的任务，处理任务顺序和学习效应，并同时保留完成时间、失败或返工情况。参与者满意度可以补充理解，但不能单独证明任务完成得更好。这些是本书提出的后续评价思路，原摘要没有说明已经按此实施。

这一例适合提醒自己：公开资料缺少数字时，写出缺口。读者可以带着这个缺口继续查材料，知道还需要哪项结果。

5.21 从官方评审要求走到一场具体的图表讨论

官方评审标准分别讨论研究问题、设计、执行、创造性与潜在影响，以及展示和面谈。面谈关注学生是否理解研究、结果的解释和限制；工程项目还强调原型与多种条件下的测试。官方评审标准

四区图可以帮助练习这些讨论，但在所核对的官方评审标准中，没有“Q1 值多少分、Q4 值多少分”的换算表。更不能因为四块都填满，就认定研究已经完整。一个缺乏公平基线的实验，排版再整齐也不会增加证据。

如果一时答不上来，可以指出目前资料缺在哪里，以及需要看什么才能判断。不必急着用另一段背熟的话填满空白。能够发现一个尚未解决的问题，本身就是理解研究的表现。

练习时可让同学挑一张图，只围绕一个数据点连续追问：它怎样获得、单位是什么、分母是什么、误差来自哪里、支持哪一句结论。练完再修改图，把读者反复误解的部分画清楚。

5.22 把自己的四区摘要做成可以检查的研究说明

先写一句主要结论，再找出直接支持它的那张图。若找不到对应数据，就检查结论是否写得过大，或者研究是否还缺一个必要比较。这一步应发生在选颜色和字体之前。

随后补上能让读者理解结果的最少方法信息。实验项目要能看到比较条件与样本单位；模型项目要说明训练和测试关系；理论项目要写明适用条件与证明依据。删去的应是多余背景，不能是解释结果不可缺少的限定。

最后把标题和 Q1 再读一遍。是否承诺了图里没有验证的功能？是否把未来用途写成已经实现？是否让读者误以为图中数字来自现场或患者，而实际只是模拟？这些地方改准之后，整页通常也会更简洁。

书中的中文图用于学习。学生的正式参赛材料应由学生依据自己的研究完成，并按第三章说明遵守当年 AI 使用、语言、图源与提交要求。教材里的重绘案例不能改个姓名就变成自己的作品。