Nature Skills 多面板证据架构进阶：让每张 Figure 只回答一个 Results 级问题

Nature Skills 多面板证据架构进阶：让每张 Figure 只回答一个 Results 级问题

【免费下载链接】nature-skills符合nature论文学术表达和科研绘图的Skill项目地址: https://gitcode.com/gh_mirrors/na/nature-skills

Nature Skills 是一个面向学者的科研 Skill 库，其中的 nature-figure 技能提供了一套"多面板证据架构"方法：在动手画图之前，先让每张 Figure 锁定一个 Results 级科学问题，再给各个 panel 分配不同的证据角色。这套方法帮你告别"把每个指标都画成一张小图"的仪表盘式排版。

为什么"一张 Figure 只回答一个问题"很重要 🎯

新手最常犯的错误是按数据表画图：手上有 5 个指标，就画 5 个 panel，排成整齐的网格。结果读者看完不知道这张图到底在证明什么。

Nature Skills 的核心主张是一条强默认规则：

one figure = one major claim（一张图 = 一个主要结论）

面板字母 a/b/c 只代表阅读顺序，不预设功能。panela不必总是示意图，paneld也不必总是压力测试——角色由科学逻辑决定。

完整的规划模板写在 multipanel-evidence-architecture.md 中，绘图前先回答 5 个问题：

1. Results 级问题：这张图回答什么？
2. Figure 级结论：一句话说清（必须带动词）
3. 什么证据能推翻它
4. 决定性证据是什么
5. Panel 序列：每个 panel 的问题 | 证据角色 | 必要对比

10 种 Panel 证据角色清单 📋

Nature Skills 总结了一张"角色表"：每个 panel 应回答一个独特的问题，优先角色多样性，而不是指标多样性。

证据角色	回答的问题
Setup / 示意图	测的是什么系统、干预或工作流？
代表性样本	现象在具体案例中长什么样？
主定量证据	核心效应是否存在？
基线或对照	是否优于可信的替代方案？
分解	效应由哪些组分或变量贡献？
分层	结论在关键条件下是否仍成立？
正交验证	换一种检测手段能否复现？
扰动 / 压力测试	关键关系被破坏时，结论是否如预测般失效？
边界 / 失败案例	效应在哪里减弱或反转？
机制证据	为什么会出现这个效应？

❌ 弱布局示例：a: R² → b: R² 两两检验 → c: MAPE → d: MAPE 两两检验——4 个 panel 其实只有 2 种推理角色。

✅ 强布局示例：a: 扰动设计 → b: 决定性对比 → c: 全分布或残差 → d: 分解或边界——从"改了什么"到"发生了什么"，再到"排除了什么替代解释"。

4 种证据链原型：为 Figure 对号入座

选完角色后，按论文类型套用 4 种原型（详见 multipanel-evidence-architecture.md）：

• 验证包络（Validation envelope）：证明某个系统/模型可信。一致性、泄漏、安全性、鲁棒性都是"同一可信度结论的不同失败方式"，可以放在一张图里，而不是拆成互不相干的指标面板。
• 尺度到实例（Scale-to-instance）：先给全局图谱或分布，再下钻到数量、空间关系、内部结构，最后用能解释整体模式的代表案例收尾。
• 发现序列（Discovery sequence）：每个结果改变下一个科学问题，保留"假说 → 决定实验 → 再假说"的科学发现环，而不是照抄实验记录本的时间线。
• 能力阶梯（Capability ladder）：方法论文逐步加码——是什么 → 学会了什么行为 → 是否优于替代方案 → 更难条件下是否仍成立。

Figure 顺序如何跟着 Results 走 🔁

图与图之间也存在"主张升级"（claim escalation），推荐弧线是：

Fig.1 它是什么 → Fig.2 评估可信吗 → Fig.3 现象存在吗 → Fig.4 是否优于替代方案 → Fig.5 更难条件下是否成立 → Fig.6 机制/泛化/边界是什么

如果两张图都能被概括成"X 表现很好"，就该合并它们，或把后面那张图围绕更深的判别问题重画。这条规则与 nature-results-discussion.md 中的 Results–Discussion 主张升级审计配套使用：图内面板是同一论证的不同句子，跨图则每张图要提出更强的主张。

画之前问自己 4 个问题：Panel 必要性测试 🧐

Nature Skills 给出一个简洁的"必要性测试"，决定每个 panel 的去向：

1. 删掉这个 panel，会消失哪条独特推理？
2. 这条推理是否建立、推进、限定或约束 Figure 级结论？
3. 它是独立证据角色，还是同一结果换了指标/估计量/随机种子？

测试后的路由规则：

• 主图：决定性证据、必要对照、核心证伪、改变结论的边界
• Extended Data / SI：安抚性数据、次要指标、不改变中心解释的鲁棒性
• 另一张图：真正独立的主张
• 删除或合并：没有独立推理增益的重复视图

⚠️ 注意：不要因为结果是负面的就把它藏进 SI——如果它改变结论，主图必须让读者看见。

规则在哪里看 📂

资料	路径
多面板证据架构主文档	multipanel-evidence-architecture.md
图件契约（先结论后模板）	figure-contract.md
绘图前五要素契约	contract.md
Results–Discussion 主张升级	nature-results-discussion.md
面板对齐自动审计脚本	audit_panel_alignment.py
技能入口与路由协议	SKILL.md

一句话总结

不要从"我有多少数据集、多少指标、能排几个 panel"开始，而是从这张图必须建立的那一句话开始——再挑选一个怀疑型读者相信它所需的、最少的几种不同证据角色。这就是 Nature Skills 多面板证据架构的全部精髓。

【免费下载链接】nature-skills符合nature论文学术表达和科研绘图的Skill项目地址: https://gitcode.com/gh_mirrors/na/nature-skills