SCI论文发表:Discussion讨论部分被3个审稿人说没深度没逻辑，用这个AI工具三步拯救了我！

我是娜姐 @迪娜学姐 ，一个SCI医学期刊编辑，探索用AI工具提效论文写作和发表。

Discussion讨论，可以说是整个SCI论文最难写的部分。有的期刊，是Results & Discussion两部分在一起。一篇文章Results展示很好，Discussion不够深入，就会显得虎头蛇尾，文章没有深度和灵魂。这部分也是展示你科研能力的地方：对文献的归纳总结能力，对实验结果的分析解释能力，对本领域理解的广度和深度。

          

Discussion部分的构成一般是：

1 概括：再次概括本研究的主要创新结果。可以先简要介绍一下背景知识，目的还是为了突出本文研究的重要性，也可以不写，因为Introduction部分已经写过了。接下来，就是对研究工作的概括总结，“In this study, we…”

2 分析：从第二段开始，就要针对重要实验结果，结合已有文献结论，一一解释原因。这部分是重中之重。写好了，Reviewer对你好感度直线上升，认为你积累扎实，逻辑清晰。当然，领域大牛审稿的时候也喜欢在这部分挑毛病。

3 升华：对研究结果的意义或应用的探讨，这部分也可以与第二部分揉在一起写。

4 不足：对本研究的不足或局限性进行讨论123点。

5 总结：再次总结主要研究结果，并阐述意义。这部分有的期刊是作为Conclusion独立出来。总之，就是论文主体部分的最后一段，“In conclusion/To summarize…”

          

AI辅助Discussion部分的写作，不是你给它一个指令，他就能一股脑把整个Discussion完成。通常，这样出来的文字也只是非常浅显的描述和废话。那么，如何借助AI工具完成一篇完全契合我们的主题和结果，有分析有深入讨论的Discussion呢？

          

我把这个任务拆解成三步：

1 搭框架；

2 填内容；   

3 理顺逻辑。

          

下面我给大家实战演示一下是如何借助AI工具实现的。

首先搭框架。经过我的对比分析，发现Claude对这种大文本理解的更好，生成的框架更加精细化的契合我们的主题，比如可能的机制分析，该研究的优点和缺点等等，Claude的答案非常有启发性，相比之下，CHatGPT给出的框架更general。所以，我还是更推荐大家用Claude生成框架。

          

举例来说：
我的题目是[Plasma Amino Acid Neurotransmitters and Ischemic Stroke Prognosis: A Multicenter Prospective Study]’（血浆氨基酸神经递质与缺血性中风预后：一项多中心前瞻性研究）。我给了Claude关于论文的摘要、结果部分的信息。

这是用提示语生成的第一版Discussion框架：

（还是非常符合Discussion部分的构成框架的。详细的bulletpoints展示也是符合我的研究主题和结果的，很有启发性。）

对于以上生成的第一版框架，如果你还有微调，比如有些段落的展开或合并，可以继续对话，让AI继续完成任务。

我想要Strenths and limitations部分给我更多启发，我就接着让Claude把这部分展开说说：不得不说，Claude给的这些点是非常契合我的研究结果的，也很有启发性。   

比如优势部分的“大样本量、多中心”的确符合我提供给它的研究结果特点，limitations部分的局限于中国人群、观察性研究、血浆氨基酸神经递质只测定了一个时间点等，都非常合理。

段落构成，比如我想把“本研究的优势、局限性和未来研究方向”合并成一段，放在“Clinical and public health implications”后面，可以接着对话：   

最后的Discussion框架部分，定稿版长这样：

Paragraph 1: Summary of key findings

•Plasma glutamic acid, aspartic acid, gamma-aminobutyric acid, and glycine were significantly associated with prognosis of ischemic stroke.

•Higher glutamic acid, aspartic acid and gamma-aminobutyric acid levels were associated with increased risk of death or major disability.

•Higher glycine level was associated with decreased risk.

•The associations were linear as indicated by spline regression analyses.

•Adding the 4 plasma amino acid neurotransmitters to conventional risk factors improved risk prediction and reclassification.

Paragraph 2: Interpretation of findings

•Compare current findings on glutamic acid, aspartic acid, gamma-aminobutyric acid and glycine with previous studies.

•Note consistencies and inconsistencies.

•Explain potential reasons for discrepancies across studies.    

Paragraph 3: Biological mechanisms

•Discuss potential biological mechanisms underlying the observed associations between amino acid neurotransmitters and ischemic stroke prognosis.

Paragraph 4: Clinical and public health implications

•Discuss potential clinical utility of evaluating amino acid neurotransmitter levels for ischemic stroke prognostication and management.

•Note public health implications such as needs for replication, cautions in interpretation and application.

Paragraph 5: Strengths

•Strengths:

￮Large sample size from 26 hospitals across China, enhancing generalizability

￮Prospective design limiting biases like reverse causation

￮Detailed assessment of 4 plasma amino acid neurotransmitters

￮Adjustment for important confounders including NIHSS score, eGFR, medications

￮Objective and clinically meaningful outcome measure

￮Spline regression and subgroup analyses to assess linearity and consistency

￮Risk reclassification analyses to evaluate added predictive value

Paragraph 6: Limitations and future research directions

•Limitations

￮Residual confounding cannot be ruled out

￮Findings need external validation in other populations    

￮Causality cannot be established due to observational design

￮Measurement of amino acids at one timepoint only

￮Lacked data on dietary factors influencing amino acid levels

￮Did not explore neurological subtypes of ischemic stroke

￮Prognostic models need further refinement and testing

•Suggest future research to validate findings, elucidate mechanisms, improve risk prediction models incorporating amino acid neurotransmitters, etc.

Paragraph 7: Conclusions

•Provide a concise summary of major findings, strengths, limitations and implications.

•Emphasize the significance and potential impact of the study.

          

第二步，我们借助这个框架往里填内容。

填什么内容呢？我们自己论文的结果和相关文献结论，或支持或相反，进一步阐述结论的合理性和意义。有人说，不是有专门找文献的AI工具吗？Perplexity也行啊。是的，你可以进一步的用这些文献工具去找支撑文献。但是，如果你想要引用的文献是最新最全面，而且都是来自Q1Q2区的高质量期刊，建议你还是用关键词到文献数据库比如WOS、scopus、pubmed来整理筛选，会更加全面。

          

我们用句子的形式将我们的研究结果和对应文献结论粘贴在对应的段落下面。将bulletpoints变成句子。或是我们自己的研究结果，或是文献对应结果。（不展示）

第三步，我们进一步让AI工具帮我们理顺逻辑，把句与句之间、段与段之间加一些连接词和衔接句子，进而完成一篇通顺完整的Discussion。

经过我的尝试对比，还是更推荐Claude，比ChatGPT表现更出色。以下是最终成文的完整Discussion部分。

标黄部分，是Claude创意添加的。句与句之间，它根据前后句意恰当的加上了Furthermore/For example/However/First，Second等连词。段前段尾，它加上了承上启下的句子，让段落衔接更顺畅。 

    

    

以第二段结尾部分举例，加的很精彩。第二段是结合以往文献结果，和我的研究进行比较分析。因为我的研究结果是"血浆氨基酸神经递质与缺血性中风预后相关”，但是，以往的文献结果有的结论是相关，有的是不相关。看看AI工具在第二段结尾的创意输出：

它先是尝试解释了这种controversy的原因，是因为之前的小样本、观察周期、测量的因子等（和本研究相比，确实是的），然后又说，和之前的研究结果相比，我们的研究采用了大样本数据以及XX方法，测量了XX指标，最终提供了更可靠的证据。

这一段创意输出，对本研究的结果和文献结论进行对比，并分析了原因，最终证明我的研究结果更可靠。可以说论证相当精彩，也非常契合主题。因为Discussion部分讨论的意义，还是要证明本研究的重要性和创新性。

最终是生成了1200多字的Discussion，我提供了600多字的results和文献结论。帮我扩充了一倍。  

以上就是AI工具辅助Discussion撰写的整个工作流。这样写出来的Discussion是非常契合你的主题和研究结果的，而不是满篇空话套话。照这个工作流程，你的Discussion部分不再是对着空白文档抓额挠头，一天写不出几行字。写完了还被导师审稿人批没深度没逻辑。你要做的就是跟AI一起确定Discussion框架以后，针对每一个要讨论的结果，找到相关文献结论就行了。

如果你也想尝试用ChatGPT来写论文，但是，总是不得其法，它在你手里像个智障。欢迎你来学习SCI期刊编辑娜姐的课程“ChatGPT辅助论文写作到发表”，课程设计是针对论文写作的一整个工作流，每节课都有对应的提示语，用AI帮你写出top级别的论文。经过50+学员检验，好评如潮。    

“光是润色一项就值回票价”

“它给我改的逻辑清晰，语法流畅”

“请北京的主任改一篇大几千，也就那样，还是会有错误。ChatGPT改的太完美了”

“导师看了我的论文，表扬我说，没想到你英语很不错嘛”

“之前我也用过流行的提示语，改的乱七八糟，不符合学术风格。娜姐的提示语改的太地道了”

”有了AI，发论文太轻松了。目前是1篇接收，2篇在投，2篇正在写。“