审稿意见的“so what”如何处理？

“So what” （那又怎样）这句话，作为论文的反馈，在咱们之前的文章中就出现过。

听到导师跟你说“so what”的时候，你可能会觉得沮丧——得，看来又得重新写一遍开题大纲了。

而更让人难过的，是审稿人给你这样的反馈。

如果审稿人说了“so what”，你的稿件怕是很难获得录用，至少也需要做大幅修改。

该怎么办呢？

虽然之前文章里，我曾经给你提到一些可能避免这种负面反馈的方法，但我总觉得不够系统。

上周末，我在南开大学参加「信息行为研究2021年年会」时，听到专家们就这个问题进行了讨论，觉得很有启发。

（这是闭幕式的合影，看看你能一眼找出我不？）

我把专家们的看法和对策梳理和汇总，加上一些自己的心得，通过本文分享给你。

讨论这个问题的契机，发生在「论文写作座谈会」的英文分会场。主持座谈会的，是武汉大学吴丹教授。进行报告和分享的，包括武汉大学沈校亮教授、姜婷婷教授，南京理工大学赵宇翔教授，北京大学刘畅副教授和南开大学樊振佳副教授。

抛出 “so what” 这个话题的，是刘畅老师。她认为论文写作之难，不会随着你写过和发表过便降低。你的每一个新研究，都会面对专业人士的重新审视，并可能问出这句让人紧张的话。

这个问题引发了学者专家们和在场参会者共鸣。几位专家分别从不同角度谈到了“so what”这句评语可能包含的具体含义，以及如何来应对。

当然，其中也少不了我这个「爱问问题的王老师」在提问环节推波助澜。疫情爆发后，线下参会机会显著减少，我愈发珍惜这难得的向专家们当面求教的机会。

我在现场做了笔记，回来之后进行了梳理。通过归纳，我发现审稿人提出来的“so what”，往往对应着以下三种情况。它们其实可以看作是一种递进的结构，包括：

• 不理解

• 不认同

• 不感动

下面我结合专家的讲解和答疑，分别为你做一下说明。

先说「不理解」。

我曾经在《如何有效沟通你的机器学习结果？》一文当中，给你提到过，机器学习训练模型的结果，往往会让领域专家感到不理解。

尽管准确率是一个有效指标，但如果不知道原理，万一这漂亮的结果是机器瞎蒙的，该怎么办？

一个非常典型的例子是医生群体。他们怎么敢用一个说不清原理的模型，来指导自己的实践？

那操作的对象，都是活生生的人，弄错了的话，后果很严重。到时难道能让机器来替自己负责吗？

所以，运用机器学习的研究，就不得不去考虑可解释性的问题。如今「可解释性」是一个热门话题。我曾经