文献综述写作与数据准备清洗

文献综述写作与数据准备清洗 · 第四讲

第四讲文献综述数据清洗

文献综合写作
与数据准备清洗

从文献矩阵到综述提纲 · 从原始数据到可分析材料

导读

文献综述最危险的地方不是句子不好看，而是证据关系不成立。数据清洗的第一步也不是删掉「看起来不对」的值，而是先理解每一行代表什么。这节课同时处理两条证据链：文献的证据链与数据的证据链。

1两个关键问题

Q1：有了十篇文献摘要，能否直接让 AI 写综述？

⚠️ 不能。摘要不一定包含方法、边界与局限，直接写综述容易过度概括。

Q2：数据中有特别大的值，删掉就「干净」了吗？

⚠️ 不对。极大值可能是录入错误，也可能是真实的极端案例。应先核对来源并标记，不能只看数值大小删除。

2从文献矩阵到综述结构

❌ 常见误区：堆沙式综述

「张三研究了…李四研究了…王五研究了…」每篇单独看都对，但读者看完仍不知道这些研究之间有什么关系。每一篇文献像一粒沙子，数量多却没有被组织成结构。

✅ 推荐结构

从核心概念出发，梳理定义与边界
深入分析背后的影响机制
介绍不同的方法分类
总结不足、方法边界与未来方向

聚类依据（从文献矩阵中寻找）

研究问题关注	聚类维度
为什么	理论机制 / 中介路径
对谁有效	研究对象
结论矛盾	情境 / 时间 / 样本 / 方法
质性研究	核心概念 / 叙事模式 / 解释框架

主题写作四步结构

① 共同认识 → ② 分歧在哪 → ③ 差异来源（研究设计/样本/测量/情境）→ ④ 研究缺口

示范表述：
现有研究普遍观察到二者之间存在关联，但因多数证据来自横截面、自陈述数据，因果方向仍不明确；短期实验提示即时干扰效应，但能否延伸到长期认知变化，仍需进一步研究。

3引用与证据链核验

三层引用核验

第一层：存在性 —— 论文是否真实存在。

第二层：身份一致性 —— 题目、作者、期刊号是否完全对应。

第三层：语义支持度 —— 论点是否真的被原文支持，支持到什么程度。

支持程度分级

完全支持

原文直接支持当前表述

部分支持

方向接近，但对象/方法/时间存在差异

不支持

原文没有这个结论

无法判断

只有摘要等片段，需等全文核验

AI 最常犯的错：不是编造完全不存在文献，而是「真文献 + 错观点」。找到一篇题目相关的文章，就把希望得到的结果安在它身上。最终的核验单位不是参考文献条目，而是论点本身。

处理部分支持的策略

不是扔掉这篇文献，而是缩小表述范围：

原文只研究某一所高校 → 不写成「青少年普遍如此」
原文报告相关 → 不改成「导致」
原文说「可能相关」→ 不写成「证明机制」

判断题

① DOI 能正常打开，这篇文献一定支持我的论点？

❌ 错误。只是「存在性」没问题。

② 原文研究成年人，我写「大学生」，这算完整支持？

❌ 错误。属于部分支持。

③ 原文只报告相关关系，综述中应避免改成因果？

✅ 正确。

④ 当前只有摘要时，可以标记「无法判断」等待全文？

✅ 正确。

实用建议

导出文献元数据时使用 CSL JSON 格式；在 Word 中用文献管理软件保持正文引用与文末参考文献联动。

4跨专业数据特征与共同原则

四类数据结构

数据类型	一行代表
心理学问卷	一名受访者对各题目的作答
财务面板	一家公司在某一年度的记录
访谈文本	一个说话轮次 / 话语
工科时序信号	某一个采样时刻的数据值

各自的关键注意事项

数据	重点
问卷	编码有方向有范围；-99可能是缺失标记；5分不一定代表更高（反向题）
财务	公司代码可重复（同一公司多年）；年度可重复（同一年多公司）；单位需统一；负999为未披露
访谈	说话人、段落顺序、语境、身份风险；连续重复可能是语义强调
时序信号	采样间隔约10ms（100Hz）；相同时间戳说明重传；极端值可能是真实冲击

共同原则（适用于所有专业）

先知道数据怎么来，再知道规则从哪来
先报告问题，再执行处理
回到原始材料验证结果
变量名 + 变量字典 + 约束 + 处理事例存档

5数据清洗演示

演示A：心理学问卷清洗

查看原始文件与变量说明，了解编码含义

数据体检：发现异常值、缺失编码、重复字段

定义规则：合法范围1-5；-99/999=未回答；Q03、Q06为反向题

生成 Python 清洗脚本并运行，输出清洗后数据 + 异常标记 + 清洗报告

结果：异常值设为缺失；反向题按规则计分；flag文件单独列出异常案例

演示B：访谈文本清洗（质性）

核心逻辑与量化数据一致，但有不同的关注点：

保留访谈编号、段落编号、说话人标签
脱敏处理：姓名→Person 1/2/3，单位→Org 1/2/3，时间等
识别并判断重复表达：技术性重复 vs 语义强调
注意间接标识符：如「某县唯一的三岁女法医」

提醒：涉及隐私的文本尽量本地处理，优先使用本地 Python 环境。

演示C：财务面板 & 工科时序信号

财务数据：先统一单位（元/万元/百万元）；研发投入=0 表示明确为零，=-99 表示未披露，不能合并；极端净利润需看事件说明。

时序信号：先检查采样时间轴；两个相同时间戳可能是重传；间隔突大可能是丢包；不能先用移动平均抹平，可能把设备故障的关键瞬态证据删掉。

6课堂练习

1. 财务数据中研发投入 -99 表示未披露，研发成本 =0 表示明确为零，应如何处理？

答案 C：分别编码并保留原因，便于复盘

2. 同一列中同时出现元、万元、百万元，最先应完成哪一步？

答案 B：统一单位并记录换算

3. 访谈文本出现连续重复表达时，最合适的处理？

答案 C：区分技术性重复还是语义重复

4.（多选）哪些事项不能完全交给 AI 自动决定？

答案 A/B/C：反向题规则、极端值处理规则、边界设置都需人工指定

综述写作不是连接摘要，
而是比较证据并组织论证。

数据清洗不是删除不整齐，
而是建立可复现的输入。

📌

核心认识

① 文献真实 ≠ 论点成立，证据与论点必须对应
② 数据清洗要依据量表说明、会计口径、访谈规则等
③ 下节课将使用本讲处理后的数据，进入数据分析、科研绘图与论文初稿写作

由 CuteNote.app 颜值笔记生成