结果章节中，最常被导师和审稿人圈出来修改的，往往不是数据本身，而是图表的标题与注释。很多稿件的图表标题只有“结果图”“趋势图”“相关性分析”这样的模糊表述，或者仅写“图1”“表2”加上一个不完整的短语。注释更是普遍只标注“资料来源：作者整理”，却对缩写、单位、误差线含义、样本量等关键信息只字不提。这类图表的问题在于：它们无法脱离正文独立传达信息。
学术界对图表的通行要求是，每张图、每张表都应当具备“独立可读性”。也就是说，读者即使不翻看正文，仅凭图表本身，也能大致判断研究设计、变量关系、统计口径和结果方向。这不是对“过度解释”的鼓励，而是要求标题与注释把必要背景信息写清楚。修改的关键，不在于让标题长得像摘要，而在于让低信息量表述变成可核对、可定位、可判断的表述。
判断图表是否可脱离正文阅读
在动手修改之前，可以先做一个简单测试：把图表单独截取出来，交给一位不了解本研究的人，看他能否在十秒内说出三件事——研究对象是谁、图中展示的是什么关系或比较、数据以什么单位或统计量呈现。如果做不到，通常意味着标题或注释缺少了某一类核心信息。
常见的低信息标题有几种类型：
- 只写编号和模糊名称，如“图2 实验结果”“表3 回归结果”；
- 只写统计方法，不交代变量，如“图1 方差分析”；
- 用“示意图”“流程图”代替具体内容描述；
- 标题过短，读者无法判断是描述性比较还是推断性检验。
注释部分的问题则更隐蔽。只写“资料来源：作者计算”并不能告诉读者计算口径；只写“误差线表示标准差”却不说各组样本量，读者仍无法判断结果的可靠程度。好的注释不需要把正文的分析全部重复一遍，而是补足那些正文阅读时容易忽略、但离开正文就无从查证的信息。
图表标题应包含的要素
图表标题的任务不是给出结论，而是为结论提供可识别的坐标。标题中值得写清楚的要素通常包括：研究设计或数据来源、关键变量及其操作化方式、样本或条件的限定、统计表述的类型。
关键变量与条件必须出现
“图2 干预效果”就不如“图2 干预前后两组在焦虑量表得分上的变化”具体。前者只告诉读者有个效果存在，后者标明了比较的时间节点、分组方式和测量工具。修改时可以用一个公式化的思维：标题里应当能回答“谁、在什么条件下、什么变量、以何种形式呈现”。
例如：
- 原标题：“图1 不同组别的比较”
- 修改后：“图1 对照组与干预组在三个时间点的任务完成率比较”
修改后的标题并未给出哪个组更好，也没有解释原因，只是把比较的范围说清楚了。这没有越过“解释数据”的边界，反而是让读者有了判断的参照。
统计量与图表类型要明确
如果图中呈现的是标准化回归系数，就写“标准化回归系数”；如果是均值±标准差，就写“均值±标准差”；如果是箱线图，就写“分布”。不要用“结果图”替代这些描述。例如“图3 各年级学生在成绩上的表现”就是一个无法核对信息的标题，而“图3 各年级学生期末成绩的箱线图分布”则准确得多。
对于包含多张子图的图表，标题还需要体现子图之间的逻辑。子图可能按自变量水平、模型设定或样本子群体划分。标题可以写成“图4 不同模型设定下……的估计结果（a.全样本；b.城市样本；c.农村样本）”，让读者在阅读正文前就建立起整体结构。
注释需补足的关键信息
注释的作用是让图表中出现的符号、单位和缩写不再依赖正文才能解读。注释通常放在图表下方，紧接标题或写在图表底部，内容包括但不限于：缩写与简称的展开、单位与计量的说明、误差线与显著性符号的含义、样本量与缺失值的处理、数据来源与计算口径。
缩写和单位要一次说清
正文第一次出现缩写时通常会给出全称，但图表是独立呈现的，读者不一定会回到正文查阅。因此，图表注释中应对所有非通用缩写做出说明。例如“注：BMI为体质指数；SBP为收缩压”或“注：所有收入变量单位为千元”。如果图中有多条曲线，注释还需说明每条线代表什么，仅靠颜色和图例有时不足以避免误读。
误差线与显著性符号的含义
很多图表在柱形图或折线图上标注误差线，却不写误差线表示的是标准差、标准误还是置信区间。三者含义差别很大，直接影响读者对组间差异的判断。注释至少应写明“误差线表示均值±标准差”或“误差线表示95%置信区间”。如果图中用星号表示显著性水平，注释必须给出对应关系，例如“* p<0.05, p<0.01, * p<0.001”，否则星号没有意义。
样本量不能省略
样本量是判断统计结果稳定性的基础信息。尤其在分组比较和纵向追踪图中，不同时间点或不同组别的样本量可能不同，若不说明，读者容易把样本流失误认为效应变化。注释中可以写“各组样本量见正文表X”或直接在图中标注，更规范的做法是在注释中给出“n=XX”。如果样本量在各组间不相等，应分别列出。
数据来源与计算口径
“资料来源：作者整理”在现代学术写作中基本不具备信息含量，因为它不能帮助读者追溯数据如何产生。数据来源注释应当说清是“根据XX调查数据计算”还是“数据来自XX数据库”，如果是作者计算，则要说明基于哪个模型或公式。例如“注：图中比例为作者根据XXXXXXXXXX数据计算，计算方法见附录A”。资料检索有其时效性，若引用外部数据库或官方统计，建议在注释中标注检索年份或数据版本，具体以所用数据库的最新说明为准。
修改前后对比示例
以下用几个常见场景展示如何在不改动正文分析的前提下，改写标题和注释，使图表具备独立可读性。
示例一：柱状图
修改前：
- 标题：“图2 各组得分情况”
- 注释：“注：资料来源：作者整理。”
修改后：
- 标题：“图2 三组学生在前后测中的任务得分比较（均值±标准差）”
- 注释：“注：n=120；得分范围为0—20分，分数越高表示任务表现越好；误差线表示标准差。资料来源：根据实验数据计算。”
修改后的标题标明了分组数量、时间点和呈现形式；注释补足了样本量、变量方向和误差线含义。没有增加任何因果解释或结论性判断。
示例二：折线图
修改前：
- 标题：“图3 趋势变化”
- 注释：“注：数据见附录。”
修改后：
- 标题：“图3 2015—2022年三组参与者在各季度的平均出勤率变化”
- 注释：“注：平均出勤率=实际出勤人次/应出勤人次×100%；三组参与者定义见正文；图中数据均保留一位小数。资料来源：根据管理记录汇总计算。”
这个修改把时间范围、分组方式和指标口径写清楚，读者无需回到正文就能理解折线的含义。
示例三：回归结果表
修改前：
- 标题：“表4 回归分析结果”
- 注释：“注：*表示显著。”
修改后：
- 标题：“表4 多元线性回归模型对工作满意度的预测结果（N=486）”
- 注释：“注：表中数值为非标准化回归系数，括号内为稳健标准误；* p<0.05, p<0.01, * p<0.001；所有连续变量均已中心化。因变量为工作满意度总分，取值范围1—5，分数越高表示满意度越高。”
修改后的标题明确了模型类型、因变量和样本规模；注释则把系数类型、标准误类型、显著性水平标准、变量处理方式逐一说明。审稿人可以迅速核对方法部分的设定是否与表格一致。
避免修到哪里说哪里
图表标题与注释的修改容易出现一个误区：想到什么补什么，结果每一张图表的说明口径不统一。更有效率的做法是，在结果章节写完第一遍后，对照统一的问题清单逐张检查：
- 标题是否包含研究设计或数据来源？
- 标题是否写明关键变量及其条件？
- 标题是否体现了图的类型或统计表达形式？
- 注释是否展开了所有非常用缩写？
- 注释是否写明单位、变量方向和取值范围？
- 注释是否说明了误差线或显著性符号的含义？
- 注释是否给出样本量或指向样本量信息？
- 注释是否说明了数据来源与计算口径？
如果图表较多，可以先把问题清单放在手边，逐图逐表过一遍，再回头统一修改。标题与注释的改写应当在一个完整的修改轮次中完成，而不是零散修补，这样可以避免同一变量在不同图表中出现不同表述。
图表标题和注释的任务是还原信息，而不是制造解释。标题写清楚“谁、什么条件下、什么变量、什么形式”，注释补足“单位、缩写、误差、样本、来源”，就已经达到了脱离正文可读的基本标准。至于这些数据意味着什么、是否支持研究假设，那是正文和讨论章节的工作，不需要也不应当在图表标题中完成。
