Πώς να παρουσιάσετε τα αποτελέσματα σε μια ερευνητική εργασία (σαφή, συνοπτική, πειστική)
Πώς να γράψετε την ενότητα των αποτελεσμάτων μιας ερευνητικής εργασίας. Καλύπτει την παρουσίαση δεδομένων, τους πίνακες έναντι των σχημάτων και τη διατήρηση των αποτελεσμάτων ξεχωριστά από τη συζήτηση.
Μια καλογραμμένη ενότητα αποτελεσμάτων κάνει κάτι απατηλά απλό: λέει στον αναγνώστη τι ακριβώς βρήκατε. Καμία ερμηνεία. Καμία εικασία. Χωρίς περιστροφή. Μόνο τα ευρήματα, παρουσιάζονται αρκετά ξεκάθαρα ώστε ένας αναγνώστης να μπορεί να βγάλει τα συμπεράσματά του πριν συζητήσετε τα δικά σας.
Αυτή η απλότητα είναι ακριβώς που το κάνει δύσκολο. Έχουμε επεξεργαστεί ενότητες αποτελεσμάτων όπου τρεις παράγραφοι κειμένου έλεγαν λιγότερα από έναν καλά σχεδιασμένο πίνακα. Είδαμε ερευνητές να θάβουν το πιο σημαντικό τους εύρημα στη μέση μιας παραγράφου σχετικά με τις προκαταρκτικές αναλύσεις. Παρακολουθήσαμε αριθμούς να έρχονται σε αντίθεση με το κείμενο που τους περιγράφει — μερικές φορές στην ίδια πρόταση.
Το να μάθετε πώς να γράφετε μια ενότητα αποτελεσμάτων για μια ερευνητική εργασία σημαίνει μαθησιακό περιορισμό. Εδώ είναι πώς φαίνεται στην πράξη.
Ο βασικός κανόνας: αποτελέσματα έναντι συζήτησης
Πριν από οτιδήποτε άλλο, κατανοήστε τα όρια. Η ενότητα αποτελεσμάτων σας αναφέρει τι συνέβη. Η ενότητα συζήτησής σας εξηγεί τι σημαίνει. Η ανάμειξη των δύο είναι ο πιο γρήγορος τρόπος για να αποδυναμώσετε και τα δύο τμήματα.
Περιοχή αποτελεσμάτων: "Οι συμμετέχοντες στην πειραματική ομάδα σημείωσαν 23% υψηλότερη βαθμολογία από την ομάδα ελέγχου (M = 78,4, SD = 12,1 έναντι M = 63,7, SD = 14,3), t(198) = 7,42, p < .001, d = 1,0."
Περιοχή συζήτησης: "Αυτό το μέγεθος επίδρασης υπερβαίνει αυτά που αναφέρονται σε παρόμοιες παρεμβάσεις (Smith, 2022; Lee, 2023), υποδηλώνοντας ότι το τροποποιημένο πρωτόκολλό μας μπορεί να είναι πιο αποτελεσματικό από την τυπική προσέγγιση."
Δείτε τη γραμμή; Η ενότητα των αποτελεσμάτων σας δίνει τους αριθμούς. Η ενότητα συζήτησης σας λέει τι σημαίνουν οι αριθμοί στο πλαίσιο. Όταν πιάσετε τον εαυτό σας να γράφει "αυτό υποδηλώνει" ή "αυτό μπορεί να υποδεικνύει" στα αποτελέσματά σας - σταματήστε. Μετακινήστε αυτήν την πρόταση στη συζήτηση.
Υπάρχουν εξαιρέσεις. Ορισμένα περιοδικά και ορισμένοι κλάδοι συνδυάζουν τα αποτελέσματα και τη συζήτηση σε μια ενιαία ενότητα. Εάν το ημερολόγιο-στόχος σας το κάνει αυτό, ακολουθήστε τη μορφή του. Αλλά ακόμη και σε συνδυασμένες ενότητες, διατηρήστε την αναφορά και την ερμηνεία σαφώς διαχωρισμένες σε κάθε παράγραφο.
Πώς να δομήσετε την ενότητα των αποτελεσμάτων σας
Η οργάνωση έχει μεγαλύτερη σημασία στα αποτελέσματα παρά σε οποιοδήποτε άλλο τμήμα. Ο αναγνώστης σας επεξεργάζεται αριθμούς και οι αριθμοί χωρίς δομή γίνονται θόρυβος.
Επιλογή 1: Ακολουθήστε τις ερευνητικές ερωτήσεις σας. Εάν η εργασία σας θέτει τρία ερευνητικά ερωτήματα, οργανώστε τα αποτελέσματά σας σε τρεις ενότητες που απαντούν σε αυτά με τη σειρά. Αυτό δημιουργεί μια άμεση αντιστοίχιση μεταξύ αυτού που ρωτήσατε και αυτού που βρήκατε — εύκολο για τον αναγνώστη, εύκολο για τον αναθεωρητή.
Επιλογή 2: Ακολουθήστε τις υποθέσεις σας. Παρόμοιο με το παραπάνω, αλλά δομημένο γύρω από προβλέψεις και όχι ερωτήσεις. Για κάθε υπόθεση, παρουσιάστε τα σχετικά δεδομένα και αναφέρετε εάν η υπόθεση υποστηρίζεται. Να είστε άμεσοι: "Η υπόθεση 1 υποστηρίχθηκε" ή "Η υπόθεση 2 δεν υποστηρίχθηκε".
Επιλογή 3: Ακολουθήστε αναλυτική λογική. Ξεκινήστε με περιγραφικά στατιστικά στοιχεία και προκαταρκτικές αναλύσεις (αξιοπιστία, έλεγχοι κανονικότητας, πίνακες συσχέτισης). Στη συνέχεια, προχωρήστε στις πρωτογενείς αναλύσεις. Στη συνέχεια δευτερογενείς ή διερευνητικές αναλύσεις. Αυτή η δομή λειτουργεί καλά για σύνθετες μελέτες με πολλαπλά αναλυτικά βήματα.
Όποια επιλογή κι αν επιλέξετε, ανοίξτε την ενότητα των αποτελεσμάτων σας με μια σύντομη παράγραφο προσανατολισμού. Πείτε στον αναγνώστη πώς είναι οργανωμένη αυτή η ενότητα: "Αρχικά αναφέρουμε περιγραφικά στατιστικά στοιχεία και προκαταρκτικές αναλύσεις, ακολουθούμενα από τα αποτελέσματα των πρωτογενών μοντέλων παλινδρόμησης και, τέλος, την διερευνητική μας ανάλυση διαμεσολάβησης." Αυτός ο οδικός χάρτης σώζει τον αναγνώστη σας από το να αναρωτηθεί πού πηγαίνετε.
Παρουσίαση αποτελεσμάτων έρευνας: κείμενο, πίνακες και σχήματα
Έχετε τρία εργαλεία για την παρουσίαση δεδομένων. Η χρήση του λάθος είναι σαν να χρησιμοποιείτε ένα σφυρί σε μια βίδα — τεχνικά λειτουργεί, αλλά το αποτέλεσμα είναι άσχημο.
Το Κείμενο είναι το καλύτερο για απλές διαπιστώσεις με λίγους αριθμούς. "Η μέση ηλικία των συμμετεχόντων ήταν 34,2 έτη (SD = 8,7) και το 62% αναγνωρίστηκε ως γυναίκες." Εάν ένα εύρημα περιλαμβάνει έναν ή δύο αριθμούς, βάλτε το στο κείμενο.
Οι πίνακες είναι οι καλύτεροι για ακριβείς συγκρίσεις μεταξύ πολλαπλών ομάδων ή συνθηκών. Εάν έχετε περισσότερους από τρεις αριθμούς για σύγκριση, ένας πίνακας είναι σχεδόν πάντα πιο καθαρός από το κείμενο. Οι πίνακες είναι επίσης η σωστή επιλογή όταν έχουν σημασία οι ακριβείς τιμές — όταν κάποιος μπορεί να θέλει να αναφέρει τα συγκεκριμένα μέσα, τις τυπικές αποκλίσεις ή τις τιμές p.
Τα σχήματα είναι τα καλύτερα για την εμφάνιση μοτίβων, τάσεων και διανομών. Εάν η σχέση έχει μεγαλύτερη σημασία από τους ακριβείς αριθμούς - μια καμπύλη ανάπτυξης, μια σύγκριση κατανομών, ένα αποτέλεσμα αλληλεπίδρασης - χρησιμοποιήστε ένα σχήμα. Οι φιγούρες επεξεργάζονται ταχύτερα από τους πίνακες και μένουν στη μνήμη περισσότερο.
Ο κρίσιμος κανόνας: μην επαναλαμβάνετε ποτέ δεδομένα σε διάφορες μορφές. Εάν ένα εύρημα εμφανίζεται σε έναν πίνακα, μην περιγράφετε κάθε αριθμό από τον πίνακα στο κείμενο. Αντίθετα, επισημάνετε το βασικό μοτίβο: "Όπως φαίνεται στον Πίνακα 2, τα αποτελέσματα της θεραπείας ήταν ισχυρότερα στην κατάσταση υψηλής δόσης." Το κείμενο στρέφει την προσοχή. Ο πίνακας παρέχει λεπτομέρειες.
Βλέπουμε ερευνητές να παραβιάζουν αυτόν τον κανόνα συνεχώς. Η ενότητα των αποτελεσμάτων περιγράφει κάθε κελί κάθε πίνακα σε μορφή παραγράφου. Αυτό διπλασιάζει το μήκος χωρίς προσθήκη πληροφοριών. Το κείμενό σας πρέπει να ερμηνεύει την ιστορία του πίνακα, όχι να απαγγέλλει το περιεχόμενό του.
Clean Up Your Results Section
Upload your paper and get AI feedback on clarity, grammar, and consistency. Make sure your numbers tell a clear story.
Try It FreeΓράφοντας ξεκάθαρα για τα στατιστικά αποτελέσματα
Η στατιστική αναφορά έχει συμβάσεις και μετά από αυτές σηματοδοτεί την ικανότητα στους αναθεωρητές.
Αναφέρετε μεγέθη εφέ, όχι μόνο τη σημασία. Μια τιμή p σάς λέει εάν υπάρχει ένα εφέ. Ένα μέγεθος εφέ σάς λέει αν έχει σημασία. Αναφέρετε και τα δύο. "Η ομάδα παρέμβασης ξεπέρασε τους ελέγχους, t(198) = 7,42, p < 0,001, d = 1,05" — το d = 1,05 λέει στον αναγνώστη ότι αυτό είναι ένα μεγάλο αποτέλεσμα, το οποίο έχει πολύ μεγαλύτερη σημασία από την τιμή p για πρακτικούς σκοπούς.
Να είστε συνεπείς στη σημειογραφία. Επιλέξτε μια μορφή αναφοράς και τηρήστε τη σε όλη τη διάρκεια. Εάν αναφέρετε ότι σημαίνει "M = 78,4" στην παράγραφο 1, μην μεταβείτε στο "ο μέσος όρος ήταν 78,4" στην παράγραφο τρία. Η συνέπεια σηματοδοτεί την προσοχή στη λεπτομέρεια.
Στρογγυλοποιήστε κατάλληλα. Δύο δεκαδικά ψηφία για τα περισσότερα στατιστικά στοιχεία. Τρεις για τιμές p όταν είναι πολύ μικρές (p = .002). Ποτέ μην αναφέρετε p = .000 — αντ' αυτού γράψτε p < .001. Αυτές οι μικρές λεπτομέρειες έχουν σημασία για τους αναθεωρητές που διαβάζουν τις ενότητες αποτελεσμάτων όλη την ημέρα.
Προηγηθείτε στο εύρημα, όχι στην ανάλυση. "Οι συμμετέχοντες που έλαβαν την παρέμβαση σημείωσαν υψηλότερη βαθμολογία στο μέτρο της δημιουργικότητας" λέει στον αναγνώστη το αποτέλεσμα. "Διεξήχθη μονόδρομη ANOVA για βαθμολογίες δημιουργικότητας" λέει στον αναγνώστη η μέθοδος. Προηγείται το εύρημα: "Οι συμμετέχοντες στην παρέμβαση σημείωσαν σημαντικά υψηλότερη βαθμολογία στη δημιουργικότητα (M = 42,3, SD = 8,1) από τους ελέγχους (M = 35,7, SD = 9,2), F(1, 196) = 28,41, p < .001, η² = 0,13."
Συνήθη λάθη ενότητας αποτελεσμάτων
Ερμηνεία αποτελεσμάτων στην ενότητα αποτελεσμάτων. Το είπαμε παραπάνω, αλλά χρειάζεται επανάληψη — αυτό είναι το πιο συνηθισμένο λάθος. Αποθηκεύστε την ερμηνεία σας για την ενότητα συζήτησης. Η ενότητα των αποτελεσμάτων σας είναι μια απομαγνητοφώνηση στην αίθουσα του δικαστηρίου, όχι τελικές συζητήσεις.
Τάβοντας βασικά ευρήματα. Το πρωταρχικό σας εύρημα θα πρέπει να εμφανίζεται στην πρώτη ουσιαστική παράγραφο μετά από τυχόν προκαταρκτικές αναλύσεις. Μην κάνετε τον αναγνώστη να το κυνηγήσει πίσω από δημογραφικές περιγραφές και στατιστικά αξιοπιστίας. Αναφέρετε πρώτα το κύριο εύρημα, μετά τα δευτερεύοντα ευρήματα και μετά τα διερευνητικά.
Παράβλεψη μη σημαντικών αποτελεσμάτων. Εάν δοκιμάσατε μια υπόθεση και δεν υποστηρίχθηκε, αναφέρετέ το. Η επιλεκτική αναφορά μόνο σημαντικών αποτελεσμάτων είναι μια μορφή μεροληψίας που διαστρεβλώνει το επιστημονικό αρχείο. "Δεν υπήρχε σημαντική διαφορά μεταξύ των ομάδων στο μέτρο Y, t(198) = 0,87, p = 0,384, d = 0,12" — αναφέρετε το καθαρά και προχωρήστε.
Υπερπεριγραφή πινάκων και σχημάτων. Εάν ο Πίνακας 3 δείχνει μέσους όρους και τυπικές αποκλίσεις και για τις έξι συνθήκες, δεν χρειάζεστε μια παράγραφο που να περιγράφει κάθε τιμή. Γράψτε: "Ο Πίνακας 3 παρουσιάζει περιγραφικά στατιστικά στοιχεία για όλες τις συνθήκες. Οι υψηλότερες βαθμολογίες εμφανίστηκαν στη Συνθήκη Α, ενώ η Συνθήκη ΣΤ έδειξε τη μεγαλύτερη μεταβλητότητα." Στρέψτε την προσοχή του αναγνώστη. Αφήστε το τραπέζι να κάνει τη βαριά άρση.
Ασυνεπής μορφοποίηση. Μικτά στυλ αναφοράς, ασυνεπή δεκαδικά ψηφία και εναλλαγή μεταξύ σημειογραφίας APA και μη APA στην ίδια ενότητα. Εκτελέστε τα αποτελέσματά σας μέσω του μας διορθωτή τεχνητής νοημοσύνης για να εντοπίσετε αυτές τις ασυνέπειες — είναι σχεδόν αόρατες για τον συγγραφέα, αλλά είναι ολοφάνερα προφανείς στους κριτικούς.
Το AI summarizer μπορεί επίσης να βοηθήσει κατά τη διαδικασία αναθεώρησης. Εάν η ενότητα των αποτελεσμάτων σας είναι μεγάλη, τροφοδοτήστε την στη σύνοψη για να προσδιορίσετε ποια αποσπάσματα περιέχουν γνήσια ευρήματα και ποια είναι περιττές περιγραφές. Κόψτε ανάλογα.
Catch inconsistent statistical notation, grammar errors, and formatting issues. Designed for the precision academic writing demands.
Συχνές ερωτήσεις
Ε: Πόσο καιρό πρέπει να έχει μια ενότητα αποτελεσμάτων;
Η ενότητα των αποτελεσμάτων σας θα πρέπει να είναι όσο χρειάζεται για να αναφέρει όλα τα ευρήματα — και όχι πλέον. Για ένα τυπικό περιοδικό με δύο ή τρεις ερευνητικές ερωτήσεις, 800–1.500 λέξεις συν πίνακες και σχήματα είναι κοινές. Η βασική μέτρηση δεν είναι ο αριθμός των λέξεων αλλά η πυκνότητα πληροφοριών: κάθε παράγραφος πρέπει να αναφέρει τουλάχιστον ένα εύρημα. Εάν μια παράγραφος περιέχει μόνο μεθοδολογική περιγραφή ή γλώσσα μετάβασης, είναι συμπλήρωμα.
Ε: Πρέπει να αναφέρω όλα τα αποτελέσματα ή μόνο τα σημαντικά;
Αναφέρετε όλα τα αποτελέσματα — σημαντικά και μη — για κάθε υπόθεση ή ερευνητική ερώτηση που δοκιμάσατε. Η επιλεκτική αναφορά μόνο σημαντικών αποτελεσμάτων θεωρείται αμφισβητήσιμη ερευνητική πρακτική και παραβιάζει τα πρότυπα αναφοράς APA. Τα μη σημαντικά ευρήματα είναι ενημερωτικά. Λένε στο πεδίο όπου δεν υπάρχουν επιδράσεις, κάτι που εμποδίζει άλλους ερευνητές να δοκιμάσουν τα ίδια αδιέξοδα.
Ε: Πότε πρέπει να χρησιμοποιήσω ένα σχήμα έναντι ενός πίνακα στα αποτελέσματά μου;
Χρησιμοποιήστε πίνακες όταν οι ακριβείς τιμές έχουν σημασία και όταν οι αναγνώστες μπορεί να θέλουν να αναφέρουν συγκεκριμένους αριθμούς. Χρησιμοποιήστε αριθμούς όταν τα μοτίβα, οι τάσεις ή οι σχέσεις έχουν μεγαλύτερη σημασία από ακριβείς τιμές. Ένας καλός κανόνας: αν κάποιος θα χρειαστεί να στραβώσει τη φιγούρα σας για να εξαγάγει έναν συγκεκριμένο αριθμό, αυτά τα δεδομένα ανήκουν σε έναν πίνακα. Αν κάποιος δυσκολευόταν να δει ένα μοτίβο σαρώνοντας στήλες αριθμών, αυτά τα δεδομένα ανήκουν σε ένα σχήμα.
Ε: Μπορώ να συμπεριλάβω ανεπεξέργαστα δεδομένα στην ενότητα των αποτελεσμάτων μου;
Όχι — η ενότητα αποτελεσμάτων σας παρουσιάζει αναλυμένα δεδομένα, όχι ανεπεξέργαστα δεδομένα. Συμπεριλάβετε περιγραφικά στατιστικά (μέσες τιμές, τυπικές αποκλίσεις, συχνότητες) και στατιστικά συμπερασμάτων (στατιστικές δοκιμών, τιμές p, μεγέθη εφέ). Τα ακατέργαστα δεδομένα ανήκουν σε συμπληρωματικό υλικό ή σε ένα αποθετήριο δεδομένων, με μια σημείωση στην ενότητα των μεθόδων σας σχετικά με το πού είναι προσβάσιμα. Ορισμένα περιοδικά απαιτούν πλέον δηλώσεις διαθεσιμότητας δεδομένων, τις οποίες θα πρέπει να ελέγξετε πριν την υποβολή.

Ema is a senior academic editor at ProofreaderPro.ai with a PhD in Computational Linguistics. She specializes in text analysis technology and language models, and is passionate about making AI-powered tools that truly understand academic writing. When she's not refining proofreading algorithms, she's reviewing papers on NLP and discourse analysis.