1. 课程导入与规范意识建立

科研图表不是论文的“装饰插图”，而是与正文并列的证据载体。审稿人、编辑和读者往往先看图、再看文：一张图能否在三秒内传达“比较了什么、差异多大、是否可信”，直接决定稿件的第一印象。因此，本课程要建立的第一条意识是——图表是可被检验的科学陈述，它的每一个颜色、标签、刻度、误差线都在承担信息责任。规范不是束缚，而是让数据被正确理解的最低成本手段。

一、科研图表的三重核心作用

第一是压缩与呈现：把成百上千个数据点压缩为可读的趋势、分布或结构关系，例如用箱线图替代逐点罗列，用热图呈现矩阵型相关。第二是比较与判断：通过统一的坐标、量纲和视觉编码，让读者能直接比较组间差异、时间变化或空间分布。第三是可复现与可核查：图注、单位、样本量、统计方法、误差定义必须足以让他人理解“这张图是怎么来的”。三者缺一，图就可能从证据退化为误导。

由此可以引出一个实用的判断标准：如果遮住正文，只看图和图注，读者是否仍能回答“变量是什么、单位是什么、每组多少个样本、误差线代表什么、显著性如何标注”？若不能，这张图在出版意义上就是不完整的。

二、常见配色与标注错误：从“能看”到“看得对”

配色错误中最典型的是彩虹色阶（jet/rainbow）用于连续数据。彩虹色阶的亮度非单调，会在中间产生虚假的“边界感”，让读者误以为存在突变；同时它对色觉障碍者极不友好。更稳妥的做法是使用感知均匀的色阶，如单色渐变（浅蓝到深蓝）或科学界常用的 viridis、cividis 类色阶。第二类错误是类别色过多且无逻辑：一张图里出现七八种高饱和颜色，读者无法建立“颜色—类别”的稳定映射。经验上，类别色控制在 5～6 种以内，超出时改用分面（small multiples）或形状+颜色双重编码。

第三类错误是红绿对立作为唯一区分手段，这对红绿色盲人群几乎不可读，应改为蓝—橙、蓝—红或配合线型、标记形状。第四类错误是颜色与语义冲突：例如用红色表示“安全”、绿色表示“危险”，或在温度图中用蓝色表示高温。配色应尽量顺应领域惯例与直觉。

标注错误同样高频。常见的有：坐标轴缺单位或量纲不一致（如左轴为浓度、右轴为百分比却未说明）；误差线未说明是标准差（SD）、标准误（SEM）还是置信区间（CI）；显著性星号未对应具体检验方法与校正方式；图例与图中颜色顺序不一致；比例尺缺失或缩放不一致导致视觉夸大差异；以及把“示例数据”当作实测结果呈现。下面这张图把本节最值得建立的整体框架——从数据到成图的规范检查链——以及典型错误的发生位置放在一起，便于形成全局印象。

三、出版规范的整体框架

把规范拆开看，可以归纳为四个层面，它们共同决定一张图能否“过审”。数据层：样本量、重复数、误差定义、统计检验与校正方法必须可追溯；视觉层：图形类型与数据结构匹配，配色感知均匀且对色觉障碍友好，坐标与比例尺不误导；文本层：轴标题含单位，图例完整，图注能独立成篇；输出层：矢量优先（PDF/EPS/SVG），位图不低于 300 dpi（线条图常要求 600 dpi 或更高），字体嵌入或转曲，线宽不小于 0.25 pt。

不同期刊的具体要求会有差异，但上述四层是通用底线。实际投稿时，建议先读目标期刊的“Figures”或“Artwork Guidelines”页面，把分辨率、字体、尺寸、颜色模式（RGB 还是 CMYK）逐条对照，再回头修改图，而不是先做完再返工。

四、一个可立即使用的自查清单

下面这份清单按“提交前 5 分钟”设计，字段直接对应审稿人最常追问的点，可作为本节的可交付成果直接使用：