核心结论
AI 生成论文图表时，必须从“要表达的科学判断”和“已经核验的数据”出发，而不是从图表样式出发。每个点、线、柱、颜色和标签都应能回到明确的数据版本、分析代码和统计含义；生成式图片不能替代实验图像或研究数据。
可靠流程是：定义图表问题，冻结数据和统计量，选择与比较关系匹配的图形，生成可重跑代码，检查尺度、分母、区间和视觉编码，最后把图、图注、正文和原始结果对照。
先写一句“这张图让读者判断什么”
如果答案只是“展示结果”，图表任务还没有定义。更具体的例子是：比较三组原始数据分布和组间差异；显示同一对象随时间的变化；展示估计值及不确定性；说明样本筛选流程；检查模型预测与观察是否一致。
一句判断决定图形。配对数据应保留配对关系，时间序列要保留时间顺序，效应估计应显示区间，类别构成与连续分布需要不同表达。AI 可以建议候选图形，但研究者要确认它没有隐藏关键结构。
教学案例：回归结果图怎样避免误导
**教学模拟案例：**医学研究者秦砚完成一项教学模拟回归分析，估计四项行为因素与再入院的关联。AI 根据结果表生成了一张色彩鲜艳的柱状图，柱高表示优势比，未显示置信区间，横轴从0.8开始。
图看起来差异明显，却有三项问题：优势比的无效线是1而不是0；截断横轴放大差异；没有区间，读者无法判断估计精度。秦砚重新定义图表任务：“展示四项调整后优势比、95%置信区间和无效线，并清楚标记参照定义。”
她建立图表来源表：
| 图形元素 | 数据来源 | 含义 | 检查 |
|---|---|---|---|
| 点 | 最终模型中各因素的优势比 | 关联方向与大小 | 与结果表逐项复算 |
| 横线 | 95%置信区间 | 估计不确定性 | 上下限和对数尺度正确 |
| 竖线 | OR=1 | 无关联参照 | 不使用0作为参照 |
| 标签 | 变量定义和参照组 | 比较对象 | 与方法段一致 |
| 排序 | 预先的变量逻辑 | 非按显著性排名 | 避免结果驱动排序 |
新的森林图视觉上更克制，却表达了读者真正需要的判断。
图表数据要从分析对象自动产生
不要从控制台复制几个数字到绘图软件后手工排版。图表应由最终分析对象或结构化结果表生成，保存代码和数据版本。这样模型、样本或标签变化时，图表和表格能一起更新。
自动生成也要防止错对象。建议在图表脚本中检查：样本数、变量集合、模型版本、参照组和结果表行数；任何不一致就停止。图像文件名可以包含图号和版本，但正文引用应在发布前统一检查。
选择图形时保留数据结构
连续数据
只画均值柱会隐藏分布、样本量和异常。小样本可显示原始点，并配合适当的中心和区间；数据密集时使用箱线、密度或其他能表达分布的方法。具体选择取决于问题，不把一种图当作万能标准。
配对与重复测量
同一对象前后测量，应保留连接或使用能反映个体内变化的估计。把前后两组画成独立柱，可能隐藏配对结构。
效应估计
显示点估计、区间和明确参照。对于比值尺度，确认轴尺度和无效线；不要只用星号代替效应和不确定性。
构成与流程
百分比要标明分母，流程图要使每一步数量能够对账。多个百分比来自不同分母时，不能放在一起让读者误以为可直接比较。
视觉编码也会改变结论感受
轴范围、纵横比、颜色饱和度、面积和排序都会影响读者感受。高风险做法包括：截断轴夸大差异；用面积或三维体积表达一维数值；把最显著结果放在最醒目颜色；用红绿编码而没有文字或形状冗余；隐藏无结果和缺失类别。
AI 生成图后，研究者应做“去标题测试”：只看坐标、图例和数据，能否正确说出比较对象、单位、分母和不确定性。若必须靠标题中的结论才理解，图形编码可能不充分。
图像完整性：允许处理不等于允许改变证据
实验图像、显微图、凝胶和照片的调整受到领域与期刊规则约束。Nature Portfolio 的图像完整性政策要求最终图像正确代表原始数据，并说明处理软件和相关操作；局部修补、选择性增强或让数据消失是不允许的。
生成式 AI 不应“美化”原始实验图像、补齐缺失区域、去除不理想信号或创建不存在的显微结构。若使用 AI 产生纯说明性插图，也要确认目标期刊是否允许、怎样披露以及是否存在版权问题。说明图必须明确与真实研究数据区分。
图注是一份可独立理解的记录
图注至少说明：图展示什么对象和比较；样本数和单位；点、线、颜色和误差线含义；统计方法或模型；重要处理与缩写；读者不能从图中推出什么。
秦砚的图注不能只写“行为因素与再入院的关系”。它应说明点为调整后优势比、横线为95%置信区间、竖线为1、各变量的参照，以及模型调整的主要变量或方法位置。
ICMJE 的稿件准备建议要求结果按逻辑呈现，不在正文、表格和图之间重复全部数据；图表应服务于论文论证和证据评价。正文可以强调最重要观察，但不应只挑图中最有利的一项。
一张图的四方对照
发布前同时打开：分析输出、图表、图注和正文引用，逐项检查。
| 对照 | 要确认什么 |
|---|---|
| 输出—图 | 数值、方向、区间、单位、样本和参照一致 |
| 图—图注 | 每种编码、缩写和处理都被解释 |
| 图—正文 | 正文没有夸大图能支持的结论 |
| 图—方法 | 分析和图像处理能够按方法重现 |
AI 可以自动比较标签和数值文本，但最终视觉误导和科学含义需要人判断。
填写完成的图表验收记录
图表问题：展示四项行为因素的调整后关联与不确定性
数据版本：analysis-2.4
模型版本：primary-logistic-1.2
绘图代码：figure-2.py，提交号或版本记录
点：优势比
线：95%置信区间
参照线：1
坐标尺度：对数；刻度已检查
样本数与分母：与结果表一致
变量参照：与方法和表2一致
原始输出逐项复算：通过
色觉与黑白可读：通过
图注解释完整：通过
正文没有写成因果：通过
原始图像或数据可追溯：通过
用三个读者任务检查图是否真的工作
图表完成后，不要只问“好不好看”。给未参与制作的人三个具体任务：指出主要比较及方向；读出一个关键估计和不确定性；说明图中哪些差异不能直接比较。若读者必须先听作者口头解释，图例、坐标或结构仍不完整；若读者得到比数据更强的结论，视觉编码可能正在误导。
教学案例中的回归图如果把横轴截断在效应值 0.95—1.20，微小差异会显得巨大；若不同模型使用相同颜色却没有说明样本数变化，读者会误以为是完全相同数据；若只显示点估计不显示区间，又会隐藏不确定性。解决方式取决于判断任务，不是统一要求坐标从零开始：效应比值图需要清楚的无效线和合理范围，原始分布图则要避免裁掉极端值。
无障碍也是判断准确性的一部分。颜色不能是唯一区分方式，可同时使用点形、线型和直接标签；文本和数据标记在常见尺寸下要可读；图注应说明缩写和统计对象。灰度打印、手机屏幕或色觉差异下仍能识别主要系列，才是稳健设计。
图表修改必须回到数据与代码
审稿或排版时常见请求是合并组别、改变时间范围、调整排序或突出某个亚组。凡是改变展示数据选择或计算的修改，都应回到生成代码和冻结数据重新运行，而不是在绘图软件中移动点、删除柱子或手写数值。纯版式修改也要保留原图和导出参数。
如果编辑要求提高分辨率，应从矢量或原始绘图对象重新导出，不能让生成式图像工具“增强”科学图像。对显微图、凝胶、电泳和医学影像，裁剪、拼接、亮度和标注须符合目标期刊的具体图像完整性规则；Nature Portfolio 的相关政策强调处理不能改变、遮蔽或错误呈现原始信息。
每次修改后重新做四方对照：数据、分析结果、图形和图注。尤其检查点数、分母、单位、误差线定义、统计比较、面板标记和文件版本。视觉更精致但无法从代码再生的图，不应作为科研交付物。
选择表还是图，也是一项判断
当读者需要查找精确数字，项目少且结构规则时，表格通常更合适；当需要识别趋势、分布、关系或不确定性时，图更有效。同一信息不必在正文、表和图中完整重复。正文说明主要判断，图表承载证据，补充材料保存必要细节。
AI 可以根据读者任务生成多个候选，但研究者应选择最少且足以回答问题的一种。为了显得“数据丰富”而增加无关图，会分散主张；为了版面简洁而删除关键反例或不确定性，同样会误导。
必须停止并重做的情况
- 图中的数字无法追溯到冻结数据和分析输出；
- AI 根据截图或叙述猜测缺失数值；
- 分母、单位、参照组或误差线含义不清；
- 轴、面积、三维效果或排序明显夸大差异；
- 生成式 AI 改变、补齐或美化实验数据图像；
- 图、表、正文的样本数和结果不一致；
- 目标期刊对 AI 图像和处理的规则尚未核验。
图表的完成标准，不是视觉上“像论文”，而是每个视觉元素都忠实代表可追溯证据，读者能够看见结果的大小、不确定性和边界。