DDL近在眼前，如何在7天内用ChatGPT写完论文

文献、数据和初步想法都准备好了，小论文却迟迟没有成稿。

选题还没收紧，分析结果不知道放在哪一节，写到后面又发现前面的口径对不上。

用 GPT 推进论文，可以先根据已有材料确定问题，再沿着分析和写作持续往前做。

下面把这套过程安排成七天完成小论文初稿，每一轮都保存结果，下一轮接着使用。

| 00 研究主题与背景

假设我们要进行有关“信贷数据缺失如何影响信用风险预测”的研究，第一天先把已有文献和数据交给Codex，让它根据材料收紧选题。

本次使用含1000条记录的South German Credit公开数据。

下载包包含数据SouthGermanCredit.asc、编码表codetable.txt和读取示例read_SouthGermanCredit.R，将三份文件一起交给 GPT。

数据及编码说明的下载地址：

https://archive.ics.uci.edu/dataset/522/south+german+credit

内容摘要如下：

我们选取的参考文献是Maurino的《How Data Quality Affects Machine Learning Models for Credit Risk Assessment》和Yu的《Machine Learning Application in Online Leading Credit Risk Prediction》。

| 01 定主题

先让 GPT 整理研究约束，生成 研究约束.md，读者只需检查它是否准确概括手里的材料和目标。

提示词：

## 任务请读取当前项目中的文献全文、原始数据及字段说明，整理本次研究的起点。## 输入Maurino（2025）与Yu的论文全文、SouthGermanCredit.asc、codetable.txt、read_SouthGermanCredit.R。我们希望研究信贷数据缺失与信用风险预测，并在一周内完成小论文初稿。## 输出生成00-研究约束.md；列出已有材料、能够研究的范围、缺少的资料及本周目标。## 约束只依据当前材料整理，不提前选定最优方法或替我们编造研究发现。需要额外数据的方向明确标注。

输出结果如下：

这份约束文件把公开数据能做的研究与尚缺材料的方向分开，后面的候选问题就有了筛选依据。

接着让 GPT 给出五个问题，并保存研究问题和文献证据表：

## 任务假设我们要研究信贷数据缺失如何影响信用风险预测。请先给出5个可操作的研究问题，再推荐一个适合一周内完成初稿的问题。## 输入00-研究约束.md、Maurino（2025）与Yu的论文全文、SouthGermanCredit.asc、codetable.txt、read_SouthGermanCredit.R。## 输出生成01-研究问题.md； 01-文献证据表.md。每个候选说明数据要求、与已有研究的关系和可行性；推荐问题写清比较对象及目前能支持的结论范围。## 约束文献空白只能依据已读材料判断；未检索全领域时不宣称首次发现。引用标注原文页码，不补造数据。

输出结果如下：

跨银行和线上平台的方向还缺数据，当前可以推进年龄与期限信息缺失后的处理方式比较，选题时就能判断后面是否跑得起来。

研究问题文件确定比较对象，另一份文献证据表记录已有研究与当前题目的关系：

文献表把判断对应到原文位置，选择方法时可以回查依据，避免把模型提出的方向直接写成已经证实的文献空白。

研究问题和文献证据表分别保存，第二天用它们确定方法。文献表负责记录已有研究做过什么，研究问题负责限定我们这次要比较什么。

如果相关文献还比较零散，可以在选题之后配合literature-review，围绕当前问题补充检索、按主题归纳研究并核对引用。

它属于Scientific Agent Skills 仓库，适合补足文献证据表，而不是替我们宣布题目已经具备创新性。

项目地址：

https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/literature-review

| 02 确定方法

第二天，研究问题已经收窄到“删除缺失样本还是填补缺失值”。

先让 GPT 比较三条方法路径，选定后再运行，避免一边分析一边改变问题。

提示词：

## 任务请依据01-研究问题.md与01-文献证据表.md，比较3种方法路径，选出本次可执行的一条。## 输入研究问题、文献证据表、数据及官方编码说明。## 输出保存02-方法方案.md，说明比较条件、每轮输入输出、评价指标和需要先检查的前提。## 约束不要用不同模型的差异冒充缺失处理差异。所有填补、标准化与编码参数只在对应训练集拟合，测试集保持完整；尚未运行的分析用计划时态。

输出结果如下：

本次选择固定逻辑回归模型，只改变缺失处理方式。

这样结果出现差异时，比较对象清楚，不会同时混入更换模型的影响。

方法方案也把测试条件固定了下来：只在训练集制造缺失，测试集保持完整；填补和标准化参数从训练资料中计算。

把这份方案给导师或同门看时，可以集中核对这些前提，确认后交给下一步的数据处理。

| 03 数据处理

第三天的数据分析分三轮：先核验数据，再检查变量分布，最后按方法方案比较缺失处理。

## 任务核对South German Credit原始数据的字段、标签方向、缺失和重复情况，生成可供后续分析使用的清洗数据。## 输入SouthGermanCredit.asc、codetable.txt、read_SouthGermanCredit.R。## 输出保存03-质量报告.md；03-清洗数据.csv，报告列出核验结果与原始记录抽查。## 约束不改原始文件、不默删记录。标签映射须对照编码表；数据中没有的信息标为无法判断。

输出结果如下：

质量报告核对了标签、缺失和重复情况；原始数据无缺失，清洗数据留给下一轮使用。

提示词：

## 任务基于核验后的数据计算描述统计。## 输入03-清洗数据.csv。## 输出保存03-描述统计.csv，列出贷款期限、金额字段和年龄的样本数、均值、标准差、四分位数与取值范围。## 约束保留原始字段含义；金额字段经过变换，不解释为可还原的货币金额。

输出结果如下：

三项数值字段均有1000条记录，金额字段经过变换，统计表只用于建模前核对变量范围，不作为论文结果引用。

## 任务按02-方法方案.md比较训练数据缺失处理方式。## 输入02-方法方案.md、03-清洗数据.csv。## 输出保存03-逐次结果.csv；03-结果汇总.csv；03-结果摘要.md；另保存03-分析脚本.py和复跑记录。## 约束只在训练集期限和年龄中按方案加入随机缺失；同次比较共用缺失位置，测试集保持完整。只报告已计算结果，不补显著性或因果结论。

输出结果如下：

逐次结果保留每次运行，便于检查不同随机划分下的变化；汇总结果整理到摘要，供下一步搭建提纲。

填补保留了更多训练样本，但预测表现的均值差很小。

结果摘要可用于写作，逐次结果和分析脚本留作回查与复跑。

| 04 搭文章框架

第四天，有了研究问题、方法方案和分析结果，再让AI安排正文。

先列到二级标题，并在每个标题下面标明要回答的问题和能用的证据。

提示词：

## 任务把当前研究整理成精确到二级标题的小论文提纲。## 输入01-研究问题.md、01-文献证据表.md、02-方法方案.md、03-质量报告.md、03-结果摘要.md。## 输出保存04-论文提纲.md。每节写清需要回答的问题、可用证据和对应结果文件，注明哪里还需要补读文献。再依据这份提纲、文献证据表和结果摘要生成05-写作锚点.md每节列出写作要点及对应材料位置，不补造观点。## 约束方法按实际运行的方案写，结果只引用已完成分析。讨论围绕处理策略及样本保留展开，不把小幅均值差写成显著优势；尚未生成的图注明“待生成”。

输出结果如下：

提纲把每节要回答的问题与证据对应起来，扩写时就能知道哪些内容已有支撑、哪些还缺材料。结果节呈现比较，讨论节解释取舍及适用条件，避免两节重复写同一组数字。

同一条提示词还生成了 05-写作锚点.md，列出各节要写的事实及来源。

提纲确定章节，锚点提供每节的写作依据。

下一步把两份文件一起用于起草正文。

| 05 正文初稿

第五天，从引言第一段和方法写起。

引言的锚点是研究对象、已有文献的做法及本次比较；结果部分的锚点来自第三天的结果表，不让AI自己补出一个更好看的发现。

把这些锚点与提纲一起交给它，写完一节就核对一节，再补摘要和结论。

## 任务按04-论文提纲.md分节写中文论文初稿。先写引言第一段，核对研究对象与问题后完成其余引言及方法；再依据结果表写结果与讨论，最后补摘要和结论。## 输入04-论文提纲.md、05-写作锚点.md、01-文献证据表.md、02-方法方案.md、03-质量报告.md、03-结果汇总.csv、03-逐次结果.csv。## 输出保存05-论文初稿.md，数字句前标记【数值核对】，每个主要判断说明对应材料位置；缺失的文献支撑另列待补项。## 约束不补造引用、p值或未运行的实验。均值差不写成显著优势，图1保留待生成位置。本文的证据只来自当前资料。

输出结果如下：

初稿把比较结果与研究问题对应起来，同时保留不同重复中的变化，接下来可以逐句回查数值，再补文献支撑。

先让结果说清楚，再处理表达，比反复要求“写得更学术”更容易找到具体修改位置。

初稿中的数字句带有【数值核对】标记，按结果表逐句检查后再清除。

图表位置也先在稿中留下，等第六天生成正式图表，再更新到当前版本。

中文初稿里还有空话、重复和模板化表达时，可以用humanizer-zh做一轮语言审阅。

它处理已有文字，保留事实与结论的确定程度，适合放在内容核对之后，避免润色时把“小幅差异”改成“显著提升”。

项目地址：

https://github.com/op7418/Humanizer-zh

| 06 画图表

第六天，用第三天保存的03-结果汇总.csv；03-逐次结果.csv画图，

并把图表更新进第五天的05-论文初稿.md。

这个课题既关心预测表现，也关心删除记录后还剩多少训练样本，因此把两者并排放进同一张图。

## 任务把现有结果制作成论文用图表，并同步到初稿。## 输入03-结果汇总.csv、03-逐次结果.csv、05-论文初稿.md。## 输出用matplotlib绘制双面板图：左侧F1均值及标准差，右侧保留的训练样本数。黑白打印可辨，导出图1-预测表现与样本保留.pdf300dpi的图1-预测表现与样本保留.png；制作表1-缺失处理比较.md，保存06-论文图表版.md；06-绘图脚本.py## 约束每个指标使用真实结果；F1纵轴0—1，误差线标明标准差，不添加未计算的显著性星号。图表编号与正文对应。

输出结果如下

在图中，我们能够同时看见，样本损失和预测指标的波动。误差线写明是标准差，F1纵轴保留0—1，读者不会把很小的变化误看成明显提升；黑白线型和不同标记也方便打印。

本轮同时生成图1-预测表现与样本保留.png、表1-缺失处理比较.md，并将图表编号和正文引用同步到06-论文图表版.md。

图1是上面的实际图表，表1和更新后的稿件也要检查，确认第七天使用的是这份新稿：

图表版稿件保留正文和表格，并链接本轮生成的图1。检查时读这份版本，可以核对图、表、正文是否使用同一轮数据：

需要统一多张科研图的字体、线型、误差线和导出尺寸时，可以配合scientific-visualization。

它同属第一节介绍的Scientific Agent Skills，适合已有结果表之后的图形整理；本例图1已经由上述绘图任务生成，后续再用它检查呈现与导出设置。

模块地址，所属项目页面见第一节：

https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/scientific-visualization

| 07 检查

第七天，把当前稿、方法方案、原始结果和文献证据一起交给GPT。

先核对研究问题与结论，再检查数字、参考文献、图表编号和单位；发现问题先列出来，按依据处理。

## 任务检查06-论文图表版.md，先列问题和需要补充的材料，不直接改稿。## 输入01-研究问题.md、01-文献证据表.md、Maurino与Yu两篇文献全文、02-方法方案.md、03-质量报告.md、03-结果汇总.csv、03-逐次结果.csv、06-论文图表版.md、图1和表1。## 输出


    
保存07-检查报告.md，按位置列出问题、依据和处理建议；区分已经核对通过的内容与仍需补证的内容。## 约束核对研究问题、方法、结果与结论是否对应，再查数字、文献、图表编号和单位。不要因格式通过就宣布论文可以投稿；没有公式时不虚构公式核对结果。

输出结果如下：

检查结果区分了已经对上的内容和仍需补证的事项。

文献覆盖不足就补文献，数据范围有限就限定结论，不能因为编号和格式整齐，便把初稿当成可以直接投稿的成稿。

一周结束时，我们已经有了能复跑的脚本、可回查的结果、图表和一份完整初稿。后面与导师讨论时，可以直接指向具体问题和证据，决定补哪一项研究，再修改对应章节。

换成自己的课题时，沿用这七个环节，同时替换文献、数据、研究问题和方法条件，评价指标与图表也随之调整。

每一步保存能交给下一步的产物，写作才能持续向前推进。