大一新生，期末很多科要求写论文，但是真的不知道要怎么写，比如怎么引用文献，怎么加封面，怎么查重..?

又到了一年一度的期末，本科和研究生小伙伴们也基本进入了备考背书模式.

随着大学在部分专业基础课教育模式的转变，尤其是研究生阶段的实务学科，比如计量经济、应用统计、现代控制、仿真等一系列涉及本专业研究的一些“行活”的训练以及本专业的一些前沿科目的学习中，传统的期末考试逐渐在被期末论文、小组作业等形式替代。由于这样的教学模式能够更好地让学生提前接触到学术实务，不仅可以为未来完成的毕业设计打基础，而且在一些课程中进行的期末作业选题具有相当的创新性和学术价值，并且成为“你人生中的第一个paper”，其对于大学学生的价值是不言而喻的。

答主自己的研究生阶段即这一教改过程的受益者——答主是工科（控制）转到经济学专业的，因此在研究生起步阶段比较苦手，关于经济学数据收集、文献阅读以及常见的数据处理和模型构建方法的学习都花了比较长的时间，而个人认为获益最多的就是从课程和导师指导里做的这些期末论文，有一部分的研究结果也成为我后来毕业设计的题目与研究方法雏形。

当然，对于题主所提到的问题，我接下来要讲的东西可能会更偏向系统性地“如何去完成一篇简单的期末小论文”，其中会针对题主所面对包括开题和选题过程、引文的来源、文章的写作思路以及一些必要内容的写作方法等问题做一些解答，同时本文会教会你入门学术论文写作的基础工作，以及一些额外的如引文格式和查重等小技巧。

就目前本科与研究生新生的情况，如果是以小组为单位的合作完成还好，如果是每个人需要单独给到一篇结课论文，还是需要花一些功夫的（p.s.之所以这样说，是因为大学本科的小组作业经常会变成一人作业（笑））——所以对于大一和研一新生而言，能正确的使用一些软件工具，比如AI大模型应用，进行论文指导，在入门和进阶阶段还是很有必要的。

以答主所在的经济学为例，设定一个工作场景——大学的期末作业或课程作业的设定，通常以课程时间内完成一篇小论文体量的设计为主流，这一工作基本相当于本科生2-3人两周或者研究生1人两周的工作量。因此，一篇10-15篇文献形成综述、有可靠数据来源（如国家统计局、CSMAR），具备有效的实证模型并可以得出一个比较靠谱的结果的paper，字数5000左右基本符合这一水平，那么我们可以考虑哪些接入点呢？

信息是学术的基础

事实上，在答主初学经济学以及进行最初研究的过程中，最苦手的一个问题，就是经济学的选题以及文献阅读过程——事实上，如果要在零基础的状态下接触学术研究，所在领域或者课程对口领域常用的研究方法和理论基础都需要阅读具有代表性的文献。对于这个问题，从导师这块大概率只会建议你“阅读本专业的顶刊文献”或提供一些前沿的研究文献，但一方面顶刊的文献比较晦涩且在研究方法方面相对高端，而外文文献更是存在阅读问题，另一方面这类建议本身在不是很具体的同时也并不一定与自己感兴趣的研究方向完全契合，对于初学者来说难以上手。因此，如何尽可能地获取大量地前沿学术信息，并且从其中筛选出自己喜欢的方向，对培养初期的学术习惯和学术兴趣是一个十分关键的工作。

在我读研的时候，就非常希望有好用的辅助工具能够帮我有效总结出当前的一些比较热门的题目，包括我自己的英语水平虽然能够读懂英文论文，但阅读的过程仍然是比较痛苦的（笑），而在当时（18-19年左右）也确实没有特别靠谱的软件能够对大文档内容进行有效阅读，因此起步过程中就遇到了比较大的障碍。

而在当前则出现了比较多的AI工具，包括文心一言、星火、智谱清言等国产大模型应用，可以进行上述的辅助过程，从而将信息的获取难度降低到几乎零基础的水平。

1. 如何对自己的选题进行有效的认知？

通常而言，对于期末论文而言，比较麻烦的点在于选题——一些经济统计、计量经济等科目的作业在选题方面相对自由且缺乏可选范围的，那么我们就可以通过AI大模型对当前顶刊的核心主题进行选择，从而在其中获得学术热点的有效信息。

在这里我向大家推荐一个生成式AI工具——“智谱清言”。

对于我这种比较懒的人而言，无论在学术还是工作领域，进行选题，并阅读大量的文档都是一个比较令人焦躁的工作，而因为性格和人力的问题，这种大量的阅读，又会事实上导致一些信息的遗漏，而当前的AI工具就能够很好的缓解这一问题。

此外，由于我本人更多使用Excel、Stata之类的工具，但一直想学习相对具有更强大功能的Python语言，因工作等问题无法进行深入的学习，也可以通过AIGC工具的代码生成功能进行碎片化的有效组织学习，以智谱清言为代表的AI工具也完美地满足了这一点。

比如，对于当前经济学顶刊《经济研究》和《管理世界》的常见主题，可以通过向AI进行提问，从网络进行如下检索结果：[1-3]

可以看到近几年比较热门的话题，包括RCEP、农业与工业化、ESG、OFDI，疫情影响以及金融体系和数字化等的主题，而基于我上述的设定，以我自己为例，对于我比较熟悉和感性却的研究方向而言，基于产业组织理论和创新经济的一些主题就比较适合进行接下来的期末作业设计，因此就可以从这个角度对相关的文献进行收集、总结和综述。

类似的，如果是一些特定科目，设定了既有课程论文题目的情况下，则可以根据具体的题目进行选择，参考后续的文献综述部分。

2. 关于文献综述

当选择了对应的话题后，则在一般国内外的相关学术类型期末作业设计中，最为普遍的一个要求，就是文献综述的写作，俗称“读论文”。

文献综述的写作对于初学者非常关键，且是未来很长一段时间都有所裨益的基本功，因此也是我认为在研究者最初接触学术工作的期末作业和课程设计层面最为重要的一个工作——当然，这个过程同样可以通过AI工具进行辅助分析。比如，基于前文的选题信息，我们选择“企业数字化转型”这一主题进行进一步的设计，通过AI总结靠谱的文章来源：[4,8]

当然， 由于AI本身查询互联网数据的特征，一些编辑部和数据平台并不开放相关核心文献的获取权限，因此，在AI工具自身通过网络进行信息收集和总结之外，可以进一步通过第三方渠道查询到优质的文献后，通过AI的长文本解读功能对相应方法论进行总结。

以我们选题的数字化转型为例，选用袁淳（2021）发表在中国工业经济的权威文献，该数字转型指数是目前比较常用的分析思路[5]：

从上述解读中可以发现相关的一些问题，比如，企业数字化转型的指标是难以通过常见的财务数据获取的，而从该文章总结出的指标设计思路，数字化转型是通过Python进行文本分析和词频统计得出的，而从这一信息可以基本确定后续文章在研究过程中的重点和难点。

类似的，使用智谱请言等AI工具也可以将之前比较难读的英文论文直接进行阅读，并对其中的关键信息进行有效列示[6]，将其中核心的方法论进行总结，通过这种总结，可以获知当前比较热门的研究方法和数据收集方式，在经济学和管理学领域主要应用的宏观统计、微观财务数据和访谈调查等数据，以及对应的核心研究方法论，都可以通过上述的网络搜索和长文本阅读进行有效的总结。

对了，对于引用文献的格式，通常而言，文献引用格式包括MLA、APA和GB/T 7714-2015等常用格式，也包括一些诸如哈佛体等不常用的引用格式。而文献引用的具体格式，可以通过搜索百度学术、谷歌学术等方式直接得到，如下图所示，点选相关文献下的“引用”链接即可得出三种常用格式的引用。

3. 理论与实证的基础选择

在完成了简单的选题和文献综述收集过程后，基于当前作业所进行的进一步工作，就是要对我们所研究领域的基本理论和前沿研究方法进行总结。前沿研究方法方面，可以通过我们前面使用的长文本阅读方式将一些核心文献的研究方法总结出来，并且通过相关工具提供一定的使用分析思路。而理论层面则仍然可以使用AIGC工具从网络和文献中进行理论设计与收集，具体如下所示：

可以看到，如果根据我们前述的题目（企业数字化转型）并使用智谱请言，则可以总结出一些关于企业数字化转型的文献基础，包括创新理论、交易成本理论、竞争优势理论等。如果我们选择以会计信息质量作为主要影响因素（即后续实证过程中的自变量），则上述搜索结果中的交易成本理论、信息不对称理论和价值链理论都可以作为论述的理论基础。

当然，上述给出的理论基础仍然比较宽泛，我们仍然可以通过人工智能生成工具，对具有直接对应属性的理论基础文献进行追踪：

可以看到，即使我们使用“传送门”这样的网络俚语，由于GLM4这样大模型的智能语义识别功能比较强大，AI仍然能够理解并搜索相应的文献，并且对其中理论基础的相关问题进行有效的总结。

数据可视化与计量经济模型

通常而言，能够有效的完成一篇文献综述，基本已经能够达到本科小组作业及研究生课程论文的基础水平，进入到入门级别的学术研究中了。当然，必不可少的数据可视化与简单计量模型的构建，在这一过程中具有锦上添花的效果，尤其对于一些如计量经济学或应用统计学等全过程接触模型设计的研究中，通常有简单的数据统计和计量模型设计的作业要求。因此，我们延续上述的工作成果，使用AIGC工具的数据可视化、AI制图以及模型构建过程，构建一个关于数字化转型的简单模型，以期达到相应期末作业的基本要求。

1. 数据导入

首先，当前的AIGC工具基本具备较为强大的数据分析和可视化功能，我们首先导入相关的数据。这里由于企业的数字化转型数据（袁淳，2021）是基于企业的数据，其相对难以进行数据可视化，因此我们退而求其次，使用分省分年度的数据集进行一个简单演示：

可以看到上述的AI工具主要使用Python代码进行数据导入以及后续的可视化、统计与模型设计，且其过程主要通过Python进行，也有相对详细可复现的代码供我们进行后续使用，对于后续需要对Python等工具进行学习的同学来说（比如我当前就对Python的相关数据分析和AI工具有一定的学习需求），可以将这些脚本代码进行保存，并作为后续数据分析的模板。

类似的，使用CEAD统计的分省碳核算数据进行数据可视化[7]，则可以得到如下的结果：

2. 描述性统计与计量模型

前述的可视化以宏观数据为示例，接下来我们可以尝试对前述的企业数字化转型数据进行建模分析。首先，我导入了2012-2022年A股上市企业的数据，并且对后续需要进行建模的变量进行统计：

我们尝试基于数字化转型（digi2，通过前文袁淳（2021）的测算方式得出）对企业会计信息质量（变量jones，基于修正jones模型所得出的数据）进行简单线性回归，控制变量为企业规模（asset，资产对数）、企业净资产利润率（roe）、杠杆率（lev，资产负债率）和勒纳指数（lerner）。

可以看到通过上述的描述性统计和简单线性回归，我们可以得到模型各变量的均值、标准差等统计数据，同时得出现性模型的回归结果——不难发现，随着数字化转型水平的提升，基于jones模型所得出的盈余管理水平会有所下降，进而在一定程度上提升企业的会计信息质量。但这一数据的显著性有所不足（p值仅有0.114，超出了10%的显著性限制），因此无法判定数字化转型实际提升了企业会计信息质量。

如果进一步提供信息，AI则可以得出一些具有结论性质的分析结果：

当然，上述模型的结果只是用于展示，我个人还并未使用对数化、标准化、数据清理、缩尾、固定效应模型等更复杂的数据操作。对于无法在AI平台下直接进行的模型结果，比如面板固定效应回归（一般来说AI工具无法使用一些第三方的pack），智谱清言会生成相应的代码，供用户后续参考并使用(最近刚好想学学python，这玩意可比我的stata好用多了，而且在stata16版本发布后还可以通过stata的代码直接联动)

总结：

从上面的整个写作过程中，以期末小组作业和小论文等形式初入学术研究工作的整个过程为例，我们基本相关的一些关键工作，如文献阅读、文献综述、方法论总结和统计分析方法等问题进行总结：

1. 可以通过网络搜索对当前的学术热点进行总结，并在其中进行选题。
2. 可以在选题完成的基础上进一步得出该主题下具有参考价值的文献。
3. 针对参考文献可读性等问题，可以进一步将相关领域的高质量论文以及老师发的参考论文进行解读，并得出其中的核心观点与实证操作。
4. 在数据分析层面，可以直接输出数据可视化、描述性统计和简单的模型操作结果，并得出一些有效的分析结论

而初学者的上述相关工作则可以较多地引入AI工具进行辅助。正如我们前述展示地分析过程——通过智谱清言等AIGC工具，可以对选题、文献阅读和文献综述写作等过程进行辅助，并进行简单的数据可视化和建模结果，对于AI无法直接输出的问题，相应工具也会生成有效的相关代码（如python）对相关问题进行指导。

引用文献：

[1]陈松蹊,毛晓军,王聪.大数据情境下的数据完备化:挑战与对策[J].管理世界, 2022, 38(1):196-206.

[2]颜色,郭凯明,杭静.中国人口红利与产业结构转型[J].复印报刊资料:国民经济管理, 2022(7):14.

[3]曹鑫,欧阳桃花,黄江明.智能互联产品重塑企业边界研究:小米案例[J].管理世界, 2022, 38(4):125-141.

[4]方明月,林佳妮,聂辉华.数字化转型是否促进了企业内共同富裕?——来自中国A股上市公司的证据[J].数量经济技术经济研究, 2022, 39(11):21.

[5] 袁淳,肖土盛,耿春晓,等.数字化转型与企业分工:专业化还是纵向一体化[J].中国工业经济, 2021(9):137-155.

[6] Lu H P, Cheng H L, Tzou J C, et al. Technology roadmap of AI applications in the retail industry[J]. Technological Forecasting and Social Change, 2023, 195: 122778.

[7] Shan Y , Guan D , Zheng H ,et al.China CO2 emission accounts 1997–2015[J].Scientific Data, 2018, 5:170201.

[8]龚雅娴.企业数字化转型:文献综述与研究展望[J].产经评论[2024-06-24].