一、选题决定了一半的分数
IB 的 IA(内部评估)、EE(拓展论文),A-Level 的 EPQ(扩展项目资格),这些长周期研究项目有一个共同特点:选题的质量直接决定了最终成绩的上限。这不是夸张——一个选得好的题目,即使执行一般,也能拿到不错的分数;一个选得差的题目,即便执行得再认真,也很难拿高分。
为什么会这样?因为评分标准里最重的部分,往往跟选题直接相关。以 IB 的 EE 为例,评分标准里有一项叫「Focus and Method」(聚焦与方法),考察的是:研究问题是否清晰、方法论是否适合回答这个问题。这两点完全由选题决定。如果你的题目太宽泛,无论你写多少字都无法聚焦;如果你的题目无法用可行的方法研究,那方法论这一项就先天失分。
另一个原因是执行层面的。一个好的选题能让整个研究过程顺畅——数据容易获取、方法清晰、分析有抓手。而一个差的选题会让每一步都很痛苦——找不到数据、不知道怎么分析、写到一半发现做不下去。很多 IA 和 EE 的崩盘,不是因为学生不努力,而是因为选题阶段就埋下了隐患。
还有一个更实际的问题:换题的代价。IA 和 EE 的周期长达几个月,如果在中期发现题目不可行,换题意味着前面几周的投入全部作废,而且时间已经不多。这种情况每年都在发生,而它几乎总是可以通过更好的选题流程来避免。
所以这篇文章讨论的是:怎么从零开始找到一个既可行、又有深度、还能拿高分的题目。这个方法论适用于 IA、EE、EPQ,也适用于 IB 的 TOK 论文和任何需要独立研究的任务。
先说一个反直觉的结论:好题目不是「想出来的」,是「搜索和验证出来的」。坐在那里苦思冥想起不了作用,正确的做法是:先找到一个大致的兴趣区域,然后通过系统的检索和验证,逐步收窄成一个具体的研究问题。
二、第一步:确定兴趣区域,而不是研究问题
选题的起点不是「我要研究什么」,而是「我对什么好奇」。这两者的区别很重要——前者是一个需要立即回答的问题,后者是一个可以探索的方向。很多学生卡在选题,就是因为他们跳过了一步,试图直接想出一个完美的研究问题。
怎么找到兴趣区域?几个有效的线索。第一,回顾你在课堂上学到的内容里,哪些让你产生了「为什么」或者「如果……会怎样」的想法。这些疑问是天然的研究起点。第二,看你的学科笔记里,哪些章节你写的内容最多、最详细——投入的注意力往往反映了真实的兴趣。
第三,从新闻和时事里找。一个正在发生的事件,如果能用你学过的学科框架去分析,那就构成了一个有价值的研究问题。比如学了经济学里的价格弹性,看到某个商品的税政策变化,就能想到一个关于弹性的实证问题。第四,从你已有的经历里找——你的 CAS 项目、你的暑假活动、你的家庭背景、你的其他学科的学习,都可能提供交叉的视角。
这个阶段的产出应该是:两到三个感兴趣的区域,每个区域用一到两句话描述。比如「我对社交媒体如何影响青少年心理健康感兴趣」「我想研究本地河流水质变化的影响因素」。注意这个阶段的表述要宽泛,不要急着收窄。
还有一个重要提醒:兴趣区域必须跟你的学科相关。IA 和 EE 是有学科归属的——EE 必须在你注册的 IB 学科里选,IA 是某一门课的内部评估。所以你的兴趣必须能放进某个学科的框架里。如果你的兴趣是「社交媒体对心理健康的影响」,那它在心理学 EE 里是合适的,在物理 EE 里就不合适。
三、第二步:文献检索,找到研究空白
确定兴趣区域之后,下一步是检索——看看别人在这个领域已经做了什么。这一步有三个目的:第一,确认你的想法是否已经被做烂了(如果 google 一下出来几十篇一模一样的研究,说明缺乏原创性);第二,找到可以借鉴的方法(别人是怎么设计实验、怎么收集数据的);第三,找到研究空白(哪些问题还没有被回答)。
检索的渠道:Google Scholar 是最常用的学术搜索(比普通 Google 精准得多,能搜到论文);学校图书馆的数据库(很多国际学校订阅了 JSTOR、EBSCO 等学术数据库,通过学校账号可以免费访问);以及学科相关的期刊和机构网站(比如经济学可以看 NBER 的工作论文,环境科学可以看 UNEP 的报告)。
检索的技巧。第一,用关键词组合而不是整句话——「social media adolescent anxiety longitudinal」比「社交媒体的使用是否会导致青少年焦虑」有效得多。第二,善用高级搜索的限定条件——限定发表年份(优先看最近五年的)、限定文献类型(优先看实证研究的综述)。第三,看参考文献列表——找到一篇高质量的相关论文后,它的参考文献列表是最佳的线索来源。
这个阶段的产出是:一份文献综述笔记,包含 5-10 篇核心文献的摘要(每篇 3-5 句话),以及一个关键的判断——在这个领域里,哪些问题还没有被充分回答?哪些研究存在局限?哪些地方有扩展的空间?
研究空白通常出现在几个地方:一是特定情境的缺失——大部分研究是在某个国家、某个人群、某个时间段做的,换个情境可能有不同结果;二是方法的改进——别人用的是问卷调查,你可以做实验或者数据挖掘;三是变量的细分——别人研究的是整体效应,你可以研究某个调节变量或者中介变量;四是对立观点的检验——文献里有两派对立的观点,你可以设计一个研究来检验哪一方更站得住脚。
四、第三步:把兴趣收窄成可执行的研究问题
这是整个选题过程里最技术性的一步。一个好的研究问题有四个特征:具体、可研究、有意义、可控。
具体(Specific):问题必须足够窄。「社交媒体对青少年有什么影响」不是研究问题,它是一个话题。「Instagram 的日均使用时长与 15-17 岁女性青少年焦虑自评量表得分之间的相关性」才是研究问题。判断标准是:你能不能在一段话里说清楚你要测什么变量、用什么方法、在什么人群上。
可研究(Researchable):问题必须能用可行的方法回答。这需要你想清楚:数据从哪来?你能接触到样本吗?测量工具你有吗?实验条件允许吗?很多看起来很好的题目,在这一步会发现无法执行——比如想研究某疾病的病理机制,但没有实验室条件;想做全国性的调查,但样本量不够。
有意义(Significant):问题的答案应该是有价值的,而不是显而易见的。「高中生每天使用手机的时间是否超过 4 小时」这个问题的答案没有价值——它只是一个统计数字。「手机使用时长与睡眠质量的相关性是否受到使用场景的调节」就有价值,因为它能揭示机制。判断标准是:你的研究结论,会不会让一个了解这个领域的人觉得「这个发现有意思」?
可控(Manageable):在给定的时间和字数内,这个问题能被回答。EE 有 4000 字的限制,IA 通常更短。如果你的问题需要 20000 字才能讲清楚,那它就超出了范围。判断方法是:把你的研究拆成几个部分(背景、方法、结果、讨论),估算每个部分的字数,看总和是否合理。
收窄的操作技巧是「逐层加限定」。从宽泛的话题开始,一层层加上限定条件:人群限定(哪个年龄段、哪个地区、哪个群体)、变量限定(具体测什么)、方法限定(用什么研究设计)、时间限定(什么时间段)。每加一层,问题就更具体一分。加到你能清楚地说出「我要做什么」的时候,就停。
还有一个实用的检验:把你的研究问题念给一个不了解这个领域的人听。如果他听完能大致说出你要做什么,说明问题足够清晰;如果他一脸茫然,说明还需要进一步收窄。
五、第四步:可行性验证
在正式提交选题之前,必须做一次彻底的可行性验证。这一步省不得,因为它能避免中途崩盘。
验证的第一个维度是数据可得性。如果你需要收集原始数据(问卷、实验、观察),要确认:样本从哪里来?需要多少人?怎么招募?需要多长时间?需要什么工具或材料?如果你使用二手数据(公开数据库、已有的统计资料),要确认:数据存在吗?能下载吗?格式能用吗?覆盖范围合适吗?
建议在正式开始前做一次「预实验」或者「试点」——用三到五个样本跑一遍完整的流程,看看会遇到什么问题。这个试点能暴露出大量预见不到的困难(问卷题目有歧义、测量工具不准、数据采集流程太慢)。花两天做试点,能省下后面两周的返工。
第二个维度是方法和技能。你的研究需要用到什么分析方法?你会吗?如果需要学习,需要多长时间?比如一个简单的回归分析,如果完全没学过,从零到能用大概需要十到十五个小时。这个时间必须算进计划里。如果需要的方法超出你的能力范围,要么换题,要么简化方法——不要硬上。
第三个维度是时间和资源。把整个项目倒推拆解:选题、文献综述、方案设计、伦理审批(如果需要)、数据收集、数据分析、初稿、修改、定稿,每个阶段需要多久?跟你可用的时间对比,看是否可行。经验上,学生普遍低估两件事:文献综述的时间和数据分析的时间。建议在估算的基础上加 30% 的缓冲。
第四个维度是伦理和安全。涉及人类被试的研究需要考虑伦理问题:是否需要知情同意?是否涉及隐私?是否涉及未成年人(涉及未成年人的研究需要额外的监护人同意)?涉及动物或危险材料的研究则需要专门的审批。IB 和 A-Level 对研究伦理有明确要求,违反伦理规则的研究会被直接判定不合格。这一步必须提前确认。
验证通过后,输出一份一页纸的研究方案(research proposal),包含:研究问题、研究背景和意义、方法设计(样本、变量、程序)、预期结果、时间计划、以及可能遇到的困难和应对。这份方案拿给指导老师看,得到认可之后再正式启动。
六、五类高风险选题,以及怎么避免
第一类是「太宽泛的题目」。典型例子:「人工智能对社会的影响」「全球化对经济的影响」「气候变化的原因和后果」。这些题目的问题是:无法在字数限制内做深度分析,只能泛泛而谈,而泛泛而谈在评分标准里是明确的失分项。避免方法:加限定词——限定时间、地点、人群、具体维度。把「全球化对经济的影响」变成「中国加入 WTO 后十年间纺织业出口结构的变化」,可行性立刻提升。
第二类是「不可研究的题目」。典型例子:「人性本善还是本恶」「美是主观的还是客观的」「上帝是否存在」。这些是哲学问题,不是实证研究能回答的。它们适合 TOK 论文(因为 TOK 考察的是论证,不是实证),但不适合 EE 或 IA。避免方法:问自己「我能用什么数据来回答这个问题」。如果答案是没有数据,那就不是实证研究问题。
第三类是「结论显而易见的题目」。典型例子:「运动是否有利于健康」「教育是否能提高收入」。这些问题的答案大家都知道,研究结论没有信息量,无法体现分析能力。避免方法:在显而易见的关系上加一个调节变量或者边界条件——比如「运动对健康的影响是否随年龄而变化」「教育回报率在不同行业间是否存在差异」。
第四类是「依赖无法获取数据的题目」。典型例子:想研究某公司的内部财务数据、想做全国性的代表性抽样、想做需要专业设备的化学分析。避免方法:在选题阶段就确认数据来源,如果拿不到,立刻换题,不要抱侥幸心理。
第五类是「跟风但自己不感兴趣的题目」。有些学生选了一个「看起来很高大上」的题目(比如量子计算、基因编辑),但自己完全没有兴趣,也没有相应的知识基础。结果是:文献读不懂、分析做不了、写出来的东西空洞。避免方法:选题的第一原则是兴趣,第二原则是可行性。你未来要跟这个题目相处几个月,没有兴趣是撑不下来的。
最后想说的是:选题是一个迭代的过程,很少有第一次就完美的方案。正常的流程是:想出三到五个候选题目,逐一做可行性验证,跟老师讨论,然后选定一个。这个过程通常需要两到四周,不要指望一两天搞定。留美汇的导师在指导 IA、EE、EPQ 时,会把选题阶段作为一个独立的、正式的环节来对待——因为这个环节的质量,决定了后面所有工作的效率。