什么？美赛写摘要也能套公式！（附案例讲解）

目录

1.摘要结构

2.首段公式

3.中间段公式

4.尾段

---

1.摘要结构

首段背景

中间段建模过程

尾段优缺点/灵敏度分析

关键词

2.首段公式

背景+主要问题+模型简单概述

4-5行即可

C#2318036

    Wordle, a word puzzle that has attracted millions of people, is now owned by The New York Times. For the company’s game editor, how the game is solved and shared on social media is critical information, as it can be used to guide future puzzle design and ultimately maximise the total number of players. （背景+主要问题）This paper aims to build a quantitative model based on word attributes and result reports on Twitter to predict the future pattern of players.（模型简单概述）

    Wordle是一个吸引了数百万人的字谜，现在归《纽约时报》所有。对于该公司的游戏编辑来说，如何解决游戏并在社交媒体上分享游戏是至关重要的信息，因为它可以用来指导未来的谜题设计，并最终最大化玩家总数。（背景+主要问题）本文旨在建立一个基于Twitter上的单词属性和结果报告的定量模型来预测玩家的未来模式。（模型简单概述）

3.中间段公式

开头引入+问题简单描述+模型+模型参数+模型结果+问题结果（重点加粗）

开头引入词：

For task one

For Problem one

Firstly Secondly Thirdly Finally

实际案例

C#2300348

    Thirdly（引入词）, we have developed GSRF Prediction Model （模型）to predict the percentages of 1 to X for EERIE on March 1, 2023（问题简单描述）. The Grid-Search Random Forest (GSRF) algorithm is an improved random forest algorithm by using the best combination of hyperparameters. We selected the three parameters, fword, fletter, and rep as inputs（模型参数，这里是模型的输入） for the model. The model’s training results show a MSE of 20.70641 and a MAE of 3.24388（模型结果，这里是误差MSE和MAE）,indicating good predictive performance.(Table 10)The predicted results for EERIE are (1,7,23,30,23,13,3)（问题结果）.

    第三（引入词），我们开发了GSRF预测模型（模型）来预测2023年3月1日对怪诞的1到X的百分比（问题简单描述）。网格搜索随机森林（GSRF）算法是一种改进的随机森林算法，利用超参数的最佳组合。我们选择了fword、f字母、和rep这三个参数作为模型的输入（模型参数，这里是模型的输入）。该模型的训练结果显示，MSE为20.70641，MAE为3.24388（模型结果，这里是误差MSE和MAE），表明其具有良好的预测性能。（表10）对怪诞现象的预测结果分别为（1、7、23、30、23、13、3）。（问题结果）.

    注释：因为英文常用被动语态，所以问题简单描述+模型，通过英文翻译变成了，模型背建立去解决XX问题

    摘要中要体现主要模型，主要参数和主要结果，如果结果很多，可以引用一组，然后剩余的通过（表格几）上图这种方法来写

4.尾段

    简单描述模型优缺和灵敏度分析（因为摘要只有一页，前面内容如果比较多这部分可以不写，内容不多可以像建立模型那样，写的详细一点，很灵活）

    提供一个万能句，来自C#2307946

    In addition, we evaluated the advantages and disadvantages of the model and proposed some suggestions, and carried out a sensitivity analysis of the model to the commission rate, thereby proved the reliability and stability of the model.

    此外，我们评估了模型的优缺点，并提出了一些建议，并对模型对佣金率进行了敏感性分析，从而证明了模型的可靠性和稳定性。