寫(xiě)作中如何提出自己的建議或方案？
瀏覽量：177 發(fā)布時(shí)間：2020-10-09
今天我們講一講寫(xiě)作。
社會(huì)現(xiàn)象類寫(xiě)作時(shí)我們會(huì)大致遵循這么一個(gè)寫(xiě)作思路：描述現(xiàn)象（背景部分）→提出問(wèn)題（承上啟下句）→分析原因→提出建議（或自己的看法）。有時(shí)可能根據(jù)題干要求有所調(diào)整，但萬(wàn)變不離其宗，基本上是這一思路的變體。
要想取得高分，一是要有觀點(diǎn)，觀點(diǎn)要客觀公正、鮮明；二是要有語(yǔ)言，語(yǔ)言不僅指用詞，還包括邏輯、結(jié)構(gòu)、句子銜接等方面。通過(guò)語(yǔ)言的骨架，把觀點(diǎn)的血肉搭建起來(lái)。
所以說(shuō)，寫(xiě)作是一門(mén)實(shí)打?qū)嵉拇蠊こ蹋^不是靠背模板就可以蒙混過(guò)關(guān)的。要想寫(xiě)好文章，首先要多讀，古人說(shuō)：“熟讀唐詩(shī)三百首，不會(huì)做詩(shī)也會(huì)吟。”不讀一定寫(xiě)不出好文章，輸出是建立在輸入的基礎(chǔ)之上的。
其次是怎么讀。在讀的過(guò)程中，不僅要分析語(yǔ)言表達(dá)，更要研究作者的寫(xiě)作邏輯和結(jié)構(gòu)。一篇《經(jīng)濟(jì)學(xué)人》往往可以多讀幾遍，第一遍搞定語(yǔ)言，第二遍搞定內(nèi)容，第三遍分析邏輯結(jié)構(gòu)，第四遍把文章讀成一句話，甚至是一個(gè)詞。這就是把書(shū)讀厚再讀薄的過(guò)程。
很多同學(xué)在讀《經(jīng)濟(jì)學(xué)人》的時(shí)候都是走馬觀花的看一遍，但一遍遠(yuǎn)遠(yuǎn)不夠。就像一盤(pán)海參鮑魚(yú)，你咽到肚子里還沒(méi)有好好消化吸收，便匆匆通過(guò)腸道排了出去。讀文章的時(shí)候靜下心來(lái)多讀幾遍，你會(huì)發(fā)現(xiàn)每一遍都會(huì)有不同層次的體驗(yàn)和收獲。
接下來(lái)是讀完后怎么做。在熟讀的基礎(chǔ)上，我們還要總結(jié)、整理、提煉，這是一個(gè)再生產(chǎn)的過(guò)程，也是把知識(shí)內(nèi)化的過(guò)程。只有經(jīng)歷了這個(gè)過(guò)程，我們的輸入才會(huì)轉(zhuǎn)化成有效輸出。
最后，給這篇文章畫(huà)一個(gè)思維導(dǎo)圖。這個(gè)過(guò)程會(huì)鍛煉我們的邏輯思維能力，也會(huì)幫我們積累很多觀點(diǎn)。以后再遇到同一話題的文章時(shí)，我們可以把它們整理到一起，由此形成了對(duì)某一話題較為全面、系統(tǒng)的認(rèn)識(shí)以及豐富多彩而且十分地道的表達(dá)庫(kù)。
舉個(gè)例子，在社會(huì)現(xiàn)象類寫(xiě)作的最后一部分，我們往往需要針對(duì)上述問(wèn)題提出建議或解決方案，在組織語(yǔ)言時(shí)我們經(jīng)常說(shuō)：the way to do sth / of doing sth is that...，或者the method of doing sth is that...。這樣的表達(dá)對(duì)，但是很老套。如果別人用你也用，便體現(xiàn)不出優(yōu)勢(shì)了。我通過(guò)上述在日常閱讀中方法積累了一些可供替換的表達(dá)，在此和大家分享一下。
一、prescription
prescription 大家應(yīng)該不會(huì)感到陌生，生病的時(shí)候醫(yī)生都會(huì)給你開(kāi)一個(gè)處方，拿著處方去抓藥。Prescription就是“處方”的意思。所謂“處方”，就是是治療疾病的方法，所以我們可以用它來(lái)泛指“解決問(wèn)題的方法/建議”，用英文解釋是：a plan or a suggestion for improving sth.
2016年6月25日的《經(jīng)濟(jì)學(xué)人》中有一篇有關(guān)人工智能的文章，題目叫Automation and anxiety（自動(dòng)化與焦慮），里面有這么一段話：
So who is right: the pessimists (many ofthem techie types), who say this time is different and machines really will take all the jobs, or the optimists (mostly economists and historians), who insist that in the end technology always creates more jobs than it destroys? The truth probably lies somewhere in between. AI will not cause mass unemployment, but it will speed up the existing trend of computer-related automation, disrupting labour markets just as technological change has done before, and requiring workers to learn new skills more quickly than in the past. MrBessen predicts a “difficult transition” rather than a “sharp break with history”. But despite the wide range of views expressed, pretty much everyone agrees on the prescription: that companies and governments will need to make it easier for workers to acquire new skills and switch jobs as needed.
