首页 > 其他分享 >阅读论文的方法和技巧(快速且有效)

阅读论文的方法和技巧(快速且有效)

时间:2023-05-12 09:57:29浏览次数:40  
标签:技巧 论文 第二遍 这篇 作者 复现 阅读

如何从一个小白快速开始入手看论文,然后看论文,发论文。请仔细看下面的讲解。欢迎大家一起交流和补充。

阅读论文的方法和技巧

一.阅读论文五个重要步骤(通常用时30-60分钟)

1.第一遍是快速浏览论文的摘要、结论、框架图,有助于把握核心,对论文的内容形成整体感知。(5-10分钟)

当然,这一遍建议在网络上搜索一些关于这些所看文章的讲解,会有助于你快速了解文章的内容,尤其对于英语水平不是特别好的同学。(我就是一开始直接看英文,真的很痛苦,但是熬过来也会变的不一样)

2.第二步:阅读章节标题和章节子标题,并忽略章节的其他内容.(2分钟-5分钟)

3.第三步:浏览数学公式,知道需要哪些数学理论的知识(但不要去试图理解,真的会很痛苦,因为很多公式不是你一开始看一两篇就可以搞定的)只需要对潜在的数学基础,做到心中有数即可。

4.第四步:阅读方法(核心部分),作者会在摘要和结论里总结自己的贡献,然后在方法部分会详细讲解;(对于前期的小伙伴,就建议自己可以了解图中想要干什么就可以)

5.第五步:浏览一下参考文献,主要看论文参考的核心论文,因为,可能作者就是在这个基础上进行的修改。

如果阅读过一些文献的小伙伴,可以顺手剔除掉自己已经阅读过的文献,当然,你可以打印出来,也可以使用一些论文辅助工具,这里给大家说几个

知云文献翻译-集成了多种翻译功能,还是挺靠谱的

小绿鲸英文文献阅读器-可以帮助你做笔记,画出重点

Zotero-一款管理文献的工具,功能强大,真的很推荐使用这个做整理

自己的经历就是阅读的太多文献,一开始没有管理工具,后期带来了查阅困难等问题。

二.使用完五步法后,回答问题

如果通过第一遍阅读,能够回答4个问题,那么恭喜你,你高质量地完成了阅读的粗略阅读,已经基本掌握文章的核心和主题。这五个问题可以简记为5C,分别是:

    这是篇什么类型的论文?是研究型、还是综述性?

    类似的论文还有哪些?理论基础又是什么?

    论文的假设正确吗?在实际中容易满足吗?

    作者的贡献是什么提出了什么方法,解决了什么问题?

    论文用词规范吗?论文结构安排合理吗?

通过第一遍阅读,你可以决定还要不要继续进行第二遍和第三遍阅读。如果你觉得论文和你的研究方向无关,或者知识储备不够,又或者论文有明显的错误,你可以放弃阅读了。

三.第二遍品读论文(这个过程往往需要2小时左右)

当你要读第二遍的时候,说明论文对你的帮助很大,你决定要使用这篇论文的某一部分作为自己的论文内容,或者你觉得这是一篇极好的论文,你需要继续阅读。

1.第一步,在论文空白处,写下你自己认为的关键点和批注,以及评论;

2.第二步,把你读不懂的术语,或者你的其他疑问,记录在笔记本上,以备自己以后复习.

3.第三步,也是重点,一定要认真看结果图(figures)、流程图(diagrams)、表格(tables),这些图表都很直观,你要看看有没有明显的错误;

最后,记得把没有读过的文献标记下来,留给你将来阅读.

第二遍阅读以后,要让自己做两件事:

    一是理解并抓住文章的主要内容,简单的说就是需要你认真的对待这篇论文,然后去提取论文的关键点;

    二是用自己的话总结文章的主要内容,不论中英文,一定要用自己的话总结,并尝试和其他人复述,用充足的证据说服他们。

有些小伙伴在第二遍阅读后,就开始怀疑自己是不是不适合做科研,为什么还是不理解论文,这个很正常,毕竟你才刚刚读过几篇甚至几十篇而已,

这个时候有些小伙伴选择躺平,当然,这样是不行的,需要做的是补习一下相关知识,总结一下自己为什么读不懂?是哪里读不懂?对症下药即可。

等找到问题之后,解决问题然后再阅读,进行第三遍深入阅读。

四.第三遍深入阅读论文(这个过程往往需要很久)

第三遍阅读的重点是,可以尝试在自己的脑子里复现论文的场景

或者不需要看这篇论文,直接站在论文作者的角度入手,想象自己如果是作者会怎么写这篇论文。

我最多花费的时间可能在三个月左右的时间,当然不是只是这一篇,而是,我需要使用到这一篇,读过十几遍,每一遍,你会发现,好的文章,你读一遍就会有不一样的搜获。

关于深入阅读论文,只能给出以下三点建议,因为深入阅读论文每一个人的情况不一样。

首先:你需要了解论文作者这篇论文是否可以复现,不然,你做了一半,发现你做不了,那就真的很痛苦了。

尽量做和原始论文相同的假设和实验条件,自己尝试复现这篇论文。

然后:把复现结果和作者的结果对比。(大多数情况会发现自己复现的结果和论文作者不一样,这里的不一样不是一点不一样,而是相差很多的情况)

这个时候就需要你找到作者隐藏的动机点、总结自己复现相差很大的原因。当然很多作者写文章,都喜欢把结果好的放上去,结果不好的都直接忽视了。

这个也是我们写论文的一个技巧。也是我们在开始写论文时候的一个困惑,我们需要学习,

最后:当复现论文之后,结果相对好一些,就要想想如何如改进这篇论文,这就是看论文的最终目的。

标签:技巧,论文,第二遍,这篇,作者,复现,阅读
From: https://www.cnblogs.com/mingtaozhou/p/17392912.html

相关文章

  • 今天跑出来的模型效果不错,感觉离发论文不远了
    上面的为原始图片,下面的为增强后的图片......
  • Go源码阅读——github.com/medcl/esm —— scroll.go
    esm(AnElasticsearchMigrationTool)——log.gohttps://github.com/medcl/esmrelease:8.7.1通过阅读好的源代码,细致思考,理性分析并借鉴优秀实践经验,提高zuoyang的编程水平,所谓"他山之石,可以攻玉" 该是如此吧。 /*Copyright2016Medcl(mATmedcl.net)Licensedu......
  • 论文解读|MetaAI图像分割基础模型SAM——解锁数字大脑“视觉区”
    原创|文BFT机器人内容提要事件背景: 2023年4月5日,MetaAI研究团队发布论文“分割一切”一《SegmentAnything》并在官网发布了图像分割基础模型一SegmentAnythingModel(SAM)以及图像注释数据集Segment-Anything1-Billion(SA-1B)。论文核心观点:目标: MetaAI的目标是通过引入......
  • Go源码阅读——github.com/medcl/esm —— http.go
    esm(AnElasticsearchMigrationTool)——http.gohttps://github.com/medcl/esmrelease:8.7.1通过阅读好的源代码,细致思考,理性分析并借鉴优秀实践经验,提高zuoyang的编程水平,所谓"他山之石,可以攻玉" 该是如此吧。 /*Copyright2016Medcl(mATmedcl.net)Licensed......
  • 论文阅读 -- High-speed_function_approximation_using_a_minimax_quadratic_interpol
    SFU设计算法基础Interpolation插值:给定有限点预测附近点的方法算法复现requireMaple代码复现精度与资源referenceHigh-SpeedFunctionApproximationminimaxcoeffAitken(埃特金)逐次插值法|一次插值、二次插值、k次插值FPGA_LUT-based_InterpolationF......
  • 03人月神话阅读笔记
    《人月神话》还谈到了软件项目开发中的技术挑战和管理挑战。在技术层面,作者关注了软件开发中的设计过程和测试过程,提出了许多技巧和工具,以促进软件开发的质量和效率。在管理层面,作者讨论了如何管理开发和测试过程,以及如何管理软件的开发周期。在这个过程中,作者强调了测试的重要性,......
  • 《人月神话》阅读笔记03
    “软件项目开发的完成与增加人员的问题”这句话听起来通俗易懂,但实现起来却遇到了相当大的困难,这是我在阅读完成《人月神话》时最大的感受,我想这种问题的出现主要是就订单项目而言,因为人员的增加主要是因为客户所要求实现的东西并没有在计划的时间内收到满意的答复和应得的功能与......
  • 178_技巧_Power BI 动态排名多项展示
    178_技巧_PowerBI动态排名多项展示一、背景在PowerBI中做排名矩阵时,我们经常遇到同一维度下,多项展示排名的问题。类似这样的排名矩阵,排名的名次不会太多,但是同一维度下会有多项同时展示排名,并且还要满足切片时能动态的变化。PowerBI公共web效果:https://demo.jiaopengz......
  • 使用Ansible实现自动化运维的一些技巧
     提示:本文要求读者有一定的Ansible使用经验   最近一年才有机会在生产环境上使用Ansible。用的过程中,想把一些小技巧记录下来,避免自己忘记。如果能帮助到其他同学就更好了。如果有同学指出有更好的方法,就更更好了。技巧1:校验你的模板文件是否正确通常我们会使用t......
  • OPT论文
     相关工作单模态预训练。最近,无监督预训练语言模型,如GPT[30]、BERT[7]、XLNet[47]、MASS[37]、UniLM[8]和BART[19]在自然语言处理任务上取得了巨大成功。GPT[30]是早期的成功之一,它利用单向词语上下文来学习通用语言表示。BERT[7]通过掩码语言建模(MLM)和下一句预测(NSP)作......