Shinkai005
2023/02/21阅读:16主题:极简黑
# 【格拉365天不摆烂行动】RPS week34+week2补+考试review解析
【格拉365天不摆烂行动】RPS week34+week2补+考试review解析 .md
真困了,ppt没写完
我写一下review解析睡觉了
哥哥们不行了,我在看一下review就睡觉了~
考试时间1.30h+30min
4道题(不同分数)
一道单选
剩下的问题就比较传统了
-
给出一个场景,并被要求讨论出现的法律/社会问题
-
给出一个实验设计,写一篇评论
-
给出一个场景/设置,并要求提出一个实验设计
一般不会让你写很多~ 都是针对某个点
第一周Professional Skills & Legal Issues
-
抄袭——不要这样做,学会如何转述
-
法律事务-版权、保密信息的法律, 计算机滥用法案,数据保护法案,GDPR
-
IT的社会影响
-
版权是很重要的——我把这一点单独提出来更详细地谈谈现场讲座
-
了解它是什么,以及与软件相关的细节
-
了解软件在/超出的范围内意味着什么, 什么是版权
-
为什么不断需要新的法例/为什么法例不断修订
-
在关于法律问题的视频中,我试图让你们对此有所了解
-
我在现场演讲中特别谈到了IT的社会影响
第二周 Literature Search & Review
内容: ●专注于如何进行文献搜索
-
论文的典型结构 -
初级研究vs次级研究 -
如何写论文的摘要 -
如何写一篇论文的评论
注意:本周的大部分内容主要集中在书面评估练习上 ●然而,关于如何评价一篇论文的讨论也与评价一个实验设计非常相关
●学习如何批判性地思考和批评一些事情很重要(不能只是说:“某件事很糟糕,我拒绝说原因或提供任何替代方案”)
第三周 : Philosophy & The Scientific Method
视频及现场讲座: ●科学哲学——旨在让你思考科学真理的出现意味着什么 ●论证哲学——用来让你更抽象地思考如何进行论证。这很重要,因为首先我们有了哲学,然后我们发明了科学
视频及现场讲座: 理解这一点非常重要,因为它是第4周和第5周讨论内容的基础
-
测试和获取知识的系统和方法论手段

第四周: 实验设计
视频: ●我们需要一种标准的、方法论的方式来描述实验设计——视频介绍了这样做的语言/术语 ●分解提出实验设计时必须考虑的不同因素/变量
现场讲座(主要要知道的事情): ●定义一个假设——一个好的假设的特征是什么 ●实验设计的通用性 ●如何写实验设计
需要能够提出一个 实验设计给出一个问题陈述: ●“提出一个实验,以确定两个新键盘中哪一个更好”
第五周 : Data Analysis & Ethical Experiments
-
讨论了总体样本、统计方法
-
提供如何分析定量数据的概述
-
引入各种伦理框架,以确保实验的进行和数据的收集符合伦理
-
讨论了如何收集数据
-
讨论了定性数据的分析
-
讨论了为什么我们需要道德体系(历史上)

scientific method, the philosophy of science and arguments (philosophically speaking).
科学方法,科学哲学和论证(哲学上讲)。
handbook
预先录制的视频主要集中在科学方法上。这段视频由尤安(Euan)拍摄最长的一个是特别重要的,因为它建立了我们将要学习的很多材料
我们将在课程的剩余几周讨论更多细节。
同时,现场讲座也谈到了一些哲学方面的问题,比如
争论(哲学上),因为这些有助于磨练你的批判性思维和
回顾/考虑科学作品时的批评技能。我们还会讲一点
在现场讲座中,特别评判研究论文。
额外问题
先看额外视频把额外问题摆在这里
\1) The following questions are designed to get you to think about the scientific method
a) Discuss three reasons why we need the scientific method
b) Are the results of a single experiment sufficient to claim the emergence of scientific truth?
仅仅一个实验的结果就足以宣称科学真理的出现吗
c) Give a step-by-step description of the Scientific Method
请一步一步地描述科学方法
d) Why is it important that this method be followed rigorously?
d)为什么严格遵循这种方法很重要?
-
Explain the difference between a “straw man argument” and a “false dilemma” “稻草人论点”和“虚假困境” -
Describe what is meant by a “fallacy of division” and give two examples of them 除法谬误 -
What is the difference between a hypothesis and a theory?假说和理论的区别
之后补一下 前两周的这个题.
Neil Degrasse Tyson - Analogy for the scientific method.
-
大致讲的就是 这个讲述人在买热巧克力时候,因为没有加奶油和waiter的一番交流 -
讲述人认为没有加奶油~ waiter说是他沉底了~ -
讲述人就很直接的说:"要么就是适用于宇宙任何地方的定律, 不适用于你的饭店~ 要么就是你没有给我加奶油" -
然后那个服务员就去拿了新的一勺子奶油, 重重的砸到被子上.. 然后浮在水面~
然后结论就是. 一个实验不能得出一个共识~
Richard Feynman on "What is necessary for the very existence of science?"
-
一个哲学家说过 "the same conditions always produce the same result" -
演讲者: 不, 比如电子, 你设置相同环境, 电子的运动不可预测~
就是反驳那个观点~
-
作者观点: 未来不可预测~ 用上述的方式未来会很危险~ -
当我们想要support某个东西的时候, 我们不得不说~ 在某种情况下, 最合理的可能性会是怎么样的
即使结果发生, 也可能是偶然~
-
科学存在的意义是什么? 就是诚实的报告结果~ 当结果出现的时候没有人会主观的喜欢
翻译出来有点问题, 意译一下就是, 对结果没有主观色彩判断, 客观的去做科学的见证人.
-
另一个是要聪明的解释结果, 不要预测结果是什么~这可能添加偏见 -
实际上只有科学存在的必要条件下, 才有必要存在这样的思想, 即不允许自然必须满足一些预先设定的条件.
Feynman on Scientific Method.
这个太抽象了... 而且费曼是理论物理学家..讲了好多听不懂的案例...
如何找到一个新的law.
-
你有一个确定的理论和真正的判断,你可以清楚地计算出可以与实验相提并论的后果. 你总是可以进入任何明确的理论错误 -
如果计算后果的过程占主导地位,并且技能低下,任何实验结果都可以看起来像是意想不到的结果 -
If the process of computing the consequences have been dominant, and with a low skill, any experimental results can be made to look like unexpected consequences -
第一个问题是如何从所有已知的原则开始,但这些原则是众所周知的,并且彼此不一致 -
问题不在于做出改变或说某事可能是错的,而是用某事代替它,这并不容易 -
一旦任何真正确定的想法被替换,几乎立即就会发现它不起作用

Feynman: Knowing versus Understanding
-
映射两个相同的理论
-
计算机称之为计算结果的所有结果都是相同的~ 并且一般都同意
-
每个理论物理学家都有任何观点~ 六七个不同的理论表示确实完全相同的~ 并且没有人能够决定哪一个是正确的~
-
主要点: 理论与实验一致并不重要~ 宏观上有很多理论,但是他们的数学表现可能相同.
-
后面提出了一个有意思的点~ 如果理论还没出来...但是已经可以计算怎么办?
“牛顿关于空间和时间的想法与实验非常吻合,但为了得到水星轨道的正确运动,这是一个微小的差异,所需理论的特征差异是巨大的。原因是牛顿定律是如此简单和完美,它们产生了确定的结果。为了得到会产生稍微不同结果的东西,它必须是完全不同的。在陈述新定律时,你不能在完美的事物上做不完美;你必须有另一个完美的东西。所以牛顿和爱因斯坦的引力理论在哲学思想上的差异是巨大的。
# Literature Review文献综述

批判性评论
是一项重要的研究技能;
有条不紊地阅读论文,并始终如一地总结。
-
总是用自己的话总结一篇论文;
-
一个简短的简介(要求等级1级)可以帮助你在以后的学习过程中对所学内容进行快速的概述。
-
-
针对课程内容写一篇结构化的评论(要求2/3级);
-
例如,其声称的贡献、方法、结论。 -
反思:你为什么要读它,你学到了什么,接下来你会做什么?
-
-
整理你的笔记;
-
参考经理、研究期刊等
-
Lecture Outline
-
What is a literature review? 是什么 -
Searching for relevant papers. -
Writing a literature review. -
Citing literature.
文献综述/综述是对许多论文的叙述性总结。
在研究中,“文献”是指已发表的作品;
-
主要用于指研究论文; -
但可能包括其他来源: -
来自政府机构、行业白皮书、硬件手册等的文章 -
不是所有科学论文的集合,“文献”通常是上下文相关的;例如,与特定主题或研究领域相关的。
文学评论(或调查)是一篇讨论文献的文章. 在一个集中的主题上,有一个潜在的“故事”。典型地提出了一个结构化的总结的文献;
-
不应该只是一列论文摘要;相反,应该对论文进行批判性的个人和集体反思。 -
评论经常呈现一种看待文献的新方式; -
例如,通过识别趋势,分类解决方案,比较方法。 -
通常情况下,目的是找出需要你进行研究的“空白”。
批判性分析
文学评论是对文献的批判性总结。 把文学作为一个整体来考虑,而不仅仅是个别作品:
-
确定不同的方法; -
找出矛盾; -
例如,矛盾的发现,相反的解决方案。 -
分析解决方案的优缺点; -
综合文献的“大局”; -
也就是说,当前的技术水平是什么? -
它们是如何结合在一起的?
认真的回顾应该得出结论;
记住,这不仅仅是一份论文清单。例如:
-
有没有什么令人惊讶的趋势?
-
有什么异常情况或值得进一步调查吗?
-
文献中是否存在“空白”?:未解决的问题、有待改进的地方等。
确定对你自己工作的影响(如果合适);例如:
-
确定有希望的解决方案; -
确定你可能使用的方法; -
明确你想要改进的关键工作
为什么写文献综述
新项目:进行文学复习,熟悉新课题;
-
研究过程的重要组成部分,有助于产生想法和理解别人如何接近你的研究领域。 -
还有一点很重要:确保别人还没有解决你的问题!
写论文或论文:文学评论提供了工作的背景;
-
告诉读者其他人已经做了什么。 -
更重要的是,告诉读者你的方法有什么不同,为什么它是新颖的。
作为研究贡献:文学评论以全集出版;
-
对于刚开始研究一个新领域的研究人员有用。 -
可能会反映趋势或提出一种思考问题的新方法。
ACM计算调查
-
专门研究计算科学文献综述的期刊。 -
ACM计算调查的主要目的是展示新的专业,并帮助从业者和研究人员跟上快速发展的计算领域的所有领域。计算调查的重点是通过发布调查和教程来整合和增加对现有文献的理解。”
一个例子

系统综述
严谨而系统的文献综述;
-
明确界定研究问题; -
指定查找论文的搜索词和方法; -
明确的纳入和排除标准; -
提取相关信息的系统方法; -
通常用于元分析; -
综合许多研究的结果,得出广泛的结论。 -
主要用于医学上更广泛的治疗效果分析。
研究论文与评论论文
研究论文报告一项原创研究;
-
展示方法、结果、结论等。
-
原创性:例如,一个新算法,一个实验,一个新系统。
综述论文(或调查论文)对已发表作品的报告;
-
回顾文献,综合论文中的发现。
-
系统综述是一种特殊类型的综述论文,基于严格和系统的方法。
文献综述
文献综述概述了一系列已发表的作品;
-
有一个特定的关注点: -
不要太宽泛:如果太笼统,就没有用处; -
不要太狭隘:可能会错过重要的工作。
-
-
在研究过程中扮演多种角色: -
调查期间,写论文时,作为作品本身。
-
一篇好的学术评论不仅仅是论文的总结:
-
对文献进行批判性分析;
-
提出研究领域的新思路;
-
有“讲故事”的叙述方式。
查找文献
你如何找到相关的文献?
-
尤其具有挑战性,因为来源广泛!
请专家建议一个起点:
-
主管、图书管理员、其他研究人员;
查找文献位置
-
Google Scholar: http://scholar.google.co.uk • -
ACM Digital Library: https://dl.acm.org • -
IEEE Xplore: https://ieeexplore.ieee.org • -
U of G Library: https://www.gla.ac.uk/myglasgow/library
你如何在搜索结果中找到好的线索?
引用数与论文的影响力松散相关;
-
但显然是对老作品的偏爱。
这有助于了解一个地区的顶级出版场所。
•会议和期刊的质量差别很大。
-
一般来说,ACM和IEEE会议在计算科学领域享有盛誉。
-
•“最好的”会议和期刊是一个很好的起点。
-
浏览标题列表,寻找可能相关的论文。
也有助于了解该领域的顶尖研究人员和团队。
-
•在搜索结果中查找他们的名字; -
•还要看看他们发表了什么,在哪里发表了作品。
看看其他论文,看看他们引用了什么:
-
跟进感兴趣的推荐信; -
•寻找经常被引用的作者; -
•寻找经常被引用的期刊或会议;
使用高级搜索工具(见下一张幻灯片):
-
•搜索最近的文章; -
•搜索相关文章; -
•搜索引用搜索结果的论文; -
•搜索同一作者的其他论文;
你怎么知道要搜索什么短语呢?
-
在你阅读的论文中找出关键词和关键概念。 -
通常在标题、摘要或首页的关键字中。 -
扩大你的搜索,包括核心术语的同义词; -
例如,“虚拟现实”,“VR”,“混合现实”,“XR”,“增强现实”。
-
在你的研究日志中记录你的搜索词或高级搜索路径;
-
例如,如果你浏览了引用某篇文章的论文列表,你就不想重复这个搜索
搜索过程
-
找一个好的起点;
-
询问他人,使用搜索结果等。 -
最好是一篇你所在领域的重要或近期的论文。
-
-
看看末尾的参考书目;
-
如果一篇论文的标题看起来相关,找到它并添加到你的论文列表中。 -
读摘要和介绍,以帮助筛选论文。
-
寻找相关的文章和文章引用你的出发点;
-
最著名的论文通常是几年或几十年前的,所以要寻找
-
还有最近的论文,看看你的同行目前引用了什么。
-
-
重复这个过程,扩大范围,从高质量的论文中吸取教训。
最终你会有一个长长的论文清单……
筛选每篇论文的相关性:标题,摘要,介绍,略读其余部分;
阅读并总结第3讲中讨论的论文;
记住要有条理;
-
关键字,文件夹等,在你的参考管理器; -
把你认为不同的论文是如何组合在一起的做笔记; -
确保每篇论文的元数据正确; -
作者、标题、期刊名称、会议名称、DOI等。 -
发表论文必须准确、完整地引用被引著作; -
边做边做,这样可以节省时间!
文献检索概述
文献检索是寻找相关资料的耗时过程
从一个搜索词,或特定的论文开始,然后扩展;
-
寻找参考论文并添加到你的列表中;
-
寻找新的关键词进行搜索;
-
使用高级搜索查找相关论文,引用论文等。
-
把你正在做的事情做个笔记,这样以后就不会重复了
规划文献综述
要清楚你为什么要写一篇文学评论:
-
不是“因为我必须这么做”;
明确你的目标:
-
为了更好地理解一个不熟悉的话题?
-
批判性地评估一个研究领域?
-
看看用什么方法来解决研究问题?
-
确定你打算探索的研究空白?
-
在研究论文或论文中提供动机和背景?
考虑你的审查范围:
-
什么是相关的?
-
还有,什么是不相关的?
-
在包含足够的工作内容但又不能太笼统之间找到平衡。
考虑如何组织总结;
从高层组织开始:
-
关键的高级主题是什么(比如,你的主标题)?
-
这些高级别话题应该以什么顺序呈现?
从这里开始,往下做:
-
你将如何组织每个主题的论文?
•时间;
-
例如,展示进步,新方法的发展,变化的趋势等。
按主题/方法/途径;
-
例如,展示和对比相关的方法,强调相似或不同之处等。 -
结构是动态的:随时准备修改,尝试新的组织方式等等。
结构有时遵循回顾的目的;
-
例如,如果回顾计算机视觉对象识别的进展: -
以主要方法的简要时间概述开始; -
按方法类型组织主要讨论,论文按时间顺序排列。 -
例如,如果回顾情绪分析算法的应用: -
进行专题分析,确定广泛的应用领域;按主题组织主要讨论,论文可以按时间顺序或按时间顺序排列 .基于相似的方法/方法等进行聚类。
构造完全不同的主题;
-
有时需要讨论不同的研究主题;
-
例如,如果试图统一两个领域或从不同领域汲取知识。
-
为每个话题考虑一个逻辑顺序;
-
例如,你的预期贡献可以集中在一个特定的领域。
-
考虑如何将它们统一起来.
-
例如,你将如何把这两个话题结合起来?
每篇论文你都写了多少?: "因人而异"
必要时尽量少写,需要时尽量多说;
有选择地选择应该讨论什么,不应该讨论什么;
明确的目标在这里有帮助:例如,需要多少来支持你的论点?
你可能需要写更多关于某些论文的文章;
-
例如,如果他们做出了特别重要或相关的贡献; -
例如,如果你在描述你自己打算使用的方法或方法
同样,你可能不需要为其他论文写太多;
-
例如,如果与已经讨论过的事情有关,或者是一个小的扩展;
这来自实践和经验;
-
当你读和写更多的论文时,你会有这种感觉。
要清楚你为什么要写一篇文献综述;
确定目标,定义范围:你要包括什么,不包括什么?
-
你的评论的叙述是什么:你想讲述什么故事?
想想如何组织考评;
-
从高水平开始,往下做。
结构通常遵循你的目标。
-
不仅仅是一系列的论文摘要; -
批判性地反思他们;
文献综述是对“文献”的批判性分析;
-
在研究过程中,阅读文献是很重要的
-
记住,不要只是一系列的论文摘要;
查找相关文献是一个耗时的过程;
-
选择一个起点,然后展开;
-
边走边做笔记,保持条理,使用参考经理;
写文献综述时:
-
有明确的目标和评估范围;
-
结构很重要;
-
考虑结构和内容如何帮助实现你的目标;
-
例如,通过增加对一个论点的支持,通过展示一个方法的发展。
引用资料是学术写作的重要组成部分;
-
参见第三讲“剽窃”; -
结合良好的实践和惯例; -
使用引用管理器和工具(如BibTeX)来节省时间;
这写的也太多了...重复也很多
科学方法
•科学哲学
-
科学哲学的简要概述及其对各方面的见解
-
Scientific Inference, Occam’s Razor, Causation
-
科学推理,奥卡姆剃刀,因果关系
科学方法
-
科学方法的简要概述 -
假设、实验、错误 -
计算科学研究方法
科学哲学
分析科学探究方法的哲学分支。 “什么是科学?” 挑战我们习以为常的假设和实践
什么是科学?
-
系统地研究某事物,以便对其作出合理解释的过程。 -
总的来说,随着时间的推移,科学获得的知识增加了对世界的准确描述。 -
哲学家对基本的东西更感兴趣 -
科学的特征:它是什么,不是什么。 -
“不太可能找到区分科学与伪科学的简单标准”(p15)。 -
但是卡尔·波普尔做了一个尝试,提出了理论 科学应该是可证伪的
-
即,做出可以进行测试的明确预测, 经验或经验观察; -
暗示理论不能被证明,只能被推翻。 -
有问题,因为有时数据与理论相冲突; -
尽管如此,它强调了评估的重要性。
科学推理interence
-
推理是“在证据和推理的基础上得出的结论”(牛津英语词典) -
科学推理是根据现有的证据和理论得出结论的过程。 -
我们有一个(或多个)前提,从中我们可以得出结论。
-
演绎推理和归纳推理
演绎推理: •如果前提和结论之间存在一种关系,如果前提为真,就能保证结论为真,那么推论就是演绎的 如果前提为真,结论也一定为真
归纳推理(又名归纳): •如果我们使用关于一些观察到的物体的前提来得出关于相似的未观察到的物体的结论,那么推断就是归纳性的。 例子:
-
前提:盒子里的前五个鸡蛋都是好的 -
前提:盒子里的六个鸡蛋都有相同的最佳食用日期 -
结论:因此,盒子里的最后一个鸡蛋也是好的
归纳推理:
-
如果我们用一些观察到的物体的前提来推断,那么推断就是归纳的 -
对相似的未观察到的物体得出结论。 -
暗示真前提可以产生假结论。
和演绎不一样的地方
-
我们在研究中主要使用归纳推理: -
我们不能测试每一个可能的输入组合,我们不能用每个人,我们不能测试每个架构等等; -
因此,我们观察一个样本来得出关于总体的结论
休谟的归纳法问题:
-
当我们使用归纳推理时,我们假设自然是一致的。
-
即,
我们假设观察到的物体与未观察到的物体是相同的
。 -
大卫·休谟指出,
我们无法证明自然的一致性,因此归纳推理无法得到合理的证明
。 -
暗示归纳法不是科学方法的可靠部分
彼得·斯特劳森认为,质疑归纳法的使用是没有意义的
-
我们使用归纳法来确定我们对世界的信念是否合理,所以问归纳法本身是否合理是没有意义的。
-
如果我们接受斯特劳森的观点(很多人都接受),我们就能做到归纳推理是一种有效的科学方法。
最佳解释推论
-
从观察中得出最合理结论的过程。 -
类似于归纳推理(两者都是非演绎的)。 -
和归纳法一样,在科学中也经常使用。
我们如何确定“最佳解释”?
奥卡姆剃刀(Occam’s Razor):“不应该使用比必要的东西更多的东西”•也就是说,对一件事情最有可能的解释是最简约的——最简单的,需要最少的推测
一个常见的研究目标是解释导致某事的原因:
-
例子:为什么触摸屏上的文本输入很差? -
例子:为什么这组指令在这个架构上很慢?
因果推论:
-
用推理来推断某事的原因。
-
为什么会有这样的推论?
-
我们可以察觉到某事已经发生,但无法直接观察它的实际发生。
相关性并不意味着因果关系。
-
一个熟悉的cliché,但很重要。 -
观察到X和Y之间的相关性并不一定意味着X导致了Y。 -
如果Z是X和Y的真正原因呢? -
例子:触屏键盘上的文本输入很差,但我们不能想当然地认为触屏是文本输入不好的原因。 -
我们如何安全地进行因果推断?
对照实验设计支持因果推断。
-
可能有很多因素影响我们的兴趣变量,而不仅仅是我们最感兴趣的因素; -
我们可以通过实验设计来“控制”其他因素的影响; -
通过控制其他因素,我们试图分离出我们感兴趣的因素的影响: -
即,我们将“治疗组”与“对照组”进行比较。 -
如果治疗和对照组之间存在差异,我们可以更安全地推断治疗是结果的原因。
对照实验设计支持因果推断。
例子:
-
我们想要调查小按钮大小是否是触摸屏文本输入不良的原因; -
我们设计了一个实验,比较触摸屏上的大按钮和小按钮; -
参与者被分配到一个组:大组(对照组),小组(治疗组); -
假设其他条件都相同*,通过比较两组,我们正在调查小键盘按钮是否会导致糟糕的文本输入。
我们的例子实验是完全受控的吗?
-
不完全是,治疗组可能没有经验
-
触屏用户、手指较大的人等等
这些都是混淆因素
解决方案?
-
随机对照实验 -
参与者被随机分组,没人知道他们在哪个组 -
重复测量实验 -
如果可能,参与者体验所有条件
科学哲学概述
-
科学哲学挑战科学方法的各个方面。 -
推理:根据证据和推理得出结论。 -
归纳推理:对未观察到的实体得出结论 -
基于观察实体的证据。 •休谟的归纳法问题:我们不能假设自然的统一性。
最佳解释推论:达到最合理的结论
根据现有证据进行解释。
-
奥卡姆剃刀:最可能的解释是与证据一致的最简单的解释。
因果推理:通过推理得出某事发生的原因。
相关性并不意味着因果关系。
对照实验通过试图分离我们感兴趣的因素来支持因果推论。
科学方法
客观考察世界的一套共同原则、程序和标准。
-
目标:“不受个人感情或观点的影响代表事实”(牛津英语词典) -
科学方法旨在最大限度地减少偏见或偏见的影响。
一般科学方法:
-
对某事的信念或观察; -
提出一个假设来解释和预测某事; -
根据经验证据检验假设;
假说:对一种现象的具体的、可检验的解释。
-
具体的:解释你在某种情况下预期会发生什么;
-
可检验的:是可证伪的(可以被经验数据推翻);
-
简约:简单而可行(记住奥卡姆剃刀);
-
预测性:做出可以测试的预测
-
假设是试图解释无法解释的观察结果
-
被现有公认的科学理论充分描述的。
-
对现象原因的有根据的猜测。
-
重要的是,假设还允许对未观察到的实体进行预测。
-
这些预测与实验的经验数据进行了检验。
假设和理论是不一样的:
-
科学假设是可检验的预测; -
•科学理论是通过测试证明的假设; -
•即,预测得到了经验验证
-
回顾一下:科学方法是一个迭代的过程,我们的目标是 对世界做出准确的解释。
-
从无法充分解释的观察开始; -
建立一个假说来解释观察结果并进行预测;•应该是具体的、可测试的、精简的、可预测的。 -
用实验来收集经验数据来检验预测; -
如果测试失败,修改假设并重复这个过程。
科学方法的一个关键部分是检验你的假设。
-
实验用于收集经验数据/测量。 -
回想一下,如果我们想要做出有效的推断,我们需要实验:使用精心控制的实验•科学方法的重要组成部分。 -
我们将在以后的讲座中更详细地介绍实验。
实验设计各不相同,尤其是在计算科学领域。
-
例子:人机交互实验可能会测量用一个新的用户界面完成任务所花费的时间,或者可能会收集关于刺激感知的主观数据。 -
示例:信息检索实验可能会使用时间和相关性等指标来衡量搜索算法的性能。 -
示例:计算机体系结构实验可能测量完成一组指令所需的时钟周期数。但所有这些都是为了同一个目的:收集我们可以利用的数据, 检验我们的假设
我们如何使用实验数据来检验我们的假设?
-
回想一下归纳推理:我们不能收集关于每个实体的数据, -
但我们可以通过观察一个有代表性的样本来得出关于未观察到的总体的结论。 -
统计分析常用于确定数据中的方差 -
偶然发生的,或者是实验设计引起的;
科学方法中的错误
科学方法的目标是客观和系统的。•即不带有偏见和偏见。
-
尽管如此,错误还是会发生(有意或无意)。 -
警惕不良的科学实践; -
批判性地思考,不要仅仅认为发表的“科学”是良好的。
例子
-
倾向于某些假设(想要证明自己是正确的); -
不测试某些东西,因为这是“常识”; -
排除不支持假设的数据(“异常值”、“噪声”); -
有缺陷的实验设计(例如,未能控制混淆因素); -
糟糕的科学实践(例如,HARKing:在结果出来后进行假设已知); -
糟糕的统计分析(例如,选择错误的测试); -
第一类错误(假阳性:识别不存在的效应); -
第二类错误(假阴性:未能认识到影响的存在); -
社会效应(例如,霍桑效应:人们在什么时候会有不同的行为观察到)。
科学传播
你进行了观察,提出了假设,进行了实验,通过测试证明你的假设。 下一个什么? 把你的发现贡献给我们对世界的集体认识。 在一篇研究论文或论文中写下你的方法和发现;
-
公开分享您的数据、工具、人工制品进行复制和验证; -
在会议上向学者和公众展示你的工作, 通过科学传播。
比较科学。研究方法
计算机科学中常用的广泛研究方法;
来自许多学科(数学、工程、社会科学等)。
例子:
数学证明,模型和模拟,用户观察,经验 测量,人种学,参与式设计。 人们曾多次尝试对它们进行分类;
研究方法没有一个“最佳”的分类;
下面几张幻灯片给出一个例子;

总结
-
本讲座介绍了一些科学方法并进行了讨论科学的哲学观点。 -
本课程将科学方法分解,并侧重于个别主题:实验设计、分析、写作等。 -
科学哲学:挑战我们的假设,让我们反思我们所使用的方法。 -
推理:根据证据和推理得出结论。不能假定自然的统一性(休谟的归纳法问题); -
相关性并不意味着因果关系(所以使用对照实验); -
最简单的结论是最有可能的(奥卡姆剃刀); -
科学方法:客观考察世界的迭代和系统过程。 -
对无法解释的观察提出假设,用经验实验的数据检验它们的预测,评估它们是否一致(因此是被证明的理论)或是否需要修改。 -
科学方法是归纳推理的一种形式,通常是对来自总体的样本进行评估。
现场课ppt
Arguments + The Scientific Method 讨论+科学方法
声明
-
这个现场演讲的大部分内容都是哲学性质的这给今天的讲座内容带来了一些主观性“得到3学者们聚在一起,询问他们对某个话题的看法,你就会得到4答案”1然而,让你思考这些话题是很重要的
内容overview
-
Arguments (philosophically) 参数(哲学) -
Formal and informal fallacies 正式和非正式的谬误 -
Arguing over the value of a research paper 争论研究论文的价值 -
A note about the skills needed to do research (because it had to go in some lecture)关于做研究所需要的技能的说明
总结~
these are focused on the scientifific method
● An “empirical method for acquiring knowledge”获取知识的经验方法
● Important to know this as the remaining weeks we will be discussing
experimental design and other parts of this process/method
Video - Neil deGrasse Tyson's Analogy for the Scientifific Method
-
The importance of defending what you consider to be true 捍卫你觉得的真理的重要性
-
The emergence of a scientifific truth 科学真理的出现
-
作为一名科学家,你应该捍卫你认为正确的东西---但是要开放并愿意被证明是错误的
-
注意:你应该用证据、理论和技巧和原因来捍卫你的论点——你不应该完全依赖意见和信仰
-
单一的结果是远远不够的——它需要验证(最好是由一个不希望你正确的竞争对手验证)
-
只有经过反复的观察和实验,科学的真理才会出现
Video - The Richard Feynman Videos
理查德·费曼(Richard Feynman)是一位物理学家,但他关于科学方法和哲学的视频备受推崇,包含了重要的教训 ●被实验/数据证明错误的重要性 ●猜测的重要性 ●有具体的理论来检验的重要性 ●你永远无法证明一个理论是完全正确的——你只能确定我们错了
假设你提出了一个理论,并设计了一个实验来验证它,两个竞争对手也设计了一个实验来验证它
-
如果所有3个实验都给出相同的结果 -
如果这个结果证明理论是错误的, 你不能简单地断定理论是正确的,实验是错误的
第一条原则是你不能欺骗自己,你是最容易欺骗的人
作为一名科学家,你必须时刻准备被证明是错误的
-
一个理论的验证,充其量意味着你只是暂时正确,即该理论尚未被证明是错误的, 但明天的实验可能会证明你错了,并指出错误所在 -
所以我们永远不会对——我们只有在错的时候才能确定
Video - Euan Freeman “The Scientifific Method”
本课题的主要资料来源:
●需要了解归纳和演绎推理
●这种相关性并不意味着因果关系
●科学方法
●科学方法中的错误
哲学讨论(论证)argument
-
一个或一组被称为前提的陈述,旨在确定另一个被称为结论的陈述的真实性或可接受性的程度 -
科学推理是根据现有证据和理论得出结论的过程 -
我们有一个(或多个)前提,从中我们可以得出结论
主要就是什么叫讨论~ 就是一个前提, 经验前提~ 根据科学性的推论 得出一个结论
Deductive Inference演绎推理
如果前提和结论之间存在某种关系,如果前提为真,则保证结论为真,则推论就是演绎的
-
如果前提为真,结论也一定为真
Inductive Inference归纳整理
如果我们用一些观察到的物体的前提来得出关于相似的未观察到的物体的结论,那么推论就是归纳性的
-
我们观察一个样本以得出关于总体的结论
A fallacy in an argument
谬误
谬论是在论点的构建中使用无效或错误的推理(如果谬论没有被发现,它可能看起来比实际上更强)。
●谬误有些是故意的,有些是偶然的
谬误通常分为“正式的”和“非正式的”。
形式谬论
形式谬误是演绎论证结构上的缺陷,它使论证无效
大多数形式谬误都是逻辑错误
-
结论确实没有前提的支持
-
要么前提不真实,要么论点无效
形式谬误——例子
-
前提premise:所有黑熊都是杂食动物 -
前提: 所有的浣熊都是杂食动物 -
结论:所有的浣熊都是黑熊
黑熊和浣熊都是杂食动物的子集,但这些子集不重叠——这一事实使结论不合逻辑
形式谬误——危险的论点
假设有人在种族和宗教问题上提出了类似的论点:
-
并非所有属于同一种族的人都信仰相同的宗教
-
并非所有信仰同一宗教的人都属于同一种族
没感觉到危险在哪里.. 可能话题比较危险
非正式的谬论
非正式谬误起源于推理上的错误,而不是不恰当的逻辑形式
-
主要是由于争论的内容和上下文 -
许多类型的非正式谬误——我们将讨论“虚假困境”和“稻草人论点” -
false dilemmas和straw man arguments
虚假的困境
一种非正式的谬论,其前提是错误地限制了可用的选项
-
排除可行的替代方案,过度简化现实
虚假的困境-例子1
-
“斯泰西公开反对资本主义;所以她一定是共产主义者。” -
一个排除的选项是史黛西既不是共产主义者也不是资本家 -
她公开反对资本主义的事实并不意味着她是共产主义者, 她可能是,但她也可能是其他很多东西
虚假的困境-例子2
“如果我们想让校园更安全,我们要么安装更多的监控摄像头,要么禁止访客。”
-
一个被排除在外的选择是雇佣更多的现场保安,让他们在校园里巡逻
也许所有的保安人员都罢工了?游客在多大程度上是问题?等
稻草人理论
一种论证形式和一种非正式的谬论,给人一种反驳论证的印象,而论证的真正主题并没有被讨论或反驳,而是被一个虚假的主题所取代
-
采用这种谬论的人被称为“攻击一个稻草人”。
典型的稻草人论点制造了一种错觉,即通过用不同的命题替代对手的命题,来反驳或击败对手的命题 以及随后对错误论点的反驳,而不是对手的命题
直译是稻草人理论实际是草人反驳~
简而言之:
-
第一个人提出命题P -
第二个人歪曲了命题P,然后反驳这个歪曲的命题
命题P是如何被错误表述的?
-
断章取义 -
例如,选择曲解对手意图的引语 -
过分简化对手的论点 -
夸大对手的论点 -
把防守不好的人称为防守者,然后否认那个人的论点 -
表面上看,这一立场的所有支持者(以及这一立场本身)都被击败了
稻草人理论-例子1
家长:“你今晚不能去派对了,你有考试明天”
孩子:“你为什么不爱我?”
-
这个命题没有提到父母对孩子的爱, 但是孩子们认为不去参加聚会是衡量他们的标准 父母对他们的爱
稻草人论证-例子2
男朋友:“对不起,我今晚不想出去吃饭。”
女朋友:“你再也不想出去吃饭了” ●最初的声明是关于今晚的,但回应是关于永远的——这意味着讨论不再是关于今晚的具体情况的富有成效的讨论,而是对更大/完全不同的东西的攻击
稻草人理论- 例子3
稻草人论点-例子3
女朋友:“今晚我想吃中国菜,不吃披萨了。”
男朋友:“哦,那么你讨厌披萨了?<白眼>
-
女朋友没说她对披萨的看法——只说她今晚更喜欢吃中国菜 -
在现实中,单独陈述偏好并不意味着不喜欢较不喜欢的东西
可能性vs概率
通常在争论中,有人可能会忍不住用“好吧,这可能吗”来为自己的观点辩护
假设是,如果某件事是可能的,那么他们就不可能是错的
这是一个糟糕的防守/立场
通常,问题不是“什么是可能的?” 相反,问题应该是“有可能吗?”
只要有足够的创造力,一切皆有可能
●“如果我们假设A, B, C,如果X,那么Y,那么Z”
但这并不意味着它是可能的
我有可能成为第一个在月球上建立基地的人吗?
-
如果我辞掉教书的工作去创业 -
开发一款成功的产品,成为亿万富翁 -
与埃隆·马斯克(Elon Musk)交朋友,并大举投资SpaceX -
说服我最好的新朋友埃隆·马斯克在月球上建立基地 -
说服我最好的新朋友埃隆·马斯克,我可以领导这个任务 -
然后成功地在月球上建立了第一个基地
奥卡姆剃刀:最简单的解释通常是最好的解释
-
注意:这不是一个完美的规则,而是一个指导性的启发式规则
通常,如果你缺乏任何证据,面临两种相互竞争的理论,最好先调查最简单的理论
-
如果没有其他原因,那么首先进行测试是最简单的 -
这并不意味着你不应该调查第二个问题
比如万有引力定律~ 从最简单的开始
讨论论文的价值
-
我们说过,不是所有的工作都有同样的价值
-
这不是在批评实验设计,而是在争论已发表作品的价值
快速回顾一下上周的情况
上周我们讨论了:
-
初级研究还是二级研究?这会影响它的价值吗? -
贡献类型(开创性、修补等) -
论文类型(期刊、全文、海报等)
会议声望(A*, A等) 所有这些都可以用来判断价值/影响/优点/价值
判断一篇论文——初级研究vs次级研究
根据你正在进行的研究类型,这可能被视为你工作的一个限制
-
通常根据具体情况来判断 -
在某些领域比其他领域更常见
生成数据集和对其进行分析可以是两个独立的重大贡献
这里会有一些主观性
判断论文类型的贡献
这一点是最明显的:
-
突破性和突破性的论文更有价值比起进步和修补论文等
不像“只做突破性的工作”那么简单
-
这样做的机会很少——这里面有运气的成分
判断类型
由于计算科学期刊论文的陌生感不像“期刊>完整>海报>研讨会”那么直接
-
Journal和full通常被视为平等但又不同 -
海报、研讨会和演示主要被视为宣传你自己/你的工作的网络机会
判断论文- 会议的声望
学者们的最爱之一:
-
在“研究评审流程”中内部使用
-
当他们评估大学的“卓越研究框架(REF)”时,他们会说“有多少A*论文”
-
查看职位/资金申请时的简明指南
额外方式判断会议声望
会议通常有最佳论文奖和荣誉奖
通常这些都是在会议上发表的论文,在他们的评论中得分最高
通常还包括组织者之间的一些讨论(再次使用评论作为初始起点/过滤器)
判断论文引用数
论文被引用的次数:
-
通常,但不总是,是“突破性”和“开创性”论文的指标
-
引用次数越多,作品“影响力越大”
关于引文膨胀的注意事项
然而,一篇论文被引用的次数可能会受到通货膨胀的影响
-
学者们希望他们的引用数量增加 -
这鼓励他们随意引用自己的工作和同事/朋友的工作 -
每篇新论文都引用你之前发表的所有论文
关于引文膨胀的注意事项
一些人认为"同行评议程序会发现这一点"
-
我从未听说有人被要求删除推荐信 -
相反,审稿人通常会说:“I expected to see these papers -
这些论文通常是审稿人自己的或他们朋友的
评估俩paper

-
看award情况 -
看时间(防止一个在另一个基础上写的) -
看描述- 1判断是什么类型文章~ groundbreaking, progress -
看描述- 2判断是初级研究还是次级研究 -
看conference.左边是A* 右边B -
看引用数~算一下平均每年多少个
研究所需要的技能
作为科学家/研究人员,你必须身兼数职
-
作为研究过程的一部分,你需要做一些功能不同的技能/任务
-
进行文献综述与设计论文是不同的技巧
-
实验是一种不同于分析数据的技能

本周的结论——科学的方法
-
定义一个问题 -
收集信息和资源(观察) 3.形成一个解释性假设 -
通过进行实验和收集可重复的数据来检验假设 的方式 -
分析数据 -
解读数据,并得出结论,作为一个新的起点 假设 -
公布结果 -
重测(通常由其他科学家进行)
格拉365天不摆烂行动】RPS week4 +week5.md
你好。欢迎来到课程的第四周。 本周的内容主要包括实验设计。 预先录制的视频定义了很多你需要熟悉的语言和术语 在描述/讨论实验设计时, 与此同时,现场讲座涵盖了几个主题。他们讨论我们如何进行选择 研究问题,然后从问题到假设再到实验。 他们还讨论了一个实验的普遍性,也谈到了如何使用 在预先录制的视频中定义的术语,用于描述/讨论实验设计。
额外问题
1)你们开发了一种名为MegaMerge (MM)的新算法,可以将多个数字列表连接在一起,然后按升序排序。你相信它比你现有的KiloMerge算法更快。 (a)将此信念陈述为可检验的假设
(b)解释它如何满足一个好的假设的基本标准
(2)描述三种方法来提高比较三个不同在线搜索引擎的实验的通用性
(3)要解决的研究问题是:“哪只手用电脑键盘更好,左手还是右手?”这个问题是在你的手腕骨折的情况下问的——你宁愿折断哪只手腕,这样你就可以用一只手使用键盘了?
通过定义因素和描述实验过程来设计一个实验。
(4)要解决的研究问题是:“哪个搜索引擎是最好的?”请注意,这是一个非常广泛的主题,因此您需要小心地缩小其范围。 通过定义因素和描述实验过程来设计一个实验。
现场讲座PPt- Lecture 04-1: Problems + Hypothesis
突出视频的关键部分
-
确定研究问题:问题范围 -
确定研究问题:选择问题的个人方法 -
科学是一个协作的过程 -
从假设到实验
Video: Experimental Conditions & Variables
了解以下几点:
●实验对象
●任务/流程
●级别和条件
●自变量/因变量
●混杂因素
●控制变量
●随机变量
-
实验对象是指在实验中被研究的项目或主题。 -
任务或过程是指作为实验的一部分正在执行的特定操作或步骤。 -
水平和条件是指实验对象在实验过程中所处的不同状态或条件。例如,在医学实验中,可能会在一组患者身上测试不同浓度的药物,以了解该药物如何影响他们的症状。 -
自变量和因变量是实验设计中的两个重要概念。自变量是实验者正在操纵或控制的因素,而因变量是正在测量或观察的因素。例如,在一项测试新药对血压影响的实验中,自变量是药物,因变量是血压。 -
混杂因素是以不可预测的方式影响实验结果的变量。例如,如果正在进行一项实验来测试一种新药物对血压的影响,患者的年龄或整体健康状况等因素可能会以与药物无关的方式影响血压,从而混淆结果。 -
控制变量是在整个实验过程中保持不变的因素,以消除混杂变量的影响。通过控制这些变量,实验者可以更加确信任何观察到的效果都是由于自变量而不是其他因素造成的。 -
随机变量是指可以随机取不同值的变量。在实验设计中,随机化通常用于将实验对象以随机和无偏的方式分配到不同的水平或条件。这有助于确保实验结果不受所研究组之间系统差异的影响。
需要知道这些是因为:
这是实验设计的语言
-
报告实验的方法 -
能够对实验设计进行精确的批评,例如,“为什么X不是一个变量”比“似乎X可能出于某种原因很重要”要好
Video: Experiments In Computer Science
-
给你一个多种类型的CS研究的概述(在格拉斯哥这里!)
-
介绍学科间和学科内实验设计
确定要调查什么:哪些问题在你的范围内
有无数的问题——如何选择要做的工作?
你的主题中有很多问题,你一辈子都解决不了 问题多得你无法(时间、金钱等)解决。 所以你需要聪明地决定你的注意力集中在哪里
挑选问题——可用资源
你工作的地方和你所拥有的资源会影响你所处理的问题的类型吗
-
这些都是环境因素,你应该考虑如何在你所处的环境中最有效地工作
-
你不想在一个因为你无法控制的因素而不可能完成的项目上花费大量的工作
工业界的研究vs学术界的研究
-
在工业领域,通常强调研究的商业应用,而在学术界,这往往无关紧要 -
在工业领域,研究速度更快(几周而不是学术界的几个月或几年)
挑选问题——问题类型
-
例如,我在旁观者- vr用户交互方面的工作 -
我调查了旁观者(不在VR中的人)如何与VR用户互动 -
VR头盔制造商的研究人员可能并不关心这一点——他们正忙着改善VR用户在VR中的体验
例如,我在VR用户的旁观者感知系统方面的工作
我设计的系统可以增强VR用户对周围现实的感知
-
我采取了以用户为中心的方法——这意味着我专注于如何为VR用户提供最好的服务(我说技术方面是“一个工程问题”,但VR制造商的研究人员没有这样的灵活性)
挑选问题——问题时间表
例如,我在旁观者- vr用户交互方面的工作 我花了大约18个月的时间来构思、设计、迭代、进行实验、分析、撰写关于这个问题的工作
-
2篇论文的材料
按照行业标准,时间成本效益不高
挑选问题——可用资源(预算)
设备预算限制
-
获取实验硬件(特别是在学术环境中)
是高成本投资吗
-
实验硬件可能非常昂贵,因此购买这些硬件的目的是为了在多个实验中重复使用,而不是为了回答一个单一的、短暂的好奇心
挑选问题——可用资源(时间/技能)
实验者时间限制 作为一名研究人员,你的时间和技能是有限的 ●必须小心,不要承担一个超出范围的问题
-
你只有有限的时间来完成工作 -
你不应该一次学太多新东西 -
一般来说,我在每个新项目中只学习1-3个新东西
确定研究问题:选择问题的个人方法
但是如何选择实际问题本身呢?
前面的幻灯片涵盖了很多环境因素,这些因素会影响你的潜在工作范围内的工作类型
-
即使在这个范围内,也有很多问题是你解决不了的——世界上有很多问题! -
选择实际问题是一件有点私人的事情 -
我选择问题的方式与同事不同
让我们来讨论一下我(和我的同事)的观点
我想给你一些感觉,作为一个研究人员(和我的一些同事,他们接受了我在这个主题上的问题)是如何挑选问题来研究的 出现了2个高层视图:
-
方法论“直接从先前的工作中衍生”的方法 -
创造性的“我敢想象未来在哪里”的方法让我们讨论一下我(和我的同事)的观点
我认为这两种方法都有它们的用武之地,并尝试在我自己的工作中使用它们
方法论
推导:直接从先前的工作中系统地推导出一个问题:
研究论文通常有关于当前工作的局限性/未来工作应该探索的主题的部分
-
这些通常是需要解决的问题的很好的来源——确保解决问题的动机/理由已经很合理了
根据给定的问题,这些问题可能是增量问题,进展问题,甚至是突破性问题。
其他人与你同时解决相同问题的风险
胜利者(第一个解决问题的人)可以得到战利品
老师的例子
我的博士课题是基于Mark McGill博士在格拉斯哥进行的研究
-
第一个探索将旁观者增强到VR场景中,以提高VR用户对旁观者的认识
但马克的工作有一些局限性:
-
只研究了一种通知VR用户有旁观者的方法 -
没有调查匿名通知会发生什么 -
没有调查如果通知没有转发会发生什么 -
旁观者对VR用户的定位
我进行了一项实验室研究,调查使用:
-
视觉和听觉通知设计 -
匿名通知 -
传递不同数量的旁观者位置信息的通知
这是直接从马克之前的工作中系统地衍生出来的工作
创造性的方法——创造性的洞察力从何而来
讨论这个问题有点奇怪: 对已知想法/概念的一种思考,然后产生一种思考 创造性的洞察力,扭曲或发展 ●你建立的潜意识洞察力
创造性的方法并不适合所有人
有些人比其他人更有创造力 ●他们不喜欢方法论——他们想用自己的方法 用更有创造性的方式去想象和解决问题 ●从一组已知的信息开始,然后进行思想实验、梦想等
创造性的方法——创造性的想法仍然必须有用
在激励这样的工作时需要小心: ●需要有效地推销创意的实用性 ●不能只是为了新奇而新奇(必须对工作有一些明确的贡献/好处) ●无法说“工作直接来自X”
创造性的方法——创造性思考的技巧
人们有各种各样的技巧来鼓励创造性思维: ●一是“不停地写作” 你设置一个定时器(例如15分钟),规则是你必须在整个时间内持续写——你不能因为任何原因停止 ●创意是它迫使你把所有的想法都写在纸上,然后超越它们——之后你可以挑选出最好的想法,坐下来花一个小时专注地思考,迭代/完善它们
创造性的方法——经常只是玩弄想法
创造性的过程常常会被打断,只是在想法上玩游戏 ●“我想做一些关于X主题的工作” ●“关于X,我知道A、B、C、D和E。” ●“如果我把A和C结合起来,如果我扭曲D,如果J存在,会怎么样?”创造性的方法——经常只是玩弄想法
一个最近的个人例子(创造性的方法)
我协助一个暑期研究学生做一项研究:“增强现实滤镜” ●我们调查了人们对不同类型的滤镜的态度 ●我们调查了两个人的态度 (带/不带过滤器)相互作用
在这个项目的一次会议上,我想到了一个想法: ●我们正在研究人们在许多方面对“增强现实外观”的态度 ●但我不知道一个人会在多大程度上同时出现(例如,你的父母看到你穿着保守,而你的朋友看到你穿着宽松)
我提出了这个问题,我们讨论了这个想法,就这样我们有了下一个研究想法
创造性的方法——必须植根于现实
创造性的方法仍然必须植根于现实/过去的作品
-
你仍然需要呈现一个可信的系统愿景,这个系统有一天可能会存在 -
它不能为了新颖而新颖,不能为了与众不同而与众不同——它还必须具有相关性和可信度
创造性的方法——远远超出了可信的范围
例子:我曾经评审过一篇论文(作为同行评审过程的一部分) 建议如下:
-
在未来,人类的互动将严格限制在(1)繁殖,(2)出于健康原因交换必需的细菌 -
这项工作提出了一种增强现实导航系统,将人类引导到“最适合”他们当前细菌需求的其他人类
作为提交材料的一部分,他们制作了一个模拟演示视频
这项工作在同行评审过程中被普遍拒绝(我和所有其他评审员都说,这远远超出了可以被认为是现实的未来场景的范围/太奇怪了,不可能在HCI会议上发表)。 ●推荐:作者将作品提交给哲学或艺术 而不是另一个HCI场地他们制作了一个模拟演示视频作为他们提交的一部分
我的4个同事对如何选择一个问题进行研究的观点
我对“挑问题”的看法是有偏见的,这与我自己的喜好和以往的经验有关 所以我想,获得不同的意见也会很有趣
同事1
“相信幻想会比现实更好,但不要被说服。”●明显支持哲学/创造性的方法
同事2
“我只对自己说: ●随机/受其他作品、个人兴趣或新技术的启发 ●新鲜感/时间vs精力vs产出” 一种非常务实的方法——从其他作品中获得灵感,创造性地使用新技术(看看它们打开了什么新的门/方向)
同事3
“在我的博士研究中: 它从我已经知道或好奇的事情开始。我有一些基本的了解,获得更详细的信息,并思考一个可能有用的领域。一旦我有了一个或两个想法,我就会重新集中我的文献搜索,寻找更密切相关的论文,看看之前有哪些工作是密切相关的。然后我迭代地接近一个特定的想法,完善假设和实验设计。”
“在我的博士后研究中: 我有更明确的目标和更线性的方法,因为我们正在构建的系统有一些明确的方面需要更多的信息和反馈。所以,更重要的是确定我们在这种特定背景下还不知道的东西,并完善我们如何最好地获取这些信息。”
在选择主题/方向上有创意,在选择问题上有方法
方法上有一个已经确定的研究方向(由利益相关者设定)
同事4
“想法/主题首先:我确定一个我觉得有趣/酷/未开发的主题/空间,然后推测新的可能的研究方向。 然后,通过回顾直接相关和部分相关的文献,我考虑这个想法在现实世界的影响,它是否能解决问题,或者它能回答重要的问题。 然后确定,是否存在最紧迫的问题/探索角度,缩小解决方案空间,直到我确定了一个问题/实验设计,我可以从以前的工作中激发出来。”
从创意开始,随着过程的进行变得更有方法
“问题优先:考虑一个已知的问题,通过文献回顾,与其他专家讨论,或我自己在我的领域的专业知识和缺点。 根据我的兴趣/专业知识推测可能的解决方案。我能以某种方式解决这个问题吗?是否有其他领域的专家,我可以与他们讨论这个问题,以确定其他途径? 指定我们希望研究什么领域/方法来解决问题,然后大致模拟我们期望解决方案如何工作。它将如何改善这种情况? 调查与问题相关的现在缩小的解决方案空间,开始确保所做的每个选择都是基于先前的或新的经验证据。”
方法论的,迭代的,贯穿整个研究过程
但是,也要注意,科学是一个合作的过程
week5
你好。欢迎来到本课程的第五周(也是最后一周)。
本周的内容主要包括数据分析和伦理实验。
预先录制的视频侧重于统计和分析主题。
现场讲座,同时,涵盖了一些额外的分析主题和讨论运行
计算机科学的伦理实验。
注意:在这周的现场讲座中,我们还会有复习课来讨论
给你们一些信息来帮助你们准备考试。
- - - - - -约瑟夫
不计分问题
(a)讨论客观数据和主观数据之间的区别 (b)讨论定性数据和定量数据之间的差异 (c)举例说明定性客观数据 (d)举例说明定量主观数据
2)您开发了一个可视化工具包,以协助大学数据可视化课程的教学。您正在计划一个实验,以调查您开发的工具包在多大程度上帮助选修这门课程的本科生解决课程作业。 (a)说明在这个实验中你是使用受试者之间还是受试者内部的设计,证明你的答案。 (b)确定本实验的一个定量因变量。为本实验确定一个定性因变量。 (c)设计一个封闭式问题,用于捕获在(b)中确定的定性变量 (d)设计一个开放式问题,用于获取(b)中确定的定性变量。 (e)讨论你如何分析你设计的部分问题所收集的数据 (c)及(d)分别
(a)讨论在进行计算机科学研究(例如涉及人类参与者的人机交互研究)时,“知情同意”的含义 (b)描述一名讲师在本科必修课程中使用他所教的学生进行实验时可能提出的两个伦理问题
- END -作者介绍
Shinkai005
公众号:深海笔记Shinkai