撰寫論文

APA、MLA和CMOS風格網站引用的全面指南

在當今的數位時代,互聯網對所有學科的研究者來說都是一個寶貴的資源。隨著數字知識庫的不斷擴展,引用網站已經成為學術寫作的重要方面。然而,從大學生到經驗豐富的研究人員,學者們常常陷入線上資源引用的複雜性中。在這篇文章中,我們將探討數位引文的重要性,並深入探討不同引文風格中引用網站的細微之處。 目錄 1|為什麼要引用網站? 2|識別正確的網站 3|網站引文的組成部分 4|在APA、MLA和CMOS風格中引用網站 5|引用網站與研究論文的區別 為什麼要引用網站? 近年來,隨著互聯網的指數級增長,對線上資源的依賴也在增加。從學術文章和報告到部落格文和社交媒體話題,研究者經常依賴網路資源來支援論點和發現。因此,各種網站上的大量資料已成為跨學科學術寫作的重要組成。從學術文章到論文,研究者經常參考線上資源以瞭解最新的研究動態。 此外,引用網站將研究工作與更廣泛的數位景觀相聯繫,提高了研究者的能見度,可能增加其影響力並促進合作。儘管在當今的數位景觀中,引用網站對於有效傳達研究是必要的,但找到正確的網站以獲取可靠的資訊是至關重要的。 識別正確的網站 在為學術目的收集資訊時,識別可靠和可信的網站至關重要。為確保您來源的品質和準確性,請考慮以下提示: 1.評估網域名稱 以.gov、.edu或.org結尾的網站通常更適合學術研究資料 2.評估作者身份…

如何寫出有影響力的研究問題陳述

什麼是研究問題陳述? 研究問題陳述應簡潔明瞭,有針對性,能精准描述研究專案要解決的議題或問題,且應通俗易懂,確保同專業及非同專業人士均能充分理解。 撰寫研究問題陳述,您應做到以下幾點: 確定一般興趣領域:首先確定您感興趣的一般研究領域。 界定具體問題:將一般興趣領域縮小到具體問題或議題。 解釋問題的重要性:解釋研究問題重要的原因及其對當前知識或認知所填補的空白,進而說明研究問題的背景。 陳述簡潔明瞭:以簡潔明瞭的語言陳述問題,確保目標受眾充分理解陳述內容。 語氣科學客觀:問題陳述應採用中立客觀的語氣,避免任何主觀語言和個人偏見。 研究問題陳述示例 “兒童肥胖症愈加普遍,已經成為一個日益嚴重的公共衛生問題。雖然健康飲食和體育活動的可用資訊眾多,但諸多兒童仍未養成健康的生活方式與行為。本研究所要解決的問題是對兒童健康生活方式與行為的障礙和促進因素缺乏瞭解。” 何時撰寫研究問題陳述? 應在研究過程的初始階段撰寫研究問題陳述,即開始資料收集或分析之前。原因在於研究問題陳述明確定義研究所要解決問題,繼而為整個研究項目奠定基礎。 在研究過程的早期階段撰寫研究問題陳述有助於指導研究設計和研究方法,確保所做研究聚焦於其所要解決的具體問題。此外,還有助於確保研究與所要解決問題的相關性,並填補當前知識或認知的空白。 此外,精心撰寫的研究問題陳述不但可以有效將研究的目的和意義傳達給向潛在資助者、合作者及其他利益相關者,而且可以激發眾人對研究項目的興趣和支持。 另請注意,在研究過程中,隨著新資訊的湧現或研究的不斷進展,研究問題陳述亦逐漸得以完善或更新。正常情況下,人們會根據需要對修改研究問題陳述,以確保陳述簡潔明瞭,且能準確反映當前研究項目重點。…

英論閣與慈濟、三總、北科大合辦論文寫作和投稿工作坊,協助學者克服投稿過程中的挑戰

英論閣與國內三所著名院校——花蓮慈濟醫院、三軍總醫院和國立台北科技大學合作,於4月26日和4月27日舉辦了三場論文寫作和投稿的工作坊,目的是簡化學者的出版之旅,探討論文投稿的技巧和挑戰。與會者學習到如何識別理想的目標期刊,撰寫符合投稿要求的稿件,以及遵循出版道德指南等。講師張家寧教授分享了自己的經驗,提供了大量的案例和建議。 在第一天的工作坊上,張教授詳細介紹了論文寫作和投稿的流程,從計劃和策略、獲取資源和合作者、按計劃精心進行研究、規劃發現,到傳達發現等方面進行了詳細的解析。張教授強調了建立堅實研究基礎的重要性,避免人們對自己的研究問題新穎性的批評和懷疑,此外還強調了數據分析處理的重要性。並提供了許多學生實例,介紹了如何撰寫符合投稿要求的稿件,以及如何遵循出版道德指南。 在第二天的工作坊上,張教授深入分析了掠奪性期刊的特點和危害,透露這些期刊經常模仿頂級期刊的名稱,並加入微小的變化,比如將“and”替換為“&”等。此外,這些期刊還經常虛假地將著名研究人員和編輯列為編輯委員會成員。與會者還提出了各種問題,例如如何提高投稿成功率和如何處理被拒絕的情況。張教授建議參加者在投稿前仔細閱讀期刊的要求,而且建議如果曾經在欲投稿的期刊上發表,可以在投稿時提及,這有助於接受的機會。 講師張家寧教授是傑出的整形醫師,擁有豐富的研究經驗,在其專業領域中貢獻卓著,已發表60多篇同行評審的論文,並獲得同行的廣泛認可。張教授目前擔任南京明基醫院BenQ醫療中心整形外科學術主任,還積極參與學術社群,擔任多家知名期刊的編輯委員會成員,並參與多個研究專案。研究興趣涵蓋廣泛的主題,包括整形外科手術的手術技巧、手術後恢復和再造、細胞和基因治療、再生醫學和組織工程等。 英論閣的使命是幫助非英語母語的研究人員克服語言和文化上的障礙,在國際期刊上發表研究成果。透過這三場工作坊,我們希望提供有價值的實用資訊,協助學者們克服投稿過程中的種種挑戰,以使研究成果能夠被更多人閱讀和認可。

論文引用次數的影響因素深度解析

在當今這個“以引用次數論英雄”的學術評價體系中,廣大科研人員高度關心自己的論著的引用次數。在論文和著作的引用上存在哪些誤區,如何能夠提高引用次數,是本文簡要討論的內容。 學術機構在人員聘任和科研經費資助評審中,日益注重學術研究的影響力,要求科研人員證明自己工作的作用。最廣為人知的評價學術影響力的三種方法是期刊影響因數、論著引用次數、學術委員會等小同行評議。學術評價體系所要追求的效果是論著經受過嚴格的同行評議,並且在發表後能夠受到同行的關注。那麼,在未經同行評議的期刊或出版社發表的論著或發表後沒有被同行引用的論著顯然通常被認為是沒有學術價值的。當然,歷史上也有一些珍寶級的論文在發表後長期未能引起人們的注意。這只能說明這種論文的作者具有超越時代的遠見卓識,從而只能被後世的人們所發現和景仰。例如,1934年1月,文獻計量學家布拉德福發表了“專門學科的情報源”這篇在文獻計量學領域具有重要歷史意義的著名論文。文中首次闡述了科學文獻的分散定律,即著名的布拉德福定律。但是,這篇論文在發表後長期未能引起人們的注意。反過來看,在經過嚴格的同行評議的高影響因子期刊發表的論文或發表後被同行大量引用的論著就肯定具有較高的學術價值嗎?其實亦不儘然。 期刊影響因子簡單來說就是某一期刊的全部論文在某一時段內(例如兩年)被引用次數的總和除以發表的論文的篇數,即篇均被引用次數。一般來講,影響因子越高,對於原創性要求等同行評議審稿標準就越高,論文也越難發表。這就是期刊影響因子較高通常被視為論文水準較高的原因。實際上,期刊影響因子並不能代表單獨某篇論文的被引用次數。因此,期刊影響因子並不能反映具體某篇論文受到同行關注的程度。 雖然論著的引用次數比期刊影響因子更能直接反映某篇作品的被引用次數,但是引用次數並不能代表同行評議的審稿嚴格程度,只是反映出作品受到他人出於“某種原因”的關注。因此,被引用次數的多少也並不等同於論文品質的高低。這就是為什麼諾貝爾獎得主的論文並不總是能夠獲得較高次數的引用,而且很難透過文獻計量學的方法預測誰能獲得諾貝爾獎。 那麼,論文的引用次數究竟多少才算多?據統計,在包括SCI在內的Web of Science資料庫中,引用次數超過1000次的論文不到0.03%。有的學科的論文的零被引用率大約是8%到30%,即某學科或某期刊的全部論文中有8%到30%的論文從來沒有被引用過。顯然,各學科或期刊的零被引用率的浮動範圍很大,不能一概而論。論文在發表當年被引用的次數如果超過1或2次,就算不錯的了。 在論文的多名作者中,每個作者都能在學術能力評價中宣稱擁有相同的被引用次數嗎?換言之,如果一篇論文有10個作者,這篇論文被引用了100次,第一作者、通訊作者和排名第十位元的非通訊作者都能宣稱每人均擁有100次被引次數嗎?答案顯然是否定的。但是,在目前的比較粗糙的學術評價體系中,在計算被引用次數和H指數時,很多單位尚未對作者排名和權重予以區分。這極大損害了作為作品主要完成人的第一作者的利益和作為作品負責人的通訊作者的利益,而且錯誤地獎勵了那些排名靠後甚至掛名的作者和沒有較大貢獻的作者。為了解決引用次數統計中的這種泡沫問題,天津大學生命科學與工程研究院的張春霆院士創造了一種根據作者排序計算帶權重的引用次數的方法。在他的方法中,一名作者的帶權引用次數是論文的引用次數乘以作者的權重係數。作者的權重係數可以按照以下兩種原則計算。當按照榮譽三分原則計算時,將通訊作者和第一作者的權重係數均設置為1,而其他作者的權重係數的總和為1。當按照線性原則計算時,除了通訊作者和第一作者外,其餘作者的權重係數按照作者排序以等差級數遞減。這種方法顯然比不論青紅皂白將所有作者都賦予相同的引用次數的做法合理很多。 有人可能還會問,論文被人引用的原因都有哪些?透過對這個問題的回答,我們也可以看到提高論文引用次數的方法。引用分為自引和他引。自引是論文的作者引用自己的作品。自引能夠維護學術研究的系統性和連續性,增加科研結果的可信度和深廣度,無可非議,只是需要注意在自引時應當有充分的理由。他引的理由通常包括以下四個。 第一,透過文獻綜述來介紹背景或湊足同行評議要求的參考文獻數量。在論文的引言部分草率引用他人工作來介紹研究背景、目的和意義,是青年學生常犯的錯誤,也是很多低水準論文被人大量濫引的原因。導師推薦高水準文獻能夠避免學生濫引。科研人員應當珍惜引用文獻的權利,慎重切題引用,不隨便給其他作者增加引用次數和榮譽。另外,有的科研人員沒有付費的文獻檢索途徑,只能從免費的開放獲取(Open Access)期刊上查找文獻。因此,在開放獲取期刊上發表論文,能夠增加他引次數。但是,很多開放獲取期刊是徵收高額版面費的。從作者希望增加他引次數的角度來看,應當使自己的論文顯得比較系統和全面,具有經典的入門學習價值,或者符合科研熱點。開闢有研究潛力的新方向和提出能夠被人廣泛使用的新方法的開創性論文毫無疑問能夠吸引較多的他引次數。撰寫綜述型論文也能夠增加他引次數。但是,科研人員通常應當在發表了一定數量的原創型論文而奠定了自己的學術地位後,再大量撰寫綜述型論文,否則會被人認為水準不高,權威性會受到質疑。 第二,在結果和討論部分引用文獻進行對比。這種引用通常具有很強的課題針對性。要想增加他引次數,必須做後繼有人的工作,讓後來的研究者沿著自己的工作繼續深耕和對比。寫好論文的標題、摘要和關鍵字,能夠有效增加自己的論文被同行發現、對比和引用的機會。 第三,引用他人論文的結果或結論,為自己的論點提供依據。要想增加這方面的他引次數,必須使自己的論文在完整性(深廣性)上比較出色,並得出比較經典的結論,使後人能夠反復借用。如果為了增加論文數量而將一篇論文拆分成幾篇內容較少的論文發表,可能會降低總的他引次數而得不償失。 第四,闡述別人的錯誤或比較平庸的結果,用來強調自己的研究結果的重要性。對於被引用的作者來講,這種引用屬於被別人批評的負面引用。這種負面引用的次數較多,不是一件光彩的事情。 綜上所述,避免零引用和追求較高的他引次數是提高學術影響力的正確努力方向。但是也需要記住,他引次數受許多因素影響,包括期刊的影響因子、專業領域、論文篇幅、論文性質(原創型論文或綜述型論文)、參考文獻數量、論文發表時間等。論文的他引次數過低或甚至為零,說明論文的品質可能太低,達不到值得被引用的標準,或者科研方向太冷門,研究的人太少。…

撰寫強有力的研究目的或論文主旨句的方法

論文主旨句又稱論題陳述(thesis statement)、研究目的(research objective)。實際上,“研究目的”比“論題陳述”或“論文主旨句”更加廣為人知。本文論述研究目的之寫法。 研究目的包括三部分內容:確定研究課題(topic)即選題陳述,提出疑問(question),提出假說(hypothesis)。在學術論文的幾個結構化部分中,研究目的以不同的形式出現在標題、摘要、引言中,並被結果、討論、結論等部分支援。研究目的並不是結果、討論、結論中的論點。論點是對研究目的中所提問題的回答,而研究目的並不必須使用明確的疑問句形式提問,問題可以隱喻在研究目的中。將研究目的濃縮成1-2行文字,可以作為論文的標題(title)。將研究目的濃縮成一句話,可以進入摘要。將研究目的完整地用幾句話在引言裡說清楚,就構成引言的中間部分或結尾部分。換言之,引言中關於研究目的的句子就是論題陳述(thesis statement)或論文主旨句。 引言的內容需要依序包括以下五個模組——即“五段論”: 研究的背景——指出本研究工作在學科領域中的位置,介紹問題(problem)的產生、該問題在過去和當前的研究進展,即提出問題陳述(problem statement); 研究的理由——指出過去研究工作的缺陷和空白,介紹本研究工作的意義和重要性; 研究的目的——確定研究課題(topic),提出疑問(question)和假說(hypothesis),定義論文的論點範圍——這部分就是論文的主旨句; 研究方法要點簡述——簡要總結論文在方法上的科學性或創新點,且在文字上不與方法部分的論據和論點重複; 研究發現要點簡述——簡要總結論文在發現上的創新點、實用性和主要貢獻(論據和論點),且在文字上不與結論部分重複。 提出疑問和假說是為了策劃論點、論據(例如資料圖表)。如果將研究專案比喻成一個房子,論文的標題或選題陳述(即確定研究課題)就是房子的名稱和門牌號碼,論點就是屋頂,資料或論據則構成牆壁,指導產生資料的假說構成地板,提出的疑問就是地板下面的地基。由此可見,在房屋名稱暨門牌號碼、屋頂、牆壁、地板、地基這房屋的五大元素中,研究目的占了三個,分別是房屋名稱暨門牌號碼(topic)、地基(question)、地板(hypothesis),雖然篇幅不長,但足見其分量之重要。 從上述五段論的寫法,很容易看出作為對整篇論文起導向作用的研究目的或論文主旨句的寫法原則應當包括以下幾條。 主題:研究課題(主題)必須具體清晰,具有確定的範圍和容易管理,不能空泛、籠統、模糊、漫無邊際。…

從部分到整體的有效推論方式——推斷統計

推斷統計學(inferential statistics)是研究如何根據樣本資料推斷總體特徵的方法,是在對樣本資料進行描述的基礎上,對統計總體的未知數量特徵做出概率形式表述的推斷。推斷統計包括總體參數估計和假設檢驗。相比之下,描述統計學(descriptive statistics)研究資料反映客觀現象的特點,並通過圖表形式對樣本資料進行加工處理和顯示,得出規律性數量特徵。 總體(population)是研究物件的整個群體。樣本(sample)是從總體中選取的一部分資料。樣本數量是指有多少個樣本。樣本大小(又稱樣本容量)是指每個樣本包含多少個體。統計量(statistic)指的是關於樣本的測量,而參數(parameter)指的是關於總體的測量。概率樣本的置信區間(confidence interval)是對該樣本的某個總體參數(例如均值)的區間估計,展示的是這個參數的真實值以一定概率落在測量結果周圍的程度。置信區間給出的是被測量參數的測量值的可信程度,即前面所要求的“一定概率”。這個概率即為置信水準,亦稱置信度。置信度b與顯著性水準a之間的關係為b=(1-a)´100%。例如,95%置信度的置信區間意味著,如果你以完全相同的方式用一個新樣本重複研究100次,你可以預期估計值在指定的值範圍內的次數達到95次。以上是相關統計學概念的簡介。下面談一下總體參數估計和假設檢驗。 總體參數估計是指通過樣本對總體特徵進行估計,即如何從局部結果推論總體情況。總體參數估計可分為點估計(point estimate)和區間估計(interval estimate)。點估計是在用樣本統計量估計總體參數時,估計的結果以一個點的數值表示。點估計總是存在誤差的,並且無法指出對總體參數給予正確估計的概率有多大。因此,點估計只能作為一種不精確的大致估計,更好的辦法是對總體參數進行區間估計。區間估計是根據樣本統計量,利用抽樣分佈原理,用概率表示總體參數可能落在某數值區間內的推算方法。在區間估計中,給定置信度,根據估計值確定真實值可能出現的區間範圍,該區間通常以估計值為中心。區間估計的種類有很多,主要包括總體平均值的區間估計、總體百分數的區間估計、標準差和方差的區間估計、相關係數的區間估計等。從構造估計值的方法來看,包括矩法估計、最小二乘法估計、最大似然估計、貝葉斯估計等。區間估計通常需要處理兩個問題:(1)求出參數的估計值;(2)在一定置信度下指出所求估計值的精度。精度用估計值與被估參數之間的接近程度或誤差來度量。例如,由於發動機產品投試樣品的數量通常較少,造成可靠度估計帶有較大的不確定性。使用帶有置信區間或給定置信度(例如90%)的可靠度區間估計方法比使用僅具有50%置信度的可靠度點估計方法更為重要。 在統計學中,通過樣本統計變數得出的差異做出一般性結論,判斷總體參數之間是否存在差異,並且判斷樣本與樣本、樣本與總體的差異是由抽樣誤差(sampling error)引起的還是由本質差別造成的。這種推論過程稱為假設檢驗(hypothesis testing,又稱統計假設檢驗)。抽樣誤差是測量樣本值與真實總體參數值之間的差值,其產生的原因是由於樣本的大小總是小於總體的大小,所以樣本資料無法捕獲一些總體特徵。在假設檢驗中,給定置信度,根據真實值的假設值確定估計值可能出現的區間範圍,該區間通常以假設值為中心。如果計算得到的估計值在此區間範圍內,則接受原假設,否則拒絕原假設。例如,在10個地點進行森林間伐後,樹木的生長速度提高了25%,而在另外10個地點沒有進行森林間伐,要求使用推論統計決定增長率的增加是出於偶然還是真實的。如果假設森林稀疏對樹木生長速率沒有影響,那麼這種假設被稱為零假設。假設檢驗分為參數核對總和非參數檢驗。若進行假設檢驗時總體的分佈形式已知,需要對總體的位置參數進行假設檢驗,稱其為參數假設檢驗。若對總體分佈形式所知甚少,需要對未知分佈函數的形式及其他特徵進行假設檢驗,稱之為非參數假設檢驗。顯著性檢驗是假設檢驗中最常用的一種方法,也是一種最基本的統計推斷形式。其基本原理是先對總體的特徵做出某種假設,然後通過抽樣研究的統計推理,對應該拒絕此假設還是接受做出推斷。常用的假設檢驗方法有Z檢驗、t檢驗、卡方檢驗、F檢驗等。 綜上所述,推斷統計是廣泛用於生物醫學和可靠性工程等概率性(非確定性)分析問題的常用方法,也是學術素養中資料處理方法的重要組成部分。在學術論文中運用推斷統計時,需要注意在“材料與方法”部分對相關概念和假設的應用給出完整嚴謹的論述。  

科學分析中的解釋變數和回應變數

無論對於概率性還是非概率性的問題,所有的科學分析在探索未知的過程中通常都需要建立參數之間的某種因果關係,即某個參數的變化導致另一個參數發生變化。這種參數(parameter)又稱變數(variable)。本文簡述試驗設計中的變數關係。 對於數學函數y=f(x),x稱為引數或獨立引數(independent variable),y稱為因變數(dependent variable),這是因為x值的變化通過某種函數關係導致y的值發生變化。實際上,在自然科學和社會科學領域,大量的因果關係並不能用函數形式或某種數學顯式形式表現出來,但在變數之間確實是仍然存在關聯的。引數又稱為解釋變數(explanatory variable)或預測變數(predictor variable)。因變數又稱為回應變數(response variable)或結果變數(outcome variable)。所謂的解釋變數,其含義為該變數的值的變化能夠“解釋”回應變數的值發生的變化。表達解釋變數與回應變數之間關係的最簡單方式是採用散點圖(scatter plot),將解釋變數放在橫軸(x軸),而將回應變數放在縱軸(y軸),觀察資料點的分佈是否呈現某種明顯的規律或相關性。 人們之所以經常採用“解釋變數”而非“獨立引數”來稱呼引數的原因是雖然有些引數是獨立的,但有些引數是非獨立的(即存在某種依變關係)。例如,漢堡包和可樂的攝入量作為兩個引數,都可以影響體重,但是漢堡包和可樂之間在某些研究情況下是存在一定的依變關係而並不完全獨立無關的。例如,購買了漢堡包的人習慣於再購買一瓶可樂。如果研究的目標參數(因變數)是體重,那麼漢堡包和可樂的攝入量都是引數。在這種情況下,將漢堡包和可樂都稱為解釋變數比稱為獨立引數要更加合理和準確。但是,如果研究的目標參數改為可樂,那麼問題的構造可以改變為:漢堡包是引數,而可樂是因變數。簡而言之,解釋變數是原因,回應變數是結果。 與解釋變數之間的非獨立關係(即依變關係)所不同的另一種關係是解釋變數之間的相互作用(interaction)。如果回應變數相對於第一個解釋變數的變化程度取決於第二個解釋變數的取值,那麼就稱這兩個解釋變數之間存在相互作用。反之,如果無論第二個解釋變數的取值如何,回應變數相對於第一個解釋變數的變化程度都是一樣的,那麼就稱這兩個解釋變數之間不存在相互作用。例如,某種化肥和某種添加劑都對農作物的產量有影響,而化肥和添加劑是互相獨立的解釋變數;當添加劑的用量是1千克時,將化肥的用量從10千克增加到20千克,導致農作物產量從1噸增加到1.2噸,即增加了0.2噸。然而,當添加劑的用量是2千克時,將化肥的用量仍然從10千克增加到20千克,卻導致農作物產量從1.1噸猛增到1.7噸,即增加了0.6噸。這時,化肥用量和添加劑用量就稱為具有相互作用。 研究這類參數之間依變關係的學科稱為試驗設計(Design of Experiments,簡稱DoE)。在試驗設計中,解釋變數被稱為因子(factor),而回應變數被簡單地稱為回應(response)。試驗設計包括單因子問題、多因子問題、單回應問題、多回應問題等。變數按照是否具有隨機性質分為確定性(deterministic)變數和概率性(probabilistic)變數。確定性因子的離散取值稱為水準值(level)。 如果因子與回應之間能夠用具有物理意義的數學關係來描述,就稱這種關係為物理模型,例如立方體的體積等於底面積乘以高度。如果因子與回應之間的關係極為複雜,以至於不能用具有物理意義的數學模型來描述,那麼就需要採用資料擬合(又稱回歸)的方式建立某種關聯,例如顯式的多項式擬合模型或隱式的神經網路模型。多項式擬合模型稱為擬合器(emulator)或回應曲面模型(response…

系統工程的學術圖表製作詳談

學術圖表是指論文或著作中的插圖和表格。插圖和表格之間的主要區別在於表格可以展示具體數值,而插圖利於展示資料趨勢。引用自己過去發表過的或別人已經發表的圖表,不僅需要獲得出版社的版權許可,而且必須注明出處。插圖分為數據圖和示意圖,各有其目的。資料圖則是理工科論文結果部分的主要展示手段,無論對於揭示新的科學發現還是展示新的科研方法,都具有關鍵性作用。因此,策劃資料圖在本質上就是規劃科研成果的在完整性(深廣性)方面的具體內容。本文論述科研成果的核心內容——資料圖的製作方法。 能夠從資料圖上有效準確讀取資料的最大維度是二維,即一個由橫軸(x)和縱軸(y)圍成的平面。如果維度再多,就讀不准了。如果維度再少,則沒有充分利用人眼能夠準確讀取資料的全部空間潛力,即沒有將資料擺放到極致數量。零維是一個點。一維是一條線。二維是一個平面。三維圖(或稱立體圖)由於具有傾斜的透視效果,並不利於準確讀取資料。因此,人們通常將三維圖壓扁轉化為二維等值線圖,將原本屬於在立起來的第3根軸(z)上的數據投射到x-y二維平面上,用一圈圈的曲線表示z方向的等值資料。因此,資料圖的策劃目的就是如何使用x-y曲線圖和x-y-z等值線圖用滿二維平面所能發揮的表達潛力。 任何一個系統,都可以用“輸入-關聯-輸出”來表徵其科學內涵關係。學術論文的目的通常就是揭示輸入如何影響輸出,以及如何描述關聯。例如,對於發動機系統,輸入是燃料流量和環境溫度。輸出是功率和尾氣排放。關聯是發動機硬體或代表發動機硬體的性能計算模型。輸入參數稱為因子(factor)。輸出參數稱為回應(response)。因子通常用x1、x2、x3、…、xk表示,稱為k維因子,構成k維空間。因子中包括可控因子和雜訊因子(noise factor,即不可控因子)。回應通常用y1、y2、y3、…、ym表示,稱為m個回應。回應參數中包括優化目標和約束條件。 如果一個系統是穩態的,不隨時間變化,那麼這個系統的因子和回應就都是與時間無關的狀態參數。但是,很多系統都是具有動態變化的瞬態系統,即與時間有關的動力學系統。這時,時間(t)便成為一個獨特的因子,經常佔據資料圖的橫軸。這就導致在二維平面只能再放另外一個因子。這就是為什麼瞬態系統在資料表達方面非常困難的原因。 如果一個系統可以用確定性假設來描述,那麼它的因子就可以具有幾個離散的水準值。例如,發動機的燃料流量可以是10、20、30等。但是,如果一個系統必須用非確定性即概率性來描述,那麼它的因子就必須使用諸如正態分佈等概率分佈函數來表徵,例如某個參數的製造誤差或發動機的環境溫度變化規律。概率分佈用概率密度函數(probability density function,簡稱pdf)表徵,橫軸是參數取值,縱軸是pdf值,概率分佈曲線上的每一個點表徵該取值出現的機會大小。對於概率性資料,由於pdf值需要佔據一根坐標軸,這也導致在二維平面只能再放另外一個因子。這就是為什麼概率性系統在資料表達方面也非常困難的原因。 大多數的科研工作是穩態和確定性的,這意味著這些工作可以策劃將兩個因子放在二維平面。這時,有兩種作圖方式。第一種方式可以用Microsoft Excel作圖,將x1放在橫軸,將回應放在縱軸,做出一條曲線,此時x2必須固定某個取值。然後,將x2取3~5個水準值,分別做出3~5條曲線。這就是著名的“五線圖”。第二種方式需要用MATLAB作圖,將x1放在橫軸,將x2放在縱軸,將回應值標記在等值線上。這兩種作圖方式都稱為參變數掃值法(parametric sweeping)。它們的特點是將兩個變數像席捲掃描一樣囊括所有因子水準值的組合,這稱為全析因設計(full factorial design)。參變數掃值法對於應付一個或兩個因子是非常簡單、有效和準確的,而且可以從做出的資料圖中直接觀察和讀取最優值,即某個響應作為優化目標時的最大值或最小值,以及對應的一個或兩個因子的取值。 當因子數量超過兩個時,如果仍然使用參變數掃值法做全析因設計,不僅作圖表達會變得非常繁瑣,而且回應參數的計算量也隨著因子數量和因子水準值數量的增加而快速急劇增加,導致實際上無法執行全析因設計。這時,就需要使用部分析因設計(partial factorial…

以定義問題為導向的論文引言“五段論”寫法

撰寫過學術論文的人都知道,在論文的標題、摘要、引言、材料和方法、結果和討論、結論、參考文獻等部分中,引言(Introduction)通常是僅次於摘要的最難寫的部分,以至於很多作者感覺很難把握其寫作標準和元素結構。然而,引言往往是論文中最引人入勝的部分,因為它介紹研究工作的來龍去脈和邏輯思路。因此,引言並不是一個簡單的開場白,而是一個能夠讓論文大放光彩的關鍵部分。本文總結以定義問題為導向的論文引言“五段論”寫法,創立一種標準化學術寫作格式,便於廣大科研人員掌握。 引言相比於論文的其他部分之所以難寫,是因為其他部分能夠在科研專案具體計畫指導下將產生的資料及論據解釋和討論清楚就可以了;而引言則需要撰寫論文的研究背景、意義、重要性和貢獻度,內容範圍鬆散自由,寫作規範不明確,造成撰寫難度較大。因此,論文的作者通常將引言和摘要留到最後撰寫。 “問題”在英文中具有三個含義,分別是課題(topic)、缺陷(problem)、疑問(question)。定義問題的過程就是確定課題、指出缺陷和提出疑問及假說的過程。確定課題是為了限定研究工作和論文的範圍及標題。指出缺陷是為了論述研究工作的意義和重要性。提出疑問是為了策劃論點和論據,以便滿足論文在原創性(創新性)、科學性(正確性)、完整性(深廣性)方面的要求。 期刊的編輯、審稿人和讀者通常會帶著以下五個問題閱讀和評審論文的引言: 這篇論文是否適合在該期刊發表?——定義的課題是否對路 這篇論文是否具有重要的研究意義?——解決的問題是否有用 這篇論文是否具有創新性?——提出的問題是否新穎,是否有足夠多和足夠新的參考文獻支持對相關研究成果的總結 這篇論文是否具有科學性?——解決問題的方法是否合理 這篇論文是否具有完整性?——題目的研究內容在深度和廣度上是否足夠深奧複雜 介紹引言撰寫方法的文章很多,提出的要素五花八門,令人無所適從。論文的作者要麼草率行事,將引言寫成幾句簡單的開場白,要麼生怕遺漏其中的一個要素,卻又不知各要素之間的寫作順序。實際上,引言的內容需要依序包括以下五個模組——即“五段論”: 研究的背景——指出本研究在領域中的位置,介紹問題(problem)的產生、該問題在過去和當前的研究進展;僅需引用與題目密切相關的文獻,無需寫成文獻綜述; 研究的理由——指出過去研究工作的缺陷和空白,介紹本研究的意義和重要性; 研究的目的——確定研究課題(topic),提出疑問(question)和假說(hypothesis),定義論文的論點範圍; 研究方法要點簡述——簡要總結論文在方法上的科學性或創新點,且文字上不與方法部分重複; 研究發現要點簡述——簡要總結論文在發現上的創新點、實用性和主要貢獻,且文字上不與結論部分重複。…

系統工程的學術圖表製作詳談

學術圖表是指論文或著作中的插圖和表格。插圖和表格之間的主要區別在於表格可以展示具體數值,而插圖利於展示資料趨勢。引用自己過去發表過的或別人已經發表的圖表,不僅需要獲得出版社的版權許可,而且必須注明出處。插圖分為數據圖和示意圖,各有其目的。資料圖則是理工科論文結果部分的主要展示手段,無論對於揭示新的科學發現還是展示新的科研方法,都具有關鍵性作用。因此,策劃資料圖在本質上就是規劃科研成果的在完整性(深廣性)方面的具體內容。本文論述科研成果的核心內容——資料圖的策劃方法。 能夠從資料圖上有效準確讀取資料的最大維度是二維,即一個由橫軸(x)和縱軸(y)圍成的平面。如果維度再多,就讀不准了。如果維度再少,則沒有充分利用人眼能夠準確讀取資料的全部空間潛力,即沒有將資料擺放到極致數量。零維是一個點。一維是一條線。二維是一個平面。三維圖(或稱立體圖)由於具有傾斜的透視效果,並不利於準確讀取資料。因此,人們通常將三維圖壓扁轉化為二維等值線圖,將原本屬於在立起來的第3根軸(z)上的數據投射到x-y二維平面上,用一圈圈的曲線表示z方向的等值資料。因此,資料圖的策劃目的就是如何使用x-y曲線圖和x-y-z等值線圖用滿二維平面所能發揮的表達潛力。 任何一個系統,都可以用“輸入-關聯-輸出”來表徵其科學內涵關係。學術論文的目的通常就是揭示輸入如何影響輸出,以及如何描述關聯。例如,對於發動機系統,輸入是燃料流量和環境溫度。輸出是功率和尾氣排放。關聯是發動機硬體或代表發動機硬體的性能計算模型。輸入參數稱為因數(factor)。輸出參數稱為回應(response)。因數通常用x1、x2、x3、…、xk表示,稱為k維因數,構成k維空間。因數中包括可控因數和雜訊因數(noise factor,即不可控因數)。回應通常用y1、y2、y3、…、ym表示,稱為m個回應。回應參數中包括優化目標和約束條件。 如果一個系統是穩態的,不隨時間變化,那麼這個系統的因數和回應就都是與時間無關的狀態參數。但是,很多系統都是具有動態變化的瞬態系統,即與時間有關的動力學系統。這時,時間(t)便成為一個獨特的因數,經常佔據資料圖的橫軸。這就導致在二維平面只能再放另外一個因數。這就是為什麼瞬態系統在資料表達方面非常困難的原因。 如果一個系統可以用確定性假設來描述,那麼它的因數就可以具有幾個離散的水準值。例如,發動機的燃料流量可以是10、20、30等。但是,如果一個系統必須用非確定性即概率性來描述,那麼它的因數就必須使用諸如正態分佈等概率分佈函數來表徵,例如某個參數的製造誤差或發動機的環境溫度變化規律。概率分佈用概率密度函數(probability density function,簡稱pdf)表徵,橫軸是參數取值,縱軸是pdf值,概率分佈曲線上的每一個點表徵該取值出現的機會大小。對於概率性資料,由於pdf值需要佔據一根坐標軸,這也導致在二維平面只能再放另外一個因數。這就是為什麼概率性系統在資料表達方面也非常困難的原因。 大多數的科研工作是穩態和確定性的,這意味著這些工作可以策劃將兩個因數放在二維平面。這時,有兩種作圖方式。第一種方式可以用Microsoft Excel作圖,將x1放在橫軸,將回應放在縱軸,做出一條曲線,此時x2必須固定某個取值。然後,將x2取3~5個水準值,分別做出3~5條曲線。這就是著名的“五線圖”。第二種方式需要用MATLAB作圖,將x1放在橫軸,將x2放在縱軸,將回應值標記在等值線上。這兩種作圖方式都稱為參變數掃值法(parametric sweeping)。它們的特點是將兩個變數像席捲掃描一樣囊括所有因數水準值的組合,這稱為全析因設計(full factorial design)。參變數掃值法對於應付一個或兩個因數是非常簡單、有效和準確的,而且可以從做出的資料圖中直接觀察和讀取最優值,即某個響應作為優化目標時的最大值或最小值,以及對應的一個或兩個因數的取值。 當因數數量超過兩個時,如果仍然使用參變數掃值法做全析因設計,不僅作圖表達會變得非常繁瑣,而且回應參數的計算量也隨著因數數量和因數水準值數量的增加而快速急劇增加,導致實際上無法執行全析因設計。這時,就需要使用部分析因設計(partial factorial…