博士科研指南
本篇文章属于 读书笔记 的摘抄记录
项目地址：https://github.com/HKUSTDial/Supervisor-Skills
如何评价一篇论文的质量
在科研过程中，我们需要做一个思路的转变：很多学生通过如何写论文的角度来评价论文的质量，但对于刚入门的学生来说，不必过早纠结于如何评价一篇论文对学科发展的深远影响，因为这类评价需要长期的学术积累和对领域的深入了解。
实际上，一篇论文的价值不仅仅体现在它是否能在学术上有所突破，还体现在它是否能够被其他学者和研究人员“读得懂”并且接受。论文的目的是让别人能够理解并从中获得价值，因此我们可以从读的角度（或者审稿的角度）来评估论文的质量。
审稿人希望看到的：
- Novel Problem：新问题，尤其是定义一个有用的新问题
- Novel Method：解决旧问题或新问题的新颖有效的方法
- Nice Story：好的写作、吸引人的故事、逻辑性强
- Nice Presentation：排版美观、插图漂亮，避免低级的语法、排版、拼写错误
审稿人讨厌看到的：
针对传统问题，仅简单组合现有方法
即便面对新问题，也不宜直接套用领域已有的方法
展示效果差：逻辑、写作、图表
实验：缺乏强有力的基线（baseline），设置不当
Idea
每一篇论文的 Idea 都是有其生命周期的。如果在这个时间框架内你无法完成代码编写、实验设计和论文撰写并及时投稿，那么这个 Idea 很可能会过时，最后导致论文难以发表，前期投入也付之东流。
Idea 的生命周期就像一个沙漏，它有明确的时间限制。基于这个生命周期，你需要考虑如何选择合适的课题。如果你选择了一个热门的 Idea，那么你必须确保自己在编码、实验设计和论文撰写方面的能力足够强，能够在短时间内完成所有必要的工作。热门领域的竞争激烈，技术更新也很快，所以时间的管理和执行力尤为重要。
| Idea类型 | 生命周期 | 适合的学生类型 | 说明 |
|---|---|---|---|
| 应用型研究 | 短期（3-6个月） | 编码扎实、快速执行、能够迅速实现实验的学生 | 这些学生需要能够快速编码、调试、进行实验，并在短时间内撰写论文。通常适合有快速应用需求的技术性强的研究课题。 |
| 基础理论研究 | 长期（6-12个月） | 理论基础扎实、能深入思考的学生 | 适合那些具备扎实的数学、理论基础，能够进行较长时间推理论证和模型构建的学生。需要较深的思维和持久的努力。 |
| 跨学科研究 | 中期（6-9个月） | 从其他学科转来计算机的学生 | 这类学生可能具备跨学科的视角，适合那些需要不同领域知识的研究项目，尤其是在科技和人文学科的交叉点。适合投稿到HCI领域的期刊或者会议（CHI等）。 |
| 前沿探索型研究 | 短期到中期（3-9个月） | 理论和实验能力兼具、具备较高自主学习能力的学生 | 适合那些既能进行快速实验又能够深入理论分析的学生，特别是涉及最新技术或快速发展的研究领域。需要快速适应变化。 |
| 数据密集型研究 | 中期（6-12个月） | 数据分析能力强、编码扎实、能处理大量数据的学生 | 适合那些擅长数据分析、算法和模型实现的学生。需要有良好的数据处理能力，快速迭代实验和模型设计。 |
| 创新性技术研究 | 长期（12个月及以上） | 基础功扎实、愿意挑战现有理论与技术的学生 | 适合那些具备深厚的学术基础，能够进行跨领域创新的学生。需要较强的逻辑思维与实验设计能力，能够独立推进较长周期的项目。 |
想Idea的思路
不要拿着“斧头”（解决方案）去找“木头”（研究问题）
在计算机科学与数据智能领域，很多时候我们并不是去开创一个全新的问题，这属于“Disruptive”的颠覆式创新，可遇不可求；而是针对一个已有的重要问题提出改进方案，这属于“Incremental Innovation”的渐进式创新。
当你面对一个已经有 General 方法的 Baseline 时，如何系统性地寻找切入点（Idea）？你可以借鉴奥林匹克精神“更高、更快、更强”，并结合计算机系统的特性，扩展为五个维度的思考框架。
| 维度 | 核心目标 | 常用切入点策略 | 典型应用场景举例 |
|---|---|---|---|
| 更高（Higher） | 提升准确率与效果 | 信息或模态补全、反馈驱动优化、错误根因分析 | 引入领域知识补全 Text-to-SQL 输入；利用编译器反馈修正代码 |
| 更快（Faster） | 提升效率与降低开销 | 缓存与经验复用、并行与解耦、动态路由 | 检索复用 Agent 历史轨迹；多 Agent 并行处理解耦任务 |
| 更强（Stronger） | 提升鲁棒性与泛化能力 | 抗噪与容错设计、异常恢复机制、解耦表征 | 意图澄清模块处理歧义输入；API 调用失败时的自动重试 |
| 更省（Cheaper） | 降低数据与标注成本 | 自动数据合成、主动学习、知识蒸馏 | 利用大模型生成训练数据；提取推理过程微调小模型 |
| 更广（Broader） | 跨界与通用性扩展 | 跨领域思想移植、抽象与统一框架 | 引入数据库优化器思想优化 Agent 规划；提出通用数据分析框架 |