Pular para o conteúdo principal

How to write a great research paper -Vídeo

 Link -> https://youtu.be/VK51E3gHENc


Escrever e Pesquisar devem acontecer concomitantemente e não sequencialmente pq o objetivo de escrever não é meramente reportar o resultado da pesquisa e sim estruturar a mesma, desenvolver a ideia. Apresente em workshops mesmo com resultados preliminares e iniciais. Em Ciência da Computação não estaríamos competindo, diferente de outras ciências.

Motivos: 

• Forces us to be clear, focused
• Crystallises what we don’t understand
• Opens the way to dialogue with others: reality check, critique, and  collaboration

Identifique o ponto chave da pesquisa para escrever sobre isso. Escreva de modo a tornar pública e reutilizável. Debata sobre a ideia com outras pessoas. A ideia não precisa ser "fantástica" mas deve ser clara. 

Sobre a ideia: 

• Your paper should have just one “ping”: one clear, sharp idea
• You may not know exactly what the ping is when you start writing; but you must know when you finish
• If you have lots of ideas, write lots of papers
• Many papers contain good ideas, but do not distil what they are.
• Make certain that the reader is in no doubt what the idea is.  Be 100% explicit: "The main ideia of this paper is ....", "The main contribution of this paper is ..."

 A explicação sobre a ideia deve seguir um fluxo que facilite a leitura. O problema deve ser apresentado como motivador para a ideia e deve ser interessante, útil para algum público

Imagine you are explaining at a whiteboard
• Here is a problem
• It’s an interesting problem
• It’s an unsolved problem
• Here is my idea
• My idea works (details, data)
• Here’s how my idea compares to other people’s approaches

O número de leitores vai caindo, depende de quanto vc prende a atenção deles e do quanto o problema a ser solucionado os interessa

• Title (1000 readers)
• Abstract (4 sentences, 100 readers)
• Introduction (1 page, 100 readers)
• The problem (1 page, 10 readers)
• My idea (2 pages, 10 readers)
• The details (5 pages, 3 readers)
• Related work (1-2 pages, 10 readers)
• Conclusions and further work (0.5 pages)

A Introdução deve descrever o problema (motivação) e as contribuições do trabalho em uma página. Não use "The rest of this paper ...." na Introdução. Use um exemplo interessante para ilustrar o problema. Apresente o exemplo dentro do contexto. Exemplos devem vir antes do caso geral. 

Introduce the problem, and your idea, using EXAMPLES and only then present the general case

Liste as contribuições com bullets e escreva de modo que possam ser provadas ou até refutadas. Cada contribuição deve ter associadas as evidências dentro do artigo. As sessões sobre a Solução e a Prova da Solução devem referenciar as contribuições listadas, não deixar subentendido. Evidências podem ser dados, argumentação, teoremas, métricas, estudos de casos, etc .. 

Trabalhos relacionados devem ficar para o final pq é possível estabelecer o argumento de comparabilidade. Mesmo que na pesquisa essa seção seja escrita antes já que é importante buscar como outras propostas pretendem resolver esse mesmo problema que a sua ideia está solucionando. Se colocar no início cansa o leitor pq ele não tem muita informação sobre o problema ainda. Não é necessário "denegrir" as propostas dos demais para destacar as suas. E nem necessário esconder as fragilidades da sua proposta. 

Deixe pessoas lerem seu trabalho mesmo que não sejam especialistas. E aproveite os feedbacks da primeira leitura. Deixe claro que a maior contribuição virão das críticas de conteúdo e não só dos problemas gramaticais, peça para apontarem "onde se perderam". 

Leve todas as críticas de revisores em consideração, são críticas sobre o trabalho e não sobre você.

Treat every review like gold dust Be (truly) grateful for criticism as  well as praise
Read every criticism as a positive suggestion for something you could explain more clearly




 

Comentários

Postagens mais visitadas deste blog

Aula 12: WordNet | Introdução à Linguagem de Programação Python *** com NLTK

 Fonte -> https://youtu.be/0OCq31jQ9E4 A WordNet do Brasil -> http://www.nilc.icmc.usp.br/wordnetbr/ NLTK  synsets = dada uma palavra acha todos os significados, pode informar a língua e a classe gramatical da palavra (substantivo, verbo, advérbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descrição do significado É possível extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressões com o mesmo significado) formando uma REDE LEXICAL. Com isso é possível calcular a distância entre 2 synset dentro do grafo.  Veja trecho de código abaixo: texto = 'útil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'útil' print('ADJ:', wordnet.synsets(texto, lang='por', pos=wordnet.ADJ)) print(wordnet.synset('handy.s.01').definition()) texto = 'computador' for synset in wn.synsets(texto, lang='por', pos=wn.NOUN):     print('DEF:',s

truth makers AND truth bearers - Palestra Giancarlo no SBBD

Dando uma googada https://iep.utm.edu/truth/ There are two commonly accepted constraints on truth and falsehood:     Every proposition is true or false.         [Law of the Excluded Middle.]     No proposition is both true and false.         [Law of Non-contradiction.] What is the difference between a truth-maker and a truth bearer? Truth-bearers are either true or false; truth-makers are not since, not being representations, they cannot be said to be true, nor can they be said to be false . That's a second difference. Truth-bearers are 'bipolar,' either true or false; truth-makers are 'unipolar': all of them obtain. What are considered truth bearers?   A variety of truth bearers are considered – statements, beliefs, claims, assumptions, hypotheses, propositions, sentences, and utterances . When I speak of a fact . . . I mean the kind of thing that makes a proposition true or false. (Russell, 1972, p. 36.) “Truthmaker theories” hold that in order for any truthbe

DGL-KE : Deep Graph Library (DGL)

Fonte: https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef Amazon recently launched DGL-KE, a software package that simplifies this process with simple command-line scripts. With DGL-KE , users can generate embeddings for very large graphs 2–5x faster than competing techniques. DGL-KE provides users the flexibility to select models used to generate embeddings and optimize performance by configuring hardware, data sampling parameters, and the loss function. To use this package effectively, however, it is important to understand how embeddings work and the optimizations available to compute them. This two-part blog series is designed to provide this information and get you ready to start taking advantage of DGL-KE . Finally, another class of graphs that is especially important for knowledge graphs are multigraphs . These are graphs that can have multiple (directed) edges between the same pair of nodes and can also contain loops. The