1. Lea los documentos de investigación relevantes sobre su tema de investigación en cuestión
2. Resúmalos en tus propias palabras (puedes consultar la sección Conclusión de esos documentos de referencia)
3. Identifique el punto o área específica donde la investigación previa se atascó o aún tiene margen para mejorar sus resultados
- ¿Cómo es trabajar en DE Shaw Research? ¿Cómo son la estructura administrativa, el horario de trabajo y la cultura?
- Al elegir un proyecto de investigación, ¿deberían los académicos preguntarse "este será un artículo que los científicos continuarán citando dentro de 10-20 años"?
- ¿Es REU la única opción para la investigación de pregrado?
- ¿Cuáles son algunos de los principios científicos intuitivos contrarios más intrigantes?
- ¿Cuánto no sabemos sobre los océanos?
4. Estos puntos o áreas identificados se denominan vacíos de investigación, en los que debe centrarse para avanzar en la investigación.
Ahora, tengamos un ejemplo concreto. Digamos que su amplia área de investigación es sobre predicción / pronóstico del tiempo.
Supongamos que comenzaste a leer los últimos artículos en este campo y finalmente llegaste a la conclusión de que la mayoría de los autores hablan de construir un ANN con múltiples parámetros climáticos como variables de entrada.
En una ANN, algunos pesos predefinidos están asociados con cada una de las variables de entrada. Aprendiste que todo lo que necesitas hacer es crear el mejor modelo ANN posible (con la tasa de error más baja posible).
Además, existen algunos buenos algoritmos que podrían usarse para entrenar su modelo ANN. Cada uno de estos algoritmos cambia los pesos de entrada e intenta derivar una función de salida. Esta función de salida podría usarse cuando desee predecir (probar su modelo) algún parámetro climático (digamos lluvia) dados todos los parámetros climáticos actuales.
También descubrió que un modelo ANN necesita ser entrenado continuamente (a medida que aparecen nuevos datos de entrenamiento, es decir, datos climáticos) para minimizar la tasa de error, pero ahora está atascado porque entrenar un modelo ANN lleva mucho tiempo (si el entrenamiento está configurado es bastante grande) Digamos que entrenar a un modelo lleva 2 horas y sus nuevos datos llegan cada hora. Por lo tanto, no es una forma posible de hacerlo de manera continua (cada hora).
Esto es lo que encontró como su brecha de investigación. Ahora, puede comenzar una investigación para llenar este vacío.
Por cierto, podría estar equivocado en algún lugar en todo el ejemplo, por favor ignórelo por un momento ya que es solo un ejemplo 🙂
Las brechas en la investigación de PS también pueden ser algo que no ha sido cubierto o que otros autores no han prestado atención completa en su investigación anterior u original. Estos problemas ignorados o ignorados podrían abrir una nueva forma de llevar la investigación en cuestión del punto A al B, lo que se consideraría una contribución importante de su parte.