How do you write and present research well? Answers to the 20 questions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract At the beginning of this series on how to write and present research, [1,2] we repeated Whitesides's [3] message that working in the laboratory, modelling, designing, and troubleshooting constitute only part of the research effort. Discovery, development, analysis, and reviewing literature is work which is incomplete until you publish it and others cite it. [4] Our questions address specifically how to write and present with greater clarity, which is only one element in the process and includes: (a) acknowledging that you should write and present better; (b) deciding that you want to improve; (c) identify means to achieve this goal—courses and books, for example; (d) dedicating time to practice; (e) finding a coach or some way to get feedback on how you are doing; and (f) implementing what you learn in all written and oral communication. Writing and presenting are indispensable skills for researchers, but for many of us, formal instruction on communication ended in high school or the first year of university. However, universities are now implementing soft skill workshops as part of the offering to new graduate students. Funding agencies recognize the importance of these skills and now require programs in grant proposals (NSERC CREATE, European RECHIND). These resources are most effective when students recognize that they need to improve their skills and also want to improve them. Great musicians, athletes, and Go players practice continually. Furthermore, they have coaches to give them feedback and help them develop strategies. Writing is as complex as these activities and, like with them, we can improve at it continually. [5,6]
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle