TopEdit分享 http://blog.sciencenet.cn/u/TopEditor

博文

科研大牛们怎么读文献?

已有 1038 次阅读 2020-8-15 08:53 |个人分类:科研心得|系统分类:论文交流| 文献阅读;论文写作

读文献要读人,读典和读新。

科研大牛们读文献的技巧很多时候是指导给学生。很幸运,我的导师在指导学生方面非常尽职尽责,在平时的闲聊之中也教给了我很多的文章阅读方法,同时加上我平时以及总结的文献阅读和获取技巧,希望在这里分享给大家。

以下是我这篇回答的主要内容:读文献要读人,读典和读新。


1. 如何读人?我的经验

2. 如何读典?如何获取经典的文章?

3. 如何读新?如果对新的文章进行获取和筛选?



1. 读人


读人是我的导师在与我晚上聊天时,推荐我去进行系统性文献阅读的方法。为什么要读人呢?一个很重要的原因在于,如果只是平时零散的阅读文献,很难去把握一个科研领域发展的脉络。可能不同的领域存在差别,但是很多时候一个领域往往是由为数不多的几个实验室推动的。如果能够对这些实验室的相关文章进行系统性的梳理,那么一定在了解相关领域的发展脉络上有更加深刻的了解,同时还可以通过思考,预测这个实验室未来的发展方向,这对我们布局以后的科研方向具有很好的促进作用。

那么如何读人呢?想必不同的人有不同的思路和方法,那么在此我也来分享一下我的方法。

就在那晚与导师闲聊之后,我便开始了自己的尝试,我第一个想要读的人是David Liu,是基因编辑、定向进化等领域的开拓者和领导者,是单碱基编辑技术,PACE定向进化技术的开创者。

想要系统性的阅读一个人的工作,那么我主要分为了以下三部分:

系统性搜寻文章——文章的阅读与归类——文章的分析和个人思考

首先是第一部分:系统性搜寻文章

个人的经验是,想要去系统的搜索一个人代表性工作,那么谷歌学术的学者页一定是最好的选择之一。谷歌学术搜索David R. Liu,第一个搜索就会推荐这位学者的主页,点进去就可以看到这个人的所有工作,而且可以以两种方式进行排序,一是以时间,可以看到从最新的一篇文章开始到其第一篇科研工作发表的时间内所有文章的先后顺序。第二种就是以引用量才做排序。

我一般选择通过时间排序来系统的查阅学者的工作,直到其第一篇博士工作的发表。

无法访问谷歌学术的话,可以考虑访问以下学术的镜像站:

https://ac.scmor.com/

然后我会按照时间线进行浏览,我重点关注以下几点:


1. 其研究生阶段所做的研究工作

2. 其在独立成为Researcher后的研究方向

3. 其发表的重要文章,如引用率高、发表的杂志IF高(例如CNS级别的文章)

4. 其在不同时间段研究方向的转变

5. 其在重大科学发现前后的工作内容(比如张锋等在2013年前后发表CRISPR-Cas9基因编辑技术前后,David Liu的工作内容)


当然对文章有一个大致印象之后,任务就是将相关的文章全部下载下来,你可以通过多种软件进行文章在电脑本地的收集,比如Endnote、Readcube、Mendeley等等,将文章下载之后,这些软件会进行对文章信息的自动标注,我平时用的Readcube。我一共将David Liu的文章下载了180多篇,全部放在了Readcube里面。Readcube的确是一个科研利器。

接下来就是第二部分:文章的阅读与归类

在阅读方面,因为180篇文章实在太多,我会进行先略读,进行归类,然后精读的方法。

首先是略读,每篇文章大致只读以下文章题目、摘要、主体内容的背景介绍以及文章中的图表,通过这种方式将文章的研究方向进行归类,比如分为基因编辑和定向进化类。

按照研究方向分类是一个很不错的方法,当然你也可以按照不同的时间段进行分类(博士、博士后、Assitant researcher(1999-2004),PI(2005-2010)),都是可以的。进行分类时,除了自己摸索,还可以访问或者阅读这位学者的研究组网站或者其个人的Curriculum Vitae (CV)等等,因为这些资料上往往会有其职位变动和研究方向的信息。

在大致阅读完David Liu的工作之后,我将其研究方向分为了一下四点:

同时按照不同的时间点,我将其目前的科研生涯分为了四个时间段,同样是按照以下的标准:


1. 其研究生阶段所做的研究工作

2. 其在独立成为Researcher后的研究方向

3. 其发表的重要文章,如引用率高、发表的杂志IF高(例如CNS级别的文章)

4. 其在不同时间段研究方向的转变

5. 其在重大科学发现前后的工作内容(比如张锋等在2013年前后发表CRISPR-Cas9基因编辑技术前后,David Liu的工作内容)



在完成对所有文章的大致分类后,就需要对其中代表性的文章就行精读了,精读的时候我会更加关注文章主题的内容,比如方法和结论,但是对于细节的实验数据我一般会自动略过,只关注结论就好。同时文章的Discussion部分,是我另一个关注的重点,这里会有对全文的总结和未来研究方向的展望,这对我们把我一个学者的思考以及研究方向是很重要的。

同时我非常建议在这一部分通过思维导图辅助自己对文章进行总结。比如我就以“时间段-研究方向-代表性工作-简短的总结”为基础,把所有的工作一一归类汇总。思维导图的好处在于其可以让我们更加清晰的总结出对应事物的发展脉络。同时还可以增加记忆性,基本完成思维导图后对每一部分的记忆都非常深刻。

最后一部分则是:文章的分析和个人思考

最后一部分则是升华的部分,在前面完成了大量的阅读工作后,想必所有人都会具有了一定的思考,这些思考可能是对于研究内容的评价,也有可能是对于未来研究方向的预测。

这些也是我们进行读人的意义:理清脉络、看清方向。

以下是我对David Liu工作的汇总,我从四个方向对其研究工作进行了总结,包括:DNA-Template Synthesis、Continuous Evolution of Proteins、Macromolecule delivery into Mammalian Cells和The Development and application of Genome Editing tools。


总体来说,以上三部分的话,第二部分所花的时间是最长的,因为要耗费大量的时间进行阅读、分析以及思维导图的绘制。但是我认为这是值得的,毕竟你花费几天时间的结果是清晰的读懂了一个学者的学术脉络,这对于我们的学术生涯是受益匪浅的。


2. 读经典(或者优秀的文章)


经典的文章的作用我想就不必多谈了,经典的文章能让人明确领悟的发展脉络,或者看到一个领域的过去与未来。这可能是一篇经典的实验结果或者是一篇全面细致的综述。那么什么样的文章才算经典呢?

在我的想法中,以下的标准可能能够作为一种参考:

1.本领域内大家一直在讨论的、周围的人(导师、同事等等)一直推荐给你的文章,应该都没有太大的问题。

2.平时要注意关注本领域的一些顶级科学家,比如我所在领域的Chris Voigt,James Collins等等。在谷歌建立的学者页会有列出所有相关的文章,按照引用率的排序,一般引用率比较高的都属于非常好的文章,可以作为经典来读。


3. 同时无论是谷歌学术搜索都会给出某领域或者某杂志的引用率最高的文章排序,这种以引用率为评价标准的一般问题都不大。


3. 读新


读新则是对所关注领域的最新进展。

在这方面,更多的是利用多种工具进行最新文章的推送。 

@冲气以为和在文章中已经提到了一些方法和工具,我在这里就不在多谈了。(小编说话‘冲气以为和’为知乎用户)

这方面我有两点经验:

1.利用文献订阅工具进行最新文献的获取

我平时主要的订阅来源只要来自于Google Scholar、Researcher App、Stork以及相关相关杂志网站的订阅服务。

Google Scholar不必多说,每天或者每周推送,推送的质量很高,可以按照关键词(人名、领域、杂志等)进行订阅。

关于Researcher APP,我曾经写过一篇回答,专门介绍了这个软件,它可以让我们想浏览朋友圈一样浏览杂志的最新发表文章:有哪些适合科研狗的APP?(小编说话知乎上的回答,链接没有加进来,大家感兴趣的可以自己去查阅)

2. 新文章太多怎么办?利用新闻类和公众号文章进行优秀工作的筛选

很多重要的工作有时候你不用主动去查,它会自动找上门来,为什么呢?因为铺天盖地的科研新闻或者公众号文章都会像你介绍这些工作。而这些也就成为了一个重要的文章筛选器。如果你只是想读一下最近的热点工作,不如先试试这些大家普遍关注的工作~

你也可以利用Feedly或者搜索引擎的关键词订阅服务,及时的获取相关的资讯。

比如Feedly:https://feedly.com/


如果您觉得以上内容对您有帮助,请帮我们推荐并分享,您的支持是我们最大的动力!

ijournal:高颜值的期刊检索网站,助您快速找到理想目标期刊(weixin小程序也上线了哦)

投必得:全专业中英文论文润色编辑助力您的论文快速发表,点击了解业务详情



http://blog.sciencenet.cn/blog-3234092-1246429.html

上一篇:信不信你也能360度玩转科研?--投必得(兼职/全职)岗位招聘
下一篇:一小波喜报来袭!投必得助力生物、医学、地球科学SCI论文发表

2 李升伟 郁志勇

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2020-11-27 00:24

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部