论文合作容易踩坑?学术大咖为你揭秘合作研究中的潜规则

2024-08-29 04:12

本文主要是介绍论文合作容易踩坑?学术大咖为你揭秘合作研究中的潜规则,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

我是娜姐 @迪娜学姐 ,一个SCI医学期刊编辑,探索用AI工具提效论文写作和发表。

图片

知乎上的话题,引发大家热议。因为如今合作发表论文在学术圈越来越普遍了。

图片


随着低垂果实都发表了,大家在自己的领域越做越细分,再加上人工智能等新兴领域的快速发展,要想出大成果,就得跟其他人合作,做一些跨学科综合性的文章。

但是,合作就存在很现实的利益分配问题、双方干活比例分配,合作的好,能发更好的文章,1+1大于2;合作的不顺畅,轻则项目流产,不了了之;重则双方反目成仇,结下梁子。

论文合作要注意什么?有哪些容易踩的坑?

发表了300多篇论文,个人H指数66,有丰富的论文合作经验的弗吉尼亚大学Philip E Bourne教授,总结了10条成功合作的原则,帮你在论文合作中少走弯路:
 

1 在答应合作之前,慎重考虑

问问自己,这次合作真的会对我的研究有所帮助吗?这笔经费是否足以成为寻求合作的正当理由?我是否具备完成拟议任务的专业知我能否按时完成任务?

如果这些问题中哪怕只有一个问题的答案是否定的,那么这次合作就注定要失败。

即使面对的是一笔数目可观的研究经费,或是一次与更知名学者的合作机会。

在一开始说“不”更容易——一段注定失败的合作拖得越久,就越难断绝,最终也会越糟。

可以在参加会议时与潜在合作对象深入交流,慎重考虑合作的方方面面。
 

一开始就明确双方的任务

精心确立合作目标并明确分工至关重要。合作任务通常由资助项目来确定。定期回顾具体目标,并确保完成各自的责任。

在分配任务后,应在工作初期就讨论作者身份的预期。当然,也要留出合作过程中可能的变化留出余地。相应地,讨论调整时间线和最终发表论文的作者顺序。

无论如何,一开始就要对你将从这项工作中获得的预期功劳满意才行。科学史充斥着关于未被承认的贡献的故事。
 

先完成最初设定的目标,再谈其他

科学研究是这样的,每一个问题的解决都会引出一系列新的问题。在没有与合作者讨论之前,不要偏离到这些新问题上,不要改变你的初始计划。

不要一厢情愿认为,他们会和你一样,对你的新想法或创意感到兴致勃勃,甚至激动万分。
 

双方做到公开透明,诚实守信

相互信任的关系对于整个合作过程的顺利推进至关重要。双方共享数据、协议、材料等,并在论文发表前提供查阅。
 

尊重对方,并用行动赢得对方尊重

如果你不尊重合作者的工作,这项合作就不该开始。

因为如果你不尊重地方,就会表现出来。同样,如果他们不尊重你也一样。这些迹象包括:或咄咄逼人,或消极攻击。

比如,按时完成任务应该是你的首要任务。如果无法在之前商定的截止日期前完成任务,请提前通知合作者,这是基本的尊重。
 

及时沟通

与友谊和婚姻相同,与合作者保持顺畅的沟通是确保合作关系按计划进行的最佳方式。如果可能,面对面的沟通总是更好,例如通过旅行与合作者见面,或在参与者将要参加的会议期间安排与合作相关的讨论。通过电话或视频电话会议进行的同步通信优于通过电子邮件。
 

留意双方关系变化,防止恶化

当项目遇到第一个障碍时,新合作带来的兴奋往往很快消散。直接后果可能是逐渐缺乏完成工作的兴趣和专注力。为了避免随之而来的挫折和对对方的怨恨,请给合作者三次机会。可能对方只是因为无法控制的原因而遇到了困难,这也是合作开始无法预料的。

三次机会之后,如果感觉合作无法挽回,就不用再等待,继续前进。
 

始终感谢并引用对方的工作

只要提到初步结果,这一点就适用。清楚表明谁承担了所报告工作的哪一方面。此外,列举你的合作者,也显示出你的社交能力和发展良好的职业人际关系。同行都会非常看重这一点。
 

向有经验的前辈寻求建议

也许你不会遇到导致合作失败的严重困难,但每次合作肯定都会遇到不同的挑战。

要顺利克服这些障碍,可以与合作之外的有经验的同事交流,比如你以前的导师或你所在系的教授。他们会提供有见地的建议,帮助你走出当前危机。危机偶尔也会带来突破,因此,不要轻易放弃合作。
 

10 如果一次合作满意,不要停

你肯定见过,有些合作者多年在一起合作,发表了很多Co-author论文。好的合作关系是这样的:第一篇论文会激发更深入或更广泛的研究,进而发表更多论文。随着对合作者的了解,你会开始了解他们的工作习惯、优缺点,以及各自的知识领域,合作也会越来越默契。

因此,如果第一篇合作论文顺利发表,双方都很满意,不要轻易终止合作。继续推进和交流,碰撞出更多合作成果。

这篇关于论文合作容易踩坑?学术大咖为你揭秘合作研究中的潜规则的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1116807

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

揭秘世界上那些同时横跨两大洲的国家

我们在《世界人口过亿的一级行政区分布》盘点全球是那些人口过亿的一级行政区。 现在我们介绍五个横跨两州的国家,并整理七大洲和这些国家的KML矢量数据分析分享给大家,如果你需要这些数据,请在文末查看领取方式。 世界上横跨两大洲的国家 地球被分为七个大洲分别是亚洲、欧洲、北美洲、南美洲、非洲、大洋洲和南极洲。 七大洲示意图 其中,南极洲是无人居住的大陆,而其他六个大洲则孕育了众多国家和

三国地理揭秘:为何北伐之路如此艰难,为何诸葛亮无法攻克陇右小城?

俗话说:天时不如地利,不是随便说说,诸葛亮六出祁山,连关中陇右的几座小城都攻不下来,行军山高路险,无法携带和建造攻城器械,是最难的,所以在汉中,无论从哪一方进攻,防守方都是一夫当关,万夫莫开;再加上千里运粮,根本不需要打,司马懿只需要坚守城池拼消耗就能不战而屈人之兵。 另一边,洛阳的虎牢关,一旦突破,洛阳就无险可守,这样的进军路线,才是顺势而为的用兵之道。 读历史的时候我们常常看到某一方势

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

无线领夹麦克风什么牌子好用?揭秘领夹麦克风哪个牌子音质好!

随着短视频行业的星期,围绕着直播和视频拍摄的电子数码类产品也迎来了热销不减的高增长,其中除了数码相机外,最为重要的麦克风也得到了日益增长的高需求,尤其是无线领夹麦克风,近几年可谓是异常火爆。别看小小的一对无线麦克风,它对于视频拍摄的音质起到了极为关键的作用。 不过目前市面上的麦克风品牌种类多到让人眼花缭乱,盲目挑选的话容易踩雷,那么无线领夹麦克风什么牌子好用?今天就给大家推荐几款音质好的

负债不再是障碍?银行信贷“白名单“揭秘

谈及银行信贷产品,常闻有言称存在无需考量负债与查询记录之奇品,此等说法十有八九为中介诱人上钩之辞。轻信之下,恐将步入连环陷阱。除非个人资质出类拔萃,如就职于国央企或事业单位,工龄逾年,五险一金完备,还款能力卓越,或能偶遇线下产品对查询记录稍显宽容,然亦非全然无视。宣称全然不顾者,纯属无稽之谈。 银行非慈善机构,不轻易于困境中援手,更偏爱锦上添花之举。若无坚实资质,即便求助于银行亦难获青睐。反

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super