论文发表笔记

论文发表笔记

本文由清华大学教育研究院吴菡同学在教管博党支部与教育博士临时党支部共建活动的经验分享整理而成，分享内容由吴菡同学的写作体会和叶富贵老师《中文学术规范与写作》课程的课程笔记组成。

一个好的idea离不开广泛的阅读，广泛的阅读经典专著和相关研究领域的文献。此外，做到跨学科涉猎，融会贯通，例如社会学、管理学领域的专著， 注意积累理论框架 。其中，阅读经典专著的优先级大于阅读文献。

通过专业书籍、相关课程和在线资源积累研究方法。

此外，关于阅读方法。阅读专著时，忌囫囵吞枣，求量不求质，既要借鉴，也要内化。借鉴即为多做读书笔记，记录经典/独到的观点。（注意记下页码！）内化即为对有价值的观点进行整合，注意对比和延伸。

阅读文献时，做好文献管理，析出核心/经典文献，善用Endnote、NoteExpress等文献管理工具，并对重要文献进行整合（如列出表格）。在读文献时，从标题入手，关注研究方法、理论框架、行文结构（逻辑）、用词（白话or典雅），把握文献的写作节奏。此外，关注文献综述和参考文献，定位经典文献，了解领域概况。学习、模仿经典文献的写法。在引用相关文献时，随手标注出处/页码。

选题时，要有问题意识，并兼顾创新性。所选题目应该具有两个方面的特征，一是可以研究，二是值得研究。

在选题时，着重思考如下问题：

先列提纲（标题），理清章节之间的逻辑关系再写作。此外，在写作之前，确定文章的大概字数，以及每部分所分得的字数，做到各个小节的内容大体相等。

文章标题的作用是高度概括论文主要内容、强调论文的研究方法、突出论文的主旨和核心论点、表明论文研究和写作的目的等。

文章标题的类型包括：描述式、问题式、比较式、对比式等，

好的标题的标准：准确、简练、清晰、陈述明白、引入关注等。

在写作时，可以到知网翻阅与研究主题或使用研究方法类似的文章，模仿别人的标题的形式、用词等。

（部分内容整理自叶富贵老师《中文学术规范与写作》课程）

一个理论能被证明成立，就具备预测、假设和指导作用。理论在于整合存在的“事实”，将这些事实整合并赋予其意义；同一事实可以用不同理论来整合，不同理论就同一事实产生的不同解释和意义，引发更多的研究。所以，在文章中应用的理论，可以起到框架的作用。

定量研究和质性研究都需要依托理论，一方面是提出研究假设、构建分析框架，整合资料、解释资料，赋予资料以意义；另一方面，也能验证理论、回应理论、完善理论，或者生成新的理论。

这里所指的理论不仅是指具体的某一个理论，还可以是多个理论的有机融合，也可以是基于现有理论构建新的理论框架。

值得注意的是，在论文写作中（特别是小论文写作），尽量不要用过于宏大的理论，中层理论和小理论是较好的。

（部分内容整理自叶富贵老师《中文学术规范与写作》课程）

关于研究方法的总的原则是：研究方法（工具）为研究问题服务；了解多种研究方法，选择自己认可的研究范式和自己能够驾驭的研究方法，做规范的研究。

研究方法要注意：1）研究范式；2）研究方法：量化研究、质性研究、混合研究、思辨研究……3）数据收集方法：田野调查、问卷、访谈、观察、政策文本、文献、德尔菲法（专家调查法）……4）数据分析方法及数据分析软件。

（1）文献综述的概念

文献综述是对某一特定主题有关的文献的综合和解释。当你进行文献综述时，你要确定一个研究问题，然后用系统的方法，对期刊文章、书籍和其他文献进行书面总结（这些文献描述了知识在过去和现在的状态），通过搜索和分析相关文献来寻求答案。

文献综述是将文献表达为一个发展线索，一条看得见的清晰的河流，一个理路、进路。文献综述的重点不是罗列文献，而是按照自己的意图、想法把文献排列组合。

（2）文献综述的目的与特征

文献综述的根本目的和目标：1）了解和掌握研究领域和问题的前沿知识；2）了解已有研究的矛盾、冲突、不一致、空白；3）确定自己的研究方向、研究内容，并选择合适的研究方法。

文献综述是制造问题，寻找空隙、发现矛盾，比较、对比、分析不同文献的矛盾、冲突、不一致、空白，分析不同作者、文献之间矛盾和不一致的地方，从而寻找自己研究的空间。

文献综述是评论性的，不是报道性的，而是持批判性立场的批评、辨析。

文献综述的范围：最早的、开创性的；最权威的；研究转向的；最新的；理论的、方法的、问题的、观点的、材料数据的。

（3）文献综述的范式

有3种范式。一是编年式，按照产生时间写，需要把握时间脉络。二是主题式按照子问题的几个方面来写。三是漏斗式，逐渐聚焦，从学科内的普遍性问题向自己研究的问题过渡。

从个人的经验看，可以先按照编年式写，然后改成主题式或者漏斗式。

（4）常见问题

一是罗列堆砌，没有线索理路。文献综述一定要有一个逻辑，例如：归纳、演绎；由大到小，由小到大；由一般到专门；纵的、横的；理论、政策、现象；正反……

二是肤浅表面，没有对文献和问题深入理解。

三是片面偏颇，没有全面系统梳理和分析文献，不当处理文献。

四是引用过多，大段大段引用，或一个文献引用多次。即使引用，也要转换成自己的话来说。

五是评价不当，全面肯定、过度否定都不对。

六是评论过度，文献综述的功能是引出问题，要辨析，但不是论证。也就是说，不需要把自己的观点提出来，只要暗含观点，否则正文就容易没有新的内容和观点表达了。

（内容整理自叶富贵老师《中文学术规范与写作》课程）

论文发表有6点值得参考的地方，一是善于利用课程作业。二是反复打磨 / 隔一段时间再回看。三是重视同行/专家评议。四是了解期刊栏目/特色/层次/审稿周期。五是认真对待审稿人的建议。六是拒稿是常事，要有平常心。

如何将知网的论文笔记导出来？

知网研学平台将某篇文献或者某个专题的所有笔记汇总方法如下：

1、输入搜索主题并获得搜索结果。此时，每页包含20篇文章。

2、将每页显示的搜索结果（文章）数量从20调整到50。

3、在第一页选择全部50篇文章，然后转到“下一页”，全部选择，直到你选择了所有的题录。

4、点击“导出／参考文献”。

5、再次点击“导出”。

6、选择文件夹并点击“保存”。

扩展资料：

cnki的内容包括：

1、分类和统计。

本系统的主要统计内容包括：

A、在中国自然科学和社会科学学术期刊上发表的文献量及其分类统计。

B、被引频次及引文链接和机构的分类统计表。

C、期刊论文作者及其机构发表和引用的文章数统计表。

D、NKI中心网站访问量及IP地址统计表。

2、知识检索。

提供文献检索、数字检索、翻译助理、图形检索等检索服务。

3、专业的话题。

有168个专业学科的数字图书馆。各个领域的学者都有自己的专业知识搜索引擎，热门热点，特色热点话题，学术资源网站的综合导航，学术文献的绩效评估和统计分析。

论文笔记

本篇论文关注的焦点在于多跳问答问题中，对于问题的拆分，在本文中，作者对问题的处理方法是将其分为多个子问题，其中这每个子问题通过一个单跳的阅读理解模型去解决回答问题，最后再将他们合并。将问题拆分作者使用的是对原问题进行跨度分割，根据问题的类型不同进行不同的处理，最后通过一个加权得到最后答案。

作者提出了DECOMPRC，这是一种用于多跳RC的系统，它将多跳问题分解为更简单的单跳子问题。 我们将子问题生成作为跨度预测问题，将模型训练在400个带标签的示例上可以生成高质量的子问题。 此外，DECOMPRC从分解评分步骤中获得了更多收益。 DECOMPRC在HOTPOTQA干扰项设置和完整的Wiki设置方面达到了最先进的水平，同时以子问题的形式为其决策提供了可解释的证据，并且在对抗性设置方面比强大的基线更强大。

回答复杂的问题对于人类来说是一项耗时的活动，需要推理和信息整合。最近在阅读理解方面的工作在回答简单问题方面取得了进展，但是解决复杂问题仍然是持续的研究挑战。相反，语义解析器已经成功地处理了组合性，但前提是该信息位于目标知识库中。在本文中，作者提出了一个新颖的框架，用于回答广泛和复杂的问题，假设使用搜索引擎和阅读理解模型可以回答简单的问题。我们建议将复杂的问题分解为一系列简单的问题，并从一系列答案中计算出最终答案

在本文中，作者提出了一个基于问题分解和与Web交互的新框架，用于回答复杂问题。 作者在此框架下开发了一个模型，并证明了该模型可以提高两个数据集上的复杂QA性能，并使用两个RC模型。 我们还发布了一个新的数据集COMPLEXWEBQUESTIONS，其中包括问题，SPARQL程序，答案和作者的模型收集的Web片段。 作者认为，该数据集将为质量保证和语义解析社区提供服务，推动对组成性的研究，并推动社区为质量保证提供整体解决方案。 在以后的工作中，作者计划对模型进行训练，直接从薄弱的监管（即表示法）中提取信息，并不仅要从网络中提取信息，还要从结构化信息源（例如网络表格和知识库）中提取信息。

在这项工作中，作者专注于复杂问题的语义解析，并提出了一种新颖的层次语义解析（HSP）方法，该方法利用复杂问题的分解性进行语义解析。 作者的模型是基于分解-集成的思想在三阶段的解析体系结构中设计的。 在第一阶段，提出了一个问题分解器，它将一个复杂的问题分解为一系列子问题。 在第二阶段，设计了一个信息提取器来导出这些问题的类型和谓词信息。 在最后一个阶段，将先前阶段生成的信息进行整合，并为复杂问题生成逻辑形式。 最后对复杂的语义复杂数据集COMPLEXWEBQUESTIONS进行了实验，结果表明，与最新方法相比，该模型取得了显着改进。

在这项工作中，作者提出了一种基于序列到序列范式的新颖的分层语义解析（HSP）模型。 实验表明，与以前的几个系统相比，HSP有效地提高了性能。 作者还设计了一种神经生成问题分解器，该分解器比基于拆分的问题分解方法具有更高的性能。 进一步的实验还证明，提出的神经生成问题分解器也受益于HSP机制

用于回答问题的语义解析的最新工作集中在冗长而复杂的问题上，如果在两个人之间的正常对话中提出问题，其中许多问题似乎是不自然的。 为了探索对话式质量检查环境，我们提出了一个更为现实的任务：回答一系列简单但相互关联的问题。 作者从Wikipedia收集了6,066个问题序列的数据集，这些问题序列查询了半结构化表格，总共有17,553个问题-答案对。 现有的QA系统在作者的数据集上进行评估时面临两个主要问题：（1）处理包含对先前问题或答案的共同引用的问题，以及（2）将问题中的单词或短语与关联表中的对应条目进行匹配。

作者提出了这样一个数据集，其中的问题是简单问题但是是有内在关联的，这样的数据集转向了一种更具对话性的多回合方案，在这种方案中，系统必须依靠先前的上下文来回答用户当前的问题。 为此，作者引入了SQA，该数据集由6,066个有关Wikipedia表的相互关联的问题的唯一序列组成，总共有17,553个问题-答案对。 据我们所知，SQA是第一个处理顺序问题解答的语义分析数据集，这是信息访问的更自然的界面

实际Web数据上的机器阅读理解（MRC）通常要求机器通过分析搜索引擎检索到的多个段落来回答问题。 与单通道的MRC相比，多通道的MRC更具挑战性，因为我们很可能会从不同的通道中获得多个令人困惑的答案候选者。 为了解决这个问题，我们提出了一种端到端的神经模型，该模型可使那些来自不同段落的答案候选者根据其内容表示来相互验证。 具体来说，我们联合训练三个模块，这些模块可以基于三个因素来预测最终答案：答案边界，答案内容和跨通道答案验证。 实验结果表明，我们的方法在很大程度上优于基线，并且在英语MS-MARCO数据集和中文DuReader数据集上均达到了最先进的性能，这两种数据集都是为实际环境中的MRC设计的 。

在本文中，我们提出了一个端到端的框架来解决多通道MRC任务。 我们在模型中创造性地设计了三个不同的模块，它们可以找到答案边界，对答案内容进行建模并进行跨通道答案验证。 可以使用不同形式的答案标签来训练所有这三个模块，并且一起训练它们可以提供进一步的改进。 实验结果表明，我们的模型在很大程度上优于基线模型，并且在两个具有挑战性的数据集上均达到了最新的性能，这两个数据集都是为在实际Web数据上的MRC设计的。

判别式问答模型可能过度适合数据集中的表面偏见，因为当任何线索使答案成为可能时，它们的损失函数就会饱和。 我们介绍了问题和答案的联合分布的生成模型，这些模型经过训练可以解释整个问题，而不仅仅是回答它。 我们的问题回答（QA）模型是通过学习先验答案和条件语言模型来实现的，该条件语言模型根据给定的答案来生成问题-在逐字生成问题时允许进行可扩展且可解释的多跳推理。 我们的模型通过在SQUAD和CLEVR基准测试中具有可比性的判别模型而获得了具有竞争力的性能，这表明与以前的工作相比，它是用于语言理解和推理的更通用的体系结构。 该模型极大地提高了从有偏见的训练数据到对抗测试数据的通用性，从而在ADVERSARIALSQUAD上获得了最新的结果

本文提出基于生成模型架构的机器阅读模型，其优化的目标是：给定context，最大化question和answer的联合概率，用概率表示为p(a,q|c)。该概率可以分解为p(a|c)p(q|a,c)。对于这两部分，分别训练两个模型，最后在预测时，遍历所有候选的answer选出最大化联合概率p(a,q|c)的answer作为预测结果。

基于知识库的问题解答（KB-QA）在处理需要分解为子问题的复杂问题时提出了挑战。 这里要解决的一个重要案例是时间问题，需要发现和处理时间关系的线索。 我们提出TEQUILA，这是一种可以在任何KB-QA引擎之上运行的时间QA的使能方法。 TEQUILA有四个阶段。 它检测问题是否具有时间意图。 它分解问题并将其重写为非时间子问题和时间约束。 然后，从基础KB-QA引擎检索对子问题的答案。 最后，TEQUILA在时间间隔上使用约束推理来计算完整问题的最终答案。 与最先进的基准进行比较显示了我们方法的可行性。

TEQUILA将复合时间问题分解为一个或多个非时间子问题（返回候选答案）和一个或多个时间子问题（返回时间约束）。子问题的结果通过相交的答案相结合。 将约束应用于与非时间子问题的结果相关的时间范围。 作者使用从第一原理设计的一组词汇语法规则来分解问题并将其重写为其组成部分
理解复杂问题的组成语义是质量检查的一个公开挑战。 我们专注于暂时性问题解答（KB），这是应付重要信息需求的重要步骤。 我们的方法在最近的基准测试中表现出了提高的性能，并且在一般复杂问题上的表现优于最新的基准。 我们的工作强调了构建可重复使用的模块的价值，这些模块可改进多个KB-QA系统