如何撰写一篇研究论文的介绍(introduction)

来源微软
前言:最近需要撰写论文intro,感觉有一些无从下手,因此译了一个帖子来看,总体来说,提的建议都非常中肯有帮助,但是因为它针对的很宽泛的research paper而不是具体某个学科领域,所以具体写的时候,还是结合自己对于学科的理解有侧重的考虑写作内容。如果有什么表述不清楚的地方,建议去看看原文。

论文的intro是什么?

首先introduction总是摆在最开头(欸,不应该是摘要么
intro可以把读者从一般主题领域引导到我们研究的比较具体的主题
它也解释了文章的

  • scope:讨论的主题
  • context:主题的背景
  • importance:为什么研究的主题是重要的(针对某个行业or整个师姐

虽然intro会涉及到很多内容,但是一般只有半页到几页长,长度取决于整体文章的长度
大多数情况下,介绍会比文章所有的sections都要短(好像确实是这样

为什么论文介绍非常重要?

intro对整个论文来说不只是重要!是至关重要
读者只看标题并不知道整个论文是说什么东西,所以intro的作用就来了,一个好的intro能够

  • 帮助读者理解主题的背景
  • 解释为什么文章值得一读
  • 提供文章剩余部分的阅读指南
  • 激起读者的兴趣

论文的intro应该包含什么?

论文的介绍总是独一无二的,毕竟,论文是原创的。但是,intro通常是包含6个重要部分:

  • 主题概述:首先来一个宽泛的总体概述(主题相关),然后缩小范围,直到描述论文的特定主题。然后,提出自己的问题和关心,并在论文中予以解决。(提出问题,解决问题)
  • 前沿研究:intro是一个可以提到其他相关研究的地方,包含其他过去的和最近的研究。这种背景信息表明你已经知悉了前沿研究,还给没有这种专业知识的人介绍了过去的发现。
  • 论文研究的理由:解释为什么论文提出的问题需要被解决。如果能够应用,把主题连接到现有的问题。此外,我们还可以描述过去研究的问题,或者现在研究的不足。无论我们采取怎么样的方式,一个好的理由能够吸引读者,然后展示为什么他们必须读剩下的内容。
  • 阐述使用的方法:重述你的研究过程,使得论文更加可信。列出研究目的,以及将要解决的问题。回顾你是如何组织研究,和量化结果的。以及,解释你做的一些关键选择
  • 论文陈述:intro应该以论文陈述结尾,这一个陈述总结了贯穿论文的核心想法。尽量说的直白简洁。
  • 大纲:intro通常也包含了大纲,快速的描述一下文章剩余部分介绍的东西,把它当作一个地图,把读者引向文章的最后。

取决于你研究的领域,这6项可以着重or着轻描述。
举个例子,一个物理研究论文可能会注重强调方法,但是英文期刊论文可能会更加突出概述

写intro的三个建议

我们不只是想让你知道怎么写intro,我们更想你能写出一个亮眼的intro

  • 最后写intro:intro总结了你从研究中学到的所有东西。虽然速速写完preface会让人感觉良好,但是你还是应该先写完论文的其他部分。然后你会发现,写一个清晰明了的overview非常简单。(这点很重要,俺导师也是这么说的)
  • 包含一个强有力的引文or故事:你希望你论文内容充实,但是那并不意味着它就该让人觉得无聊or扁平,在介绍的开头添加相关的引用or令人惊讶的轶事,会激起读者的兴趣,让他们想要阅读更多。(私以为,一般计算机的学术性论文好像,不是很多这样的故事)
  • 简明扼要:研究性论文会包含复杂的话题。为了帮助读者理解,尽可能写的清晰。使用表述准确的句子。检查令人迷惑的语法or句法,大声朗读intro有助于我们发现一些尴尬的表达。在完成论文之前,一定要再三校对,错误会让我们看起来不专业。

总的来说

intro是读者的指南,它应该列出你的主题,提供一些背景信息,让他们想要阅读更多。

  • 7
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
摘要 驾驶员分心行为是引起交通事故的主要原因之一。本文提出了一种基于Timesformer的驾驶分心行为识别方法。Timesformer是一种新颖的Transformer架构,它可以同时处理时间序列和空间信息。我们使用了Timesformer对驾驶员面部表情、姿态、手势等视频信息进行编码,并将编码结果作为输入,通过神经网络进行分类识别。在公开数据集Distracted Driver Detection(DDD)上进行实验,结果表明,我们提出的方法在准确率和召回率上都超过了传统的基于CNN和LSTM的方法。 关键词:驾驶分心行为;Timesformer;神经网络;分类识别 Introduction 驾驶员在驾驶时可能会受到多种因素的干扰,例如手机、音乐、食品等。这些分心行为往往会使驾驶员的注意力分散,进而降低了驾驶员的反应能力,增加了交通事故的风险。因此,驾驶分心行为识别成为了交通安全领域的一个热门研究方向。 以往的研究中,主要采用了基于图像和视频的传统计算机视觉方法,例如基于CNN(Convolutional Neural Network)和LSTM(Long Short-Term Memory)的方法。这些方法虽然在一定程度上取得了一定的成功,但是它们往往需要人工提取特征,并且忽略了时间序列信息的处理。 为了解决上述问题,本文提出了一种基于Timesformer的驾驶分心行为识别方法。Timesformer是一种新颖的Transformer架构,它可以同时处理时间序列和空间信息。通过对驾驶员面部表情、姿态、手势等视频信息进行编码并将编码结果作为输入,我们通过神经网络进行分类识别。我们在公开数据集Distracted Driver Detection(DDD)上进行了实验,并将实验结果与传统的基于CNN和LSTM的方法进行了比较。 Method 本文提出的方法主要分为以下三步: (1)Timesformer编码 我们使用了Timesformer对驾驶员视频信息进行编码。Timesformer由一组Transformer块组成,每个块由多头注意力机制和密集连接层组成。通过多头注意力机制,Timesformer可以自适应地为不同的时间段学习不同的空间特征,进而提取更加丰富的信息。 (2)分类器训练 我们使用了结合了SpatialDropout和GlobalAveragePooling的ResNet作为分类器对编码结果进行分类识别。在训练过程中,我们使用了categorical_crossentropy作为损失函数,并使用了Adam优化器进行反向传播。我们还使用了early stopping技术避免过拟合。 (3)实验设置 我们在公开数据集Distracted Driver Detection(DDD)上进行了实验。该数据集包含了26,000个驾驶员的视频,其中包含了10个不同的分心行为,例如使用手机、调整收音机等。我们随机将80%的数据作为训练集,10%的数据作为验证集,10%的数据作为测试集。 Results 通过与传统的基于CNN和LSTM的方法进行比较,我们得到了以下实验结果: (1)准确率 使用Timesformer方法的准确率为93.8%,而传统的基于CNN和LSTM的方法的准确率为90.5%。 (2)召回率 使用Timesformer方法的召回率为93.2%,而传统的基于CNN和LSTM的方法的召回率为88.4%。 Conclusion 本文提出了一种基于Timesformer的驾驶分心行为识别方法。通过使用Timesformer对驾驶员视频信息进行编码,并结合使用SpatialDropout和GlobalAveragePooling的ResNet对编码结果进行分类识别,我们在公开数据集DDD上实现了较好的分类效果。与传统的基于CNN和LSTM的方法相比,我们的方法在准确率和召回率上都有所提升。未来,我们将进一步优化模型,并在实际场景中测试该方法的性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值