杜伦大学数据科学论文写作指南

　　与其被 “论文拖延症” 折磨，不如一开始就找对方法，海马课堂论文辅导将会为大家详细介绍数据科学的写作指南，对于有疑问的同学，可以随时与我们的在线客服进行沟通哦。

　　数据科学论文其实可以一句话概括：“为读者而写，而不是为自己而写。”

　　数据科学是一个复杂的领域，其间繁多的算法、性能指标和数据结构，即便对最资深的从业者来说也很难完全掌握。因此，作为作者，你的职责是尽可能帮助读者消化你的研究，在能引导与能澄清的地方主动做引导与澄清。让问题更复杂谁都能做到，而把复杂问题讲清楚、讲简单，才是真正考验功力的地方。

　　I. 引言、正文、结论

　　引言

　　务必以一个引言开篇，告诉读者接下来可以期待什么。关键是让引言足够具体。不要只说你会做文献综述、收集数据、建立模型——而要预告你具体将研究什么、收集什么数据、要建模哪些结构或决策。学术写作与靠延宕情节制造悬念的精彩小说恰恰相反——学术读者不喜欢惊喜。恰当的引言会提供一个框架，帮助读者为后续内容建立结构性预期。

　　正文

　　正文将占据主要篇幅，因此必须清晰地组织结构。事先思考你想传达的关键信息。通常，先写出文本的“骨架”会很有帮助(例如：章节主题、段落目的、每段一句要点)。检查这些信息是否按逻辑顺序排列，并能形成一个连贯的叙事。尽量做到每段只有一个关键信息。没有预设结构与清晰信息，正文就很容易沦为公式、数据结构与实验结果交织的一团乱麻。

　　结论

　　无论是整篇论文、某一章，甚至一个段落，都要以明确的结论或总结收尾。你的读者很可能不会阅读、记住或理解你写下的每一个细节。当然，结论的长度应与其所归纳的对象相称：对于整篇论文，通常是一整章结论;而对一个段落，一句收束即可。以有力的收尾结束，对你的论文至关重要。

　　II. 回顾、解读、解释

　　真正读懂一篇论文是件辛苦的事;读者需要尽可能多的帮助。你作为作者，可能连续数周沉浸在这个主题里，但对读者而言，你的论文很可能只是众多需要略读的文档之一。事实上，极少有人会从头到尾通读你的工作。因此，作为作者，你有责任尽量帮助读者。把你在 10 页之前提到的 ω_t 复述一遍。解释 AUC=0.7 实际意味着什么。说明你为什么要做那个 t 检验。不要假设读者会自己把碎片拼起来——要主动努力，引导你的受众走过你的研究路径。

　　III. 选择适合问题的解决方案

　　在选择技术时，问题应始终起主导作用。追逐本周最火的机器学习新潮很诱人，但它很可能并不是这项任务的最佳工具。首先：

　　(i) 研究你的问题情境;

　　(ii) 定义合适的研究问题;

　　(iii) 设定需求与约束;

　　(iv) 分析你的数据集;

　　(v) 确定成功标准。

　　只有完成了这些，才能就合适的解决方法做出信息充分的决策。客观地说，论文项目通常比日常工作有更多的探索空间——毕竟，有时公司只是想看看某个新东西行不行。尽管如此，也要始终让“问题”驱动“方法”，而不是本末倒置。

　　IV. 开始要宽、结束也要宽

　　数据科学论文往往会在细枝末节上深挖，比如微调超参数或进行大量实验。这本身没有问题。然而，如果你试图解决的问题从一开始就不清楚(问题陈述、情境分析)，或者你的实验结果从未回扣到最初的研究动机(结论、建议)，那么就错过了让研究产生有意义影响的机会。下面这些结构可能有助于把你的工作“翻译”出来：

　　沙漏模型：从企业/社会层面的宏观问题广泛切入，逐步聚焦到技术层面，然后再把结果翻译回管理层面的洞见。

　　双钻石模型：在研究阶段与设计阶段交替进行发散与收敛思考。有意识地安排探索期与聚焦期。

　　你的大部分工作很可能发生在“内容层”(数据收集与清洗、建模、参数调优、实验)。但是，别忘了先搭好舞台，最后以有说服力的“大结局”收尾。

　　V. 明确你的关键指标

　　努力识别能刻画你的研究成功与否的关键指标。为获得平衡视角，通常需要报告多个指标(精准率、召回率、AUC、F1 分数等)。但应避免在缺乏整体解读的情况下仅仅罗列一堆指标。你的欺诈检测模型 98.3% 的准确率听起来很棒，但对其实际可用性说明不多。你的结果表里罗列了上百个指标，很令人印象深刻，但你能用一句话抓住其关键信息吗?与基线模型相比，更高的精准率但更低的召回率算不算改进?要从多个角度深入剖析你的结果，但也务必把关键结论提炼到能放进一条 Twitter 摘要的程度。

　　收尾

　　本文讨论了五条有助于撰写数据科学论文的建议。贯穿始终的原则是：始终把读者放在心上，并在结构、解释与阐释上多做一步，主动为目标读者服务。五条建议可概述如下：

　　引言、正文、结论——在文本的各个层级(论文、章节、小节、段落)保持一致的结构，以引导性提纲或提示开篇，以总结或结论收尾。

　　回顾、解读、解释——成功的论文会引导读者走过你的研究，为你的技术与结果提供有帮助的解释。

　　选择适合问题的解决方案——在选定解决方法之前，务必充分研究问题、情境与期望，让方法契合任务本质。

　　开始要宽、结束也要宽——深入细节完全可以，但别忘了：(i) 清晰勾勒问题情境;(ii) 把主要发现转化为可落地的洞见。

　　明确关键指标——单一指标很少能捕捉分析的全貌，但最终仍需要把研究提炼成若干可消化的数字。