澳大利亚墨尔本大学的Paul H. Jensen教授近日在 Australian Economic Review 上发表了一篇文章: Choosing Your PhD Topic (and Why It Is Important) ,结合自身经验与多年来搜集的数据,分析了博士课题选择的重要性。 以下是文章中部分观点的节选译文,欢迎免费阅读原文 : http://onlinelibrary.wiley.com/doi/10.1111/1467-8462.12038/full 国际大学许多入学指南都会提到如何选择博士课题,但是这是一个很难给出标准答案的问题。正如 Davis (2001) 所说: … there is no “right topic”. What is hot today may be ice cold by the time you go on the job market. You don’t want to be the nineteenth best paper of the year on a hot topic 。这个 观点切中了要害,我们在选择 博士课题时需要综合考虑多个因素。 现今的博士学位论文,有的厚得像一本书,有的是专注某一主题的研究论文,有的是纯理论,有的是纯实证。很多因素都可能影响博士学位的获取速度,如:学生自身因素(如智力、耐力);学校因素(如提供的支持、博士群体的人数与素质);导师的因素(如能力、对学生的态度、对你所选课题的兴趣);研究课题的选择(如新颖性、重要性、难度)。 攻读博士可能是大部分人学术生涯中最艰难的一步,没有什么能与博士论文通过后自身获得的满足感相较。千万别误以为攻读博士学位只是要完成一篇更大规模的论文,它实际上要困难得多。 Why Choosing Your PhD Topic is Important 能问出“好问题”的博士生可以更快地完成学位。很多人喜欢研究宏大的问题,但事实上三年时间哪里足够?这个误区普遍存在,但事实上,攻读博士学位并不是为了解答世界层面的大问题,而是为了培养你进行独立研究的技能。你不仅要在攻读博士学位期间了解现今和即将可能出现的研究技术,也要对研究过程各阶段形成深刻的理解。因此,如果能研究一个“好问题”,可以让你充分地利用和展示这些技能——清晰地解析问题,解释它为何有趣或重要,利用合适的工具和技术进行研究,回答问题并给出不错的结论——何乐而不为? 有时候,选择一个你能保持热情的研究课题也是个不错的思路。很多学生在攻读博士期间会日益憎恶自己的课题,所以如果选择一个你能保持研究热情的课题很重要。 此外,虽然很难预测大学在接下来的三至五年间会增加哪些学科领域的职位,但它们增加主流学科职位的可能性还是相对较大。所以选择新兴领域的课题对你未来的学术生涯来说存在一定风险,虽然说不准哪天新兴领域会变成主流,但不得不说,这种风险的确存在。 更多精彩观点,欢迎阅读原文: http://onlinelibrary.wiley.com/doi/10.1111/1467-8462.12038/full
博士开题 观其大略 马上开题了,但是,发的几篇文章,做的工作还不系统。 今天开篇,就说开题,整理一下思路 基于博士题目不宜过小,过浅,我就针对高性能仿真技术与复杂系统建模方法学 又基于生也有涯,而时间有限, 我还是把大背景下的工作聚焦在几个点上: 1 专题 奇诺悖论 可计算性 同时事件问题 因果性表示 模糊知识表示 2 形式语言 表达能力 过程并发 时延事件 图论:随机图 事件图 PetriNet CPN 3 仿真技术 Tech Hierarchy test : New time managemet : Asynchronized method call .(future, ActiveOjbect) Distributed facility geared Migration compatible and State Saving : Load Balance Algorithms Distributed-Mobiled-Ballanced More model James Core new ThreadedProcessor add the new paradigms 1 asyn and syn 2 point-to-point or queuing model and publish/subscribe model 4 应用领域 SystemBiology 503topic material science HumanFlesh Search 5 方法(锤子) Dynamic Monte Carlo--- DES (similar to Gillespie algorithm) Mathias PseudoRandomNumberGen Markov Monte Carlo Autometa- DES Bayesian Network semi-Markov