Related Works в научной статье и диссертации. Зачем и как искать материалы

В этой статье моей целью было дать краткий обзор интернет-ресурсов, которые могут помочь вам в поиске научных публикаций и их анализе. Перед обзором самих методов я также кратко излагаю, зачем нужен раздел Related Works и в чем его особенность в научных публикациях и диссертациях.

В чем задача Related Works?

При подготовке научной статьи или диссертации необходимо включать описание исследований, актуальных на момент написания материала; это должно представлять собой некоторую сводную информацию об исследованиях в вашей области научного знания.

Такой раздел может быть включен в статью неявно, например, в введении. Также его можно выделять в отдельный раздел под названием Related Works. В русской терминологии есть раздел — аналитический обзор. И да, не литературный, а именно аналитический. Все-таки речь идет о научных исследованиях.

На самом деле, Related Works один из самых не любимых разделов среди студентов, ведь приходится искать и читать чужие исследования, да еще и анализировать (какие недостатки, преимущества и почему вообще это исследование вошло в ваш список). Вместо этого хочется сразу перейти к построению гипотез, моделей и т. д.

Однако если вы только начинаете свою научную карьеру или вы только выбрали тему для диссертации, то аналитический обзор, наоборот, должен стать приоритетом. Ученые часто начинают с обзора того материала, который уже сделан. Во-первых, не придется изобретать велосипед дважды. Во-вторых, если вы не знаете с чего начать, это может быть хорошим стартом.

При оформлении текста публикации часто этот раздел оставляют напоследок. Это скорее связано с желанием сначала структурировать результаты, а затем ясно осознавая достижения, обновить список литературы и процитировать нужные источники. Плюс при подаче в журнал часто приходится адаптировать статью. Добавив пару ссылок на исследования релевантные для журнала, можно облегчить редакторам понимание актуальности и показать соответствие работы профилю журнала.

Итак, в чем же заключается польза от Related Works? Я бы выделил следующее:

• Анализ области научного знания с целью поиска проблематики и формирования общей картины. Если вы в начале своего исследования, посмотрите работы других ученых и постарайтесь понять, что именно уже сделано до вас и как именно вы сможете обогатить мировую науку. В иностранной литературе это называется knowledge gap. То есть Related Works поможет вам в первую очередь оценить степень проработанности вашей темы исследования.

• В данном разделе вы даете читателям краткий обзор области, в которой вы пишете статью или диссертацию (в том числе рецензентам). Прочитав качественный Related Works, они сразу поймут проблематику области и смогут оценить ваш вклад в решение проблем, которые интересуют научное сообщество.

• При подаче научной статьи редакторы могут посмотреть раздел Related Works, чтобы выбрать рецензентов для оценки вашей статьи. Не всегда в научном журнале куда вы подаете статью имеются рецензенты, способные по достоинству оценить ваши старания. Тогда редакторы обращаются к Related Works, рассматривают актуальных ученых из этой области и предлагают им стать рецензентами.

• Также данный раздел позволяет избежать повторения. При подготовке списка источников, внимательно изучив актуальные работы, можно оценить, не является ли ваша новая статья плагиатом чьих-то более ранних работ.

• Инсайты для вашего исследования. Если вы не знаете, с чего начать или застряли на середине пути, то источники, близкие к вашей теме, могут направить вас и дать подсказки, куда стоит продолжать углубляться, а где необходимо сделать шаг назад.

Структура Related Works

Структура Related Works обычно следующая:

1. Несколько предложений об области в целом, в которой вы пишите статью или диссертацию.

2. Далее несколько параграфов про исследования. Здесь я бы рекомендовал не углубляться в конкретику методов, а дать именно характеристику. То есть описать, как именно эта публикация связана с вашей или описать преимущества и недостатки. Для наиболее близких исследований к вашему можно дать специфические для вашей области шаги, которые были сделаны в работе. Это может быть полезно для сравнения вашего метода с уже разработанными, чтобы понять, в чем различие и насколько значимы ваши улучшения.

3. Краткий вывод о том, как описанные исследования могут быть полезны именно в вашей работе и что будет позаимствовано из них или что будет улучшено по сравнению с ними.

Когда речь идет об аналитическом обзоре в диссертации, то здесь предполагается более подробное описание области, нежели в научной статье. Диссертации в целом включают больше текста, чем статьи. Но конкретно в аналитическом обзоре требуется дать не только качественную характеристику, но и количественную. Например, можно указать время выполнения методов или посчитать метрики на ваших наборах данных и сравнить их между собой. В статьях по машинному обучению обычно данный пункт идет в разделе Results. Там вы сравниваете ваш метод с существующими подходами. А качественную характеристику как раз дают в Related Works.

Шаги для написания Related Works

1. Определить цель обзора. Здесь надо понять, что вы хотите показать читателю. Например, если вы хотите показать пробелы в области, то надо искать статьи, которые явно подчеркивают это. Или же можно сосредоточиться на методологии, которую вы используете и показать схожие работы. А можно сделать и то и то.

2. Найти источники, которые удовлетворяют вашим целям из пункта 1.

3. Организовать источники в том порядке, в котором вы будет их использовать. Например, если вы решили сделать обзор методов за последние года, которые как-то продвинули вашу область, то тогда можно отсортировать их в хронологическом порядке. А можно разбить на тематические группы, например если тема связана с генерацией изображений и вы хотите дать обзор этих методов, то логичнее выделить несколько групп моделей: VAE, GAN, нормализационные потоки, диффузионные модели и т. д.

4. Далее для каждого источника необходимо дать краткий обзор. Это может быть цель исследования, его результаты, методология, интересные данные и т. д. Не надо писать подробно, достаточно выделить пару ключевых элементов.

5. Проанализировать полученный обзор конкретных источников и сделать выводы. Здесь следует подчеркнуть недостатки или преимущества, границы применимости, сравнить методы между собой, обобщить результаты. Хочу отметить, что не надо критиковать работы в негативном ключе, скорее требуется дать критический анализ.

6. Выделить аспекты, которые связаны именно с вашим исследованием. Затем добавьте пару предложений об этом либо в конце, либо в самом обзоре, где это наиболее уместно.

7. Перечитать и отредактировать. Если вы поймете что некоторые источники не актуальны к вашей статье или дублируют идеи, то исключите их. Или наоборот добавьте источники, если ощущаете что ваш анализ неполон.

Итог: раздел Related Works полезен не только читателям, но и самому исследователю, дабы оценить текущий вклад научного сообщества или ухватиться за идеи и развить их до полноценной научной статьи.

Теперь пожалуй перейдем к главному, как же все-таки искать материалы? Далее я опишу конкретные ресурсы, которые использую сам и надеюсь могут быть полезны и вам.

Обзор интернет-ресурсов и приложений

Google Scholar

Самый простой и популярный способ — это воспользоваться поисковиком Google Scholar (https://scholar.google.com). В этой базе хранятся большинство научных исследований, в том числе те, которые индексируются в известных базах данных: Scopus, Web of Science и другие. Также там можно найти препринты, тезисы, диссертации, сборники конференций и книги. Если знать что искать, Google Scholar всегда даст вам актуальную подборку научных публикаций. Для Related Works старайтесь брать информацию за последние пять лет.

На рисунке показан интерфейс, ничего сложного, хочу только обратить внимание про специальные символы. Google Scholar поддерживает булеву логику, то есть можно использовать символы AND и OR для поиска публикаций, а в кавычках определяются слова, которые обязательно должны быть упомянуты в публикации. Если таких нет, то Google Scholar просто выдаст наиболее подходящие для вас статьи. Помимо этого удобно копировать ссылки на статьи и искать схожие статьи или публикации, которые процитировали данную. В умелых руках этот инструмент позволяет собрать источники для ваших статей.

Connected Papers и Litmaps

Оба инструмента позволяют быстро построить граф цитирований для выбранной вами публикации. Все что нужно ввести название статьи или doi, выбрать ее в раскрывшемся списке и далее вам будет доступен граф цитирований. Таким образом, вы быстро сможете найти статьи, которые использовали авторы при написании своей работы и сможете увидеть их взаимосвязь.

На Connected Papers, чем больше размер узла, тем больше цитирований у публикации. Цвет отвечает за дату публикации, а в кластеры попадают статьи с наиболее близким содержанием. На графе отображаются статьи и которые цитировали авторы, и те которые процитировали их. (https://www.connectedpapers.com)

Litmaps мне нравится больше. Во-первых в нем больше бесплатных запросов. Во-вторых, граф строится таким образом, что вы сразу видите статьи, на которые ссылались авторы и статьи, которые ссылаются на выбранную вами публикацию. Слева направо сортировка идет по дате публикации, а снизу вверх по количеству цитирований.(https://app.litmaps.com)

Также у меня выбрана настройка, что размер соответствует статьям, которые наиболее влиятельны и получают до сих пор большое количество цитирований. Также Litmaps имеет больше опций для построения графа.

SciSpace

Далее переходим к поисковикам, которые основаны на ИИ и позволяют еще более эффективнее находить публикации. SciSpace (https://scispace.com) — это умный поисковик научных публикаций. На вход необходимо задать тему или примерное название исследования, которое вас интересует. На выходе вы получаете список наиболее релевантных публикаций. Список большой, покажу лишь пример.

А справа есть чат-бот, с которым можно пообщаться на тему публикации. Например, можно спросить о результатах и чат-бот выдаст вам их краткое содержание. Снизу страницы также можно скачать картинки и легко получить ссылку на статью.

Мне этот ресурс очень нравится, сам часто использую. Я думаю он будет полезен всем, кто хочет облегчить себе жизнь в написании Related Works. Самое главное все основные фичи полностью бесплатны.

Consensus и Semantic Scholar

Следующий ИИ-поисковик для научных исследований называется Consensus (https://consensus.app). Также позволяет быстро найти релевантные статьи и получить их краткое описание.

Помимо этого дает расшифровку вашего запроса, в моем случае рассказал мне про типы генеративных моделей и как это можно использовать для временных рядов.

К сожалению большинство полезных фич доступно только по подписке, но для первичного поиска научных работ годится и бесплатная версия.

Semantic Scholar (https://www.semanticscholar.org) также ИИ-поисковик научных публикаций, но наиболее скромный. Статьи выдает релевантные, однако на этом все. По моему мнению уступает SciSpace.

Elicit

Elicit (https://elicit.com) — это продвинутый SciSpace, который включает в себя извлечение данных из публикаций. Например, вы можете легко скопировать данные из таблицы в формате CSV. Также позволяет общаться с чат ботом по выбранным публикациям и тем самым быстрее анализировать статьи.

Также как и SciSpace, Elicit сперва пишет summary (краткую сводку) по вашему запросу. Ниже формируется таблица из публикаций, где вы можете добавить столбцы с нужными характеристиками по текстам публикаций. Например, можно добавить summary по методологии, результатам, определить основные открытия, сделанные учеными в статье. Самый главный минус, что все топовые функции доступны только по подписке. В таком уж мы мире живем, даже для поиска статей надо платить.

Perplexity AI, ChatGPT, DeepSeek, Qwen

Чат-боты — одно из самых лучших решений если вы хотите не только найти статьи, но и разобраться в тематике. С ними можно общаться и обсуждать все что угодно. Однако они полезны и для науки. Встроенные агенты по-типу DeepSearch позволяют искать статьи в интернете. Помимо статей выдают ссылки на ютуб видео, сайты и другие источники.

С современными архитектурами LLM, которые включают reasoning (рассуждалки), поиск статей выходит на новый уровень. Теперь чат-боты могут подумать о том, что вы вообще ищите и для каких целей. Можно загрузить PDF файл и беседовать с ИИ попутно узнавая много нового и интересного. Может даже написать некоторый набросок текста для Related Works. Однако не советую этим баловаться. Во всех топовых журналах проверяют на плагиат, в том числе на использование ИИ.

По моему субъективному мнению лучше всего справился ChatGPT, но остальные модели дали близкие результаты.

Perplexity (https://www.perplexity.ai) радует ссылками на видео лекции и другие ресурсы.

Конечно чат-боты не ограничиваются поиском статей. В современной науке это незаменимый инструмент, который позволяет ускорять рутинные действия и автоматизировать процессы научного познания.

ChatPDF, UPDF

Полезные ресурсы для работы и анализа с PDF файлами научных статей и не только.

ChatPDF (https://www.chatpdf.com) — ресурс, куда вы можете добавить PDF файл статьи, а затем общаться с чат-ботом и обсуждать эту статью. Помимо этого алгоритмы могут вам помочь с ответами на вопросы по тестам или задачам. В целом ничего нового по сравнению с ChatGPT, но для быстрого поиска по статье подойдет.

UPDF (https://updf.com) более продвинутая программа, но все основные фичи доступны только по подписке. Но зато набор полезных инструментов велик: чат с PDF файлом, чат с изображениями, mind map PDF файла, отдельный чат-бот, извлечение всех типов данных из PDF файлов. Также в этой программе полный спектр редактирования PDF файлов, но это отдельная история, скорее приятное дополнение для тех, кто часто работает с PDF.

Итог

Я осветил далеко не все ресурсы. Тем не менее, как мне кажется, приведенные здесь программы остаются вполне актуальными и останутся еще на много лет из-за своего удобства и качества. А развитие чат-ботов и агентного ИИ будет только улучшать поиск и анализ научных публикаций.

Моя финальная мысль относительно всех перечисленных ресурсов заключается в том, что ИИ-ассистенты значительно ускоряют поиск релевантных научных публикаций и помогают быстрее их анализировать, а также извлекать необходимые данные. Для большинства, наверное, посоветую Google Scholar, SciSpace и более продвинутый анализ публикаций с использованием всех обновленных чат-ботов, особенно оснащенных механизмами рассуждения. Остальные программы являются полезным дополнением, но не скажу, что без них нельзя справится с Related Works.

Пишите в комментариях, какие вы используете ресурсы для поиска и анализа научных публикаций.

tg: kirill_zakharov_blog