科研技能｜科研大牛如何高效阅读文献？

hzqadmin 阅读：18 2024-08-05 19:59:50 评论：0

本文转载自极市平台。

问题：科研大牛们怎么读文献？

https://www.zhihu.com/question/21278186

知乎高质量回答

一、作者：孟凡康https://www.zhihu.com/question/21278186/answer/608002481本文来自知乎问答，仅供学习参考使用，著作权归作者所有

读文献要读人，读典和读新。

科研大牛们读文献的技巧很多时候是指导给学生。很幸运，我的导师在指导学生方面非常尽职尽责，在平时的闲聊之中也教给了我很多的文章阅读方法，同时加上我平时以及总结的文献阅读和获取技巧，希望在这里分享给大家。以下是我这篇回答的主要内容：读文献要读人，读典和读新。1. 如何读人？我的经验2. 如何读典？如何获取经典的文章？3. 如何读新？如果对新的文章进行获取和筛选？

1. 读人

读人是我的导师在与我晚上聊天时，推荐我去进行系统性文献阅读的方法。为什么要读人呢？一个很重要的原因在于，如果只是平时零散的阅读文献，很难去把握一个科研领域发展的脉络。可能不同的领域存在差别，但是很多时候一个领域往往是由为数不多的几个实验室推动的。如果能够对这些实验室的相关文章进行系统性的梳理，那么一定在了解相关领域的发展脉络上有更加深刻的了解，同时还可以通过思考，预测这个实验室未来的发展方向，这对我们布局以后的科研方向具有很好的促进作用。那么如何读人呢？想必不同的人有不同的思路和方法，那么在此我也来分享一下我的方法。就在那晚与导师闲聊之后，我便开始了自己的尝试，我第一个想要读的人是David Liu，是基因编辑、定向进化等领域的开拓者和领导者，是单碱基编辑技术，PACE定向进化技术的开创者。想要系统性的阅读一个人的工作，那么我主要分为了以下三部分：系统性搜寻文章——文章的阅读与归类——文章的分析和个人思考

首先是第一部分：系统性搜寻文章

我个人的经验是，想要去系统的搜索一个人代表性工作，那么谷歌学术的学者页一定是最好的选择之一。谷歌学术搜索David R. Liu，第一个搜索就会推荐这位学者的主页，点进去就可以看到这个人的所有工作，而且可以以两种方式进行排序，一是以时间，可以看到从最新的一篇文章开始到其第一篇科研工作发表的时间内所有文章的先后顺序。第二种就是以引用量才做排序。我一般选择通过时间排序来系统的查阅学者的工作，直到其第一篇博士工作的发表。

无法访问谷歌学术的话，可以考虑访问以下学术的镜像站：https://ac.scmor.com然后我会按照时间线进行浏览，我重点关注以下几点：1. 其研究生阶段所做的研究工作2. 其在独立成为Researcher后的研究方向3. 其发表的重要文章，如引用率高、发表的杂志IF高（例如CNS级别的文章）4. 其在不同时间段研究方向的转变5. 其在重大科学发现前后的工作内容（比如张锋等在2013年前后发表CRISPR-Cas9基因编辑技术前后，David Liu的工作内容）当然对文章有一个大致印象之后，任务就是将相关的文章全部下载下来，你可以通过多种软件进行文章在电脑本地的收集，比如Endnote、Readcube、Mendeley等等，将文章下载之后，这些软件会进行对文章信息的自动标注，我平时用的Readcube。我一共将David Liu的文章下载了180多篇，全部放在了Readcube里面。Readcube的确是一个科研利器。

接下来就是第二部分：文章的阅读与归类

在阅读方面，因为180篇文章实在太多，我会进行先略读，进行归类，然后精读的方法。首先是略读，每篇文章大致只读以下文章题目、摘要、主体内容的背景介绍以及文章中的图表，通过这种方式将文章的研究方向进行归类，比如分为基因编辑和定向进化类。按照研究方向分类是一个很不错的方法，当然你也可以按照不同的时间段进行分类（博士、博士后、Assitant researcher（1999-2004），PI（2005-2010）），都是可以的。进行分类时，除了自己摸索，还可以访问或者阅读这位学者的研究组网站或者其个人的Curriculum Vitae (CV)等等，因为这些资料上往往会有其职位变动和研究方向的信息。在大致阅读完David Liu的工作之后，我将其研究方向分为了一下四点：

同时按照不同的时间点，我将其目前的科研生涯分为了四个时间段，同样是按照以下的标准：1. 其研究生阶段所做的研究工作2. 其在独立成为Researcher后的研究方向3. 其发表的重要文章，如引用率高、发表的杂志IF高（例如CNS级别的文章）4. 其在不同时间段研究方向的转变5. 其在重大科学发现前后的工作内容（比如张锋等在2013年前后发表CRISPR-Cas9基因编辑技术前后，David Liu的工作内容）

在完成对所有文章的大致分类后，就需要对其中代表性的文章就行精读了，精读的时候我会更加关注文章主题的内容，比如方法和结论，但是对于细节的实验数据我一般会自动略过，只关注结论就好。同时文章的Discussion部分，是我另一个关注的重点，这里会有对全文的总结和未来研究方向的展望，这对我们把我一个学者的思考以及研究方向是很重要的。同时我非常建议在这一部分通过思维导图辅助自己对文章进行总结。比如我就以“时间段-研究方向-代表性工作-简短的总结”为基础，把所有的工作一一归类汇总。思维导图的好处在于其可以让我们更加清晰的总结出对应事物的发展脉络。同时还可以增加记忆性，基本完成思维导图后对每一部分的记忆都非常深刻。以下是我个人对于David Liu所有工作的总结：

最后一部分则是：文章的分析和个人思考

最后一部分则是升华的部分，在前面完成了大量的阅读工作后，想必所有人都会具有了一定的思考，这些思考可能是对于研究内容的评价，也有可能是对于未来研究方向的预测。这些也是我们进行读人的意义：理清脉络、看清方向。以下是我对David Liu工作的汇总，我从四个方向对其研究工作进行了总结，包括：DNA-Template Synthesis、Continuous Evolution of Proteins、Macromolecule delivery into Mammalian Cells和The Development and application of Genome Editing tools。

同时我也对其未来研究方向进行了一定的思考，并总结了如下的思维导图：

总体来说，以上三部分的话，第二部分所花的时间是最长的，因为要耗费大量的时间进行阅读、分析以及思维导图的绘制。但是我认为这是值得的，毕竟你花费几天时间的结果是清晰的读懂了一个学者的学术脉络，这对于我们的学术生涯是受益匪浅的。

2. 读经典（或者优秀的文章）

经典的文章的作用我想就不必多谈了，经典的文章能让人明确领悟的发展脉络，或者看到一个领域的过去与未来。这可能是一篇经典的实验结果或者是一篇全面细致的综述。那么什么样的文章才算经典呢？在我的想法中，以下的标准可能能够作为一种参考：1. 本领域内大家一直在讨论的、周围的人（导师、同事等等）一直推荐给你的文章，应该都没有太大的问题。2. 平时要注意关注本领域的一些顶级科学家，比如我所在领域的Chris Voigt，James Collins等等。在谷歌建立的学者页会有列出所有相关的文章，按照引用率的排序，一般引用率比较高的都属于非常好的文章，可以作为经典来读。

3. 同时无论是谷歌学术搜索都会给出某领域或者某杂志的引用率最高的文章排序，这种以引用率为评价标准的一般问题都不大。比如Cell引用率最高的几篇文章：

3. 读新

读新则是对所关注领域的最新进展。在这方面，更多的是利用多种工具进行最新文章的推送。在后面的文章中已经提到了一些方法和工具，我在这里就不在多谈了。这方面我有两点经验：1. 利用文献订阅工具进行最新文献的获取我平时主要的订阅来源只要来自于Google Scholar、Researcher App、Stork以及相关相关杂志网站的订阅服务。Google Scholar不必多说，每天或者每周推送，推送的质量很高，可以按照关键词（人名、领域、杂志等）进行订阅。

关于Researcher APP，我曾经写过一篇回答，专门介绍了这个软件，它可以让我们想浏览朋友圈一样浏览杂志的最新发表文章：https://www.zhihu.com/question/26947029/answer/4458498582. 新文章太多怎么办？利用新闻类和公众号文章进行优秀工作的筛选很多重要的工作有时候你不用主动去查，它会自动找上门来，为什么呢？因为铺天盖地的科研新闻或者公众号文章都会像你介绍这些工作。而这些也就成为了一个重要的文章筛选器。如果你只是想读一下最近的热点工作，不如先试试这些大家普遍关注的工作~你也可以利用Feedly或者搜索引擎的关键词订阅服务，及时的获取相关的资讯。比如Feedly：https://feedly.com二、作者：冲气以为和https://www.zhihu.com/question/21278186/answer/593999044本文来自知乎问答，仅供学习参考使用，著作权归作者所有我是一名普通的研究生，但是属于常年做综合性大工作，每篇工作都争取发顶刊（Nature，Science大子刊及以上）的科研工作者。谈下读文献感受。首先，必须养成每日读并分类3~4篇文章的习惯，天天坚持，这样每年就可以收集整理1000篇以上的paper，这个量是根基。这样才会有几年以后的得心应手，领域门清的感觉。按照上面每年1000篇的节奏，积累两三年就会感觉，文献越读越少。越来越发现领域更新很慢。paper很多，但是真正有意义的凤毛麟角，多数都是微小的improvement，所以跟进领域进展其实很轻松，每两三天茶余饭后刷刷几个子刊正刊就行了。科研做着做着我发现，一旦发过顶刊，再也看不见什么小文章。只会关注一下最近各个Nature或者Science新出的工作，其余小journal，除非有水平跟我差不多的朋友跟我亲自推荐‘这个文章不错，感觉好像投低了’我才会抽时间看一看，否则一般看一眼图就过去了，也没必要仔细看。不排除有好工作在小journal的可能，不过时间会让这些不起眼的工作逐渐发散光芒。做到领域里所有的paper在脑中是以milestone形式体现的，哪篇paper有什么contribution非常清楚，新出的文章归在哪类心里也有数。所以跟进文献不如说甄别和欣赏工作，值得欣赏的工作永远是罕见的。虽然高质量工作往往出现在子刊级别以上，然而journal profile也不代表工作就有意义，很多大组发了很多子刊正刊，其实并不能做到名副其实，让人看了反而也会感到痛心。关于跟进子刊journal要跟进多少种类：这个要看自己工作的area跟多少个子刊有重合度，只要有重合度，就应该关注。判断方式就是看一下每个journal的scope and vision，一般官网都有写，或者总结一下跟自己相关的paper都是哪个大journal出来的，就知道啦。第二个小tip，虽然国内网有限制，但是我还是强烈推荐用twitter。学术用twitter可以事半功倍了解学科前沿。很多科研巨佬，尤其北美都在用，平时会通过推特推广自己工作，他们读到一些好工作也会转推并评论，这样可以很及时地tracking最热门的世界级科研成果，而且都是带着大佬们的insight的。还有个小tip，因为子刊工作都是极有深度而且包罗万象的，所以一般短时间内很难理解到很高的水平。这时候不要着急，大子刊online会伴随很多评论文章（news&views）和新闻的。这些材料写得都非常通俗易懂，通过这些快速理解这些新online工作的contribution，建立联系，是非常高效的办法。如何快速tracking这些材料呢，大家可以看一下有个东西叫Altemetric，这是个衡量文章immediate attention的矩阵，如图：

可以看到news栏下有很多媒体写得评论文章，随意点开哪个都非常通俗易懂，可以快速抓住要点理解工作。如何小白从零入手开始变成：阅读量的问题前面讨论过，不再赘述。现在讨论小白如何在每天坚持做好基本阅读量，快速建立自己的文献网达到高手认知水平。做好如下两方面：1. 跟进新journal，如何跟进，推荐用feedly，一款可以内嵌chrome浏览器的软件软件图标长这样，浏览器一搜就行，安装很方便。每天早上起来不是很忙就可以打开feedly，刷刷自己感兴趣的journal有什么更新。每天早起刷一刷，世界科研动态都知晓，开心不开心~2. 扫清一切旧工作，如何扫，通过google scholar检索关键词就好了，把相关的都下载下来，按照问题或者自己的关键词归类，如何归类？软件推荐用endnote，也有很多人用mendeley，都可以的。endnote我比较喜欢的一点是可以将文献分成一大类和二大类，我习惯把一大类建成项目名字或者一个领域，里面再继续划分n个小类。举个例子，拿做project为例（上个project跟血压相关），我就开了一个第一大类叫blood pressure，第二大类是文章的discussion point。里面其实还有很多二级目录，每个目录里都有几篇，十几篇不等文章归类在里面。其实这个过程就相当于每天读文章，塞到一个个目录里面（充实和完善自己的每个小idea），积累idea和逻辑构建一篇paper。为啥这么干？因为自己在做每篇工作或者project如果仔细分，其实是由无数小idea构成的，每个小idea建立好，idea和idea之间架构cohesive，符合逻辑，自然就是一片strong paper。所以需要扫荡跟自己项目相关的所有文献，不一定要全部读完，但是要通过梳理，直到某个topic明白为止。这样做下来的好处就是，paper积累足够多，往往自己文章需要discuss哪些点，详略如何，也一清二楚了。总结一下，构建一个比较强的领域认知需要做：1. 读足够的量（每天3~4篇不需要多）2. 跟进新工作3. 不断拓宽知识面扫清老工作

原文标题：科研大牛们怎么读文献？

文章来源：极市平台、遥感科研圈

往期精彩

数据分享｜2000-2022年LandScan全球人口数据集下载

数据共享｜中国8km分辨率逐月NDVI数据集（1982-2022年）

数据分享｜我搭建了一个简单的遥感数据下载网站

数据分享｜2013-2023年行政区划数据更新

数据分享｜清华大学发布首套1986-2021年中国30m逐年耕地数据集

数据分享｜1.7亿建筑物高度和12亿建筑物轮廓-微软全球建筑物足迹数据集

数据分享｜1996-2022全球sar卫星数据

数据分享 | CBRA:中国第一个全覆盖且多年度的建筑物屋顶

数据分享 | 武汉大学更新发布2022年30m全国逐年土地覆被数据