Pytanie:
Po co są badania inżynieryjne, które nie mają praktycznego znaczenia?
Norman
2017-08-23 06:31:23 UTC
view on stackexchange narkive permalink

Jestem doktorem student, który obecnie prowadzi badania w czołowej szkole inżynierskiej w Ameryce Północnej.

Coraz bardziej zblazuje mnie fakt, że spora część badań przeprowadzonych na moim uniwersytecie, a także publikacji na konferencjach inżynierskich wydaje się mają bardzo ograniczone znaczenie praktyczne i nie stanowią próby rozwiązania problemów związanych z wdrażaniem. Wydaje się, że wiele z tych artykułów zostało opublikowanych tylko ze względu na to.

  • Jednym rażącym przykładem jest energetyka. Metodologie proponowane przez niedawnych absolwentów energetyki są tak daleko idące od praktycznego wdrożenia, że ​​nasuwa pytanie, dlaczego takie badania powinny być kontynuowane.

    Władza jest dziedziną bardzo krytyczną dla bezpieczeństwa: ludzie mogą umrzeć po trwa zbyt długo bez zasilania ( przykład w punkcie), a sama branża podlega ścisłym regulacjom rządowym. Algorytmy zaproponowane przez myresearch oraz wiele podobnych algorytmów całkowicie ignorują takie rzeczy, jak gwarancje bezpieczeństwa. Ponadto jest wysoce nieprawdopodobne, aby pracownicy rządowi w branży energetycznej polegali na jakimś algorytmie motywowanym biologicznie lub opartym na uczeniu się, aby zapewnić zasilanie milionom osób. Istnieją dziesiątki lat dobrze regulowanych rynków energii!

  • Ale moc to tylko jeden z wielu przykładów. Przeczytałem wiele artykułów na temat przetwarzania sygnałów i teorii sterowania. Większość artykułów jest całkowicie oparta na matematyce i dowodach; proponowane przez nich metody są tak matematyczne, z niezwykle ograniczoną solidnością lub gwarancjami bezpieczeństwa, itp. Badacze ci są bardziej zainteresowani epsilonami i deltami niż tym, jak ich proponowane metody mogą być realistycznie wdrożone w samochodach lub telefonach komórkowych.

    „Implementacja” w dzisiejszych czasach to tylko symulacja MATLAB-a, kilka równań i wykres. Nawet podczas studiów licencjackich widzieliśmy, jak trudno jest z niego wyjść symulacja rzeczywistego oprogramowania / sprzętu, z którego ludzie mogą korzystać. Z łatwością mogę Wam pokazać wysoce techniczne prace z tych dziedzin, opublikowane przez ludzi, którym nawet nie zależy na czytelności ich notacji, nie mówiąc już o praktycznej implementacji.

  • Jest więc uzasadnione pytanie, dlaczego ktokolwiek miałby kiedykolwiek korzystać z tych wysoce teoretycznych i obciążonych założeniami wyników badań. Nie jest jasne, co „sygnał o małym wzmocnieniu musi należeć do przestrzeni Hilberta na przedłużonej półprostej” w rzeczywistości oznacza w projektowaniu pamięci podręcznej. Co więcej, w wielu dokumentach nie ma żadnej wzmianki o praktycznej implementacji algorytmów, więc nie wiadomo, czy ktokolwiek rzeczywiście byłby w stanie wykorzystać te wyniki badań.


Ostatecznie badania inżynieryjne są wykorzystywane do tworzenia nowych technologii, które obiecują poprawę życia ludzi. Jednak w tym momencie nie wiem, w jaki sposób „oparty na echolokacji nietoperz algorytm meta-heurystyczny do wysyłania generatorów jądrowych” mógłby przynieść korzyści każdemu.

Moje pytanie sprowadza się więc do tego, w jaki sposób jako badacze powinniśmy próbować wypełnić lukę między wysoce matematycznymi, wysoce teoretycznymi współczesnymi badaniami inżynierskimi a praktycznym wdrażaniem wyników badań. Po co są badania inżynieryjne, które nie mają praktycznego znaczenia?

Komentarze nie służą do rozszerzonej dyskusji;ta rozmowa została [przeniesiona do czatu] (http://chat.stackexchange.com/rooms/64326/discussion-on-question-by-detective-mooch-what-good-is-engineering-research-with).
Jeśli nie wiesz, czym jest przestrzeń Hilberta, być może powinieneś spróbować się dowiedzieć.Twierdzenie, że matematyka przestrzeni Hilberta nie ma praktycznego związku z energetyką, jest śmiesznie dalekie od prawdziwości.
Jako inżynier elektryk widziałem, że w szczególnym przypadku energetyki nie pozostaje już wiele do zrobienia.Na przykład, podczas gdy wydajność większości transformatorów klasy komercyjnej wynosi około 97 procent, widziałem pewne badania na poziomie doktoranckim, aby zwiększyć ich wydajność przy użyciu pewnych dzikich metod i założeń.Coś, na co nikt nie miałby ochoty patrzeć, nawet autor po opublikowaniu.I widziałem, że studenci w tej dziedzinie są bardziej skłonni do utraty motywacji filozoficznej.
@polfosol Powiedziałeś to lepiej niż ja.Dokładnie to odczuwałem po przeczytaniu niektórych z tych artykułów.Te prace często wykorzystują „dzikie” metody, które nie są nawet solidne na poziomie teoretycznym.Posłużyłem się przykładem mocy, ponieważ jest to sytuacja, w której wiele z tych metod może pójść bardzo źle w praktyce, wszystko, co dotyczy metaheurystyki, algorytmów genetycznych i ewolucyjnych, uczenia maszynowego i uczenia się przez wzmacnianie.Istnieją niezwykle uzasadnione kierunki badań, takie jak modelowanie stochastyczne i optymalizacja wypukła.Nie jestem jednak pewien, co miałeś na myśli, mówiąc o „braku motywacji filozoficznej”
Sformułowanie tego pytania w kategoriach względnej oczekiwanej użyteczności mogłoby dokładniej wyrazić obawy.
Obecnie wiele z poniższych odpowiedzi zasadniczo wskazuje, że wszelkiego rodzaju badania mogą mieć niezerową wartość oczekiwaną.Ta obserwacja wydaje się zarówno trywialna, jak i chybiona przez intencję pytania, ponieważ zbyt dosłownie traktuje „brak praktycznego znaczenia”.
@jwg Wiem, co to jest przestrzeń Hilberta i nie widzę, gdzie OP sformułował „twierdzenie, że matematyka przestrzeni Hilberta nie ma praktycznego związku z energetyką”.Widzę * Nie jest jasne, co "sygnał o małym wzmocnieniu musi należeć do przestrzeni Hilberta na przedłużonej półprostej" w rzeczywistości oznacza projekt pamięci podręcznej * - i wydaje się to słusznym punktem (jeśli taka linia faktycznie wystąpiław artykule).
Myślałem, że dobre badania inżynierskie bez praktycznego zastosowania to fizyka ...
@ShreevatsaR: Tak, a część o "Rozszerzonej * połowie linii" była najlepszym kickerem.Wyraźnie pozwalają na * nieskończone * wzmocnienie małego sygnału!W * projekcie pamięci podręcznej *!
@Walfrat Chociaż uważam, że badania i rozwój zapewniłyby mi większą satysfakcję (wraz z większą liczbą zachęt finansowych), to pytanie nie ma ze mną nic wspólnego.Chodzi o prowadzone badania inżynieryjne, którym brakuje eksperymentalnej weryfikacji lub potencjału praktycznego wdrożenia ze względu na fundamentalnie nierealistyczne założenia lub wątpliwą metodologię.Jak powiedział inny komentator, metodologie te są całkowicie porzucane nawet przez badaczy, którzy je proponują.np. https://en.wikipedia.org/wiki/List_of_metaphor-based_metaheuristics#Rain_Water_Algorithm_.28Biyanto_2017.29
Mamy wiadomości, takie jak [Rozmowy DeepMind i National Grid in AI o zbilansowaniu dostaw energii] (https://www.ft.com/content/27c8aea0-06a9-11e7-97d1-5e720a26771b).
@ShreevatsaR Jest to szczególnie powszechne w sterowaniu i pod pewnymi względami przetwarzaniu sygnału (chociaż nie tak często, jak powszechne), gdzie zwykle zakłada się, że sygnały pochodzą z niektórych przestrzeni funkcyjnych.W rzeczywistości rzadko jest to przestrzegane, a ludzie wymyślili bardziej dziwaczne i dziwne przestrzenie funkcyjne, w których rzeczy będą działać.Na przykład przestrzeń L2 Hilberta została całkowicie porzucona przez wiele dziesięcioleci na rzecz rozszerzonych przestrzeni L2.W każdym razie pomyślałem, że możesz być zainteresowany.
Czternaście odpowiedzi:
#1
+175
xLeitix
2017-08-23 10:20:40 UTC
view on stackexchange narkive permalink

Krótka odpowiedź na Twoje pytanie jest taka, że ​​znacznie przeceniasz swoją i innych inżynierów umiejętność oceny, jakie techniki będą miały kiedykolwiek praktyczne znaczenie.

Myślę, że to Michael Stonebraker, informatyk, zdobywca nagrody Turinga, który nie brakuje praktycznego wpływu, który powiedział, że najlepszym miejscem dla akademickich badań stosowanych są techniki, które są około 10 lat od szerokiego zastosowania. Jeśli ograniczysz się do rzeczy, które już dziś możesz zrobić, nie zaproponujesz radykalnie nowych rozwiązań, które przynajmniej w teorii powinny odróżniać badania naukowe od innych czynników napędzających innowacje, takich jak startupy czy przemysłowe R&D. Nawiasem mówiąc, jeśli niepokoi cię brak wpływu, jaki ma teraz twoja praca, powinieneś zastanowić się, czy nie osiągnąłbyś wyższej satysfakcji z pracy w startupie lub laboratorium przemysłowym.

Znajduję twój przykład samo- uczenie się sieci energetycznych jest szczególnie nieprzekonujące. Jeśli cofniemy czas o kilka lat i odniesiemy twoje argumenty do badań nad zautomatyzowaną jazdą, na pewno znajdziesz wiele osób, które uznały te badania za stratę czasu. Jazda z pewnością jest dziedziną krytyczną dla bezpieczeństwa, a motoryzacja podlega ścisłym regulacjom. Algorytmy automatycznego wspomagania prowadzenia pojazdu całkowicie zawiodły, a do pewnego stopnia nadal nie uwzględniają praktycznych problemów wielu interesariuszy, a także rządowych gwarancji bezpieczeństwa. A jednak jesteśmy tutaj. Nie jestem pewien, czy to samo stanie się z sieciami elektroenergetycznymi, ale jest absolutnie , że tak się stanie.

Możesz również przeczytać TRL (poziomy gotowości technologicznej), używane na przykład w programach ramowych Unii Europejskiej, a także w NASA.

EU TRLs

Podstawową koncepcją jest to, że badania akademickie zwykle najlepiej nadają się do przenoszenia pomysłów z TRL 0 lub 1 do 3 lub 4. „Implementacje Matlab”, na które narzekasz, mogą być po prostu testami laboratoryjnymi, które są przeznaczone dla TRL 3 . Jest to bardzo zgodne z pozycją w większym schemacie postępu technologii, którą wiele dużych organizacji przewiduje dla akademickich laboratoriów badawczych.

W moim kraju agencje stypendialne nie finansują niczego poniżej TRL3.To jest główny powód, dla którego mamy fałszywe badania stosowane.Ludzie nadal prowadzą podstawowe badania, ale muszą ubrać je zgodnie z zaleceniami.W międzyczasie nasza branża nawet nie rozważa inwestycji w coś poniżej TRL9.Myślę, że w USA nie jest tak źle, ale jestem przekonany, że to jeden z powodów, dla których OP widzi to, co widzi.
@Magicsowon Przypomina mi to niektóre zaproszenia ESA, które mogą nie finansować nauki, ale mogą finansować demonstrację, że ich dane mogą być wykorzystane w nauce.
@gerrit Trudno mi to obejść.
Nie mówię, że samouczące się sieci energetyczne nie będą miały miejsca.Jestem pewien, że można to już zrobić na małą skalę (to powiedziawszy, widziałem projekty "uczące / neuronowe ..." na większą skalę, które zostały wysłane do operatorów systemów i natychmiast odrzucone).Myślę, że badania powinny skupiać się na urzeczywistnianiu samouczącej się sieci energetycznej, a nie tylko na mówieniu o niej na papierze.Oznacza to, że więcej opublikowanych artykułów powinno skupiać się na rzeczywistych, praktycznych zastosowaniach proponowanej metodologii.Jest to apel o zmianę kultury badawczej, a nie wskazanie palcem na niektórych badaczy.
@DetectiveMooch Czy na pewno powinieneś teraz zbudować samouczące się sieci energetyczne?Jak dobrze sprawdzają się w teorii?Z tego, co mówisz, założę się, że nie wystarczająco dobrze;jeśli jakieś problemy są widoczne * w teorii *, można je najpierw rozwiązać w teorii, zanim zaangażują się eksperymentatorzy.
@Blaisorblade Czepiasz się konkretnego przykładu (spośród tysięcy), który w rzeczywistości wykazuje pewną obietnicę realizacji.Istnieją tysiące dyscyplin inżynierskich, które pompują badania, które są zakorzenione w oparciu o nierealistyczne założenia i mają bardzo ograniczone zastosowania.To pytanie dotyczy wartości tych badań.
W twoich słowach szukam „rażącego przykładu”.Ja i inni odpowiedzieliśmy w innym miejscu na podstawie nierealistycznych założeń.
@DetectiveMooch Jak powiedziałem, wprowadzanie w życie rzeczy, które już istnieją, w dużej mierze nie jest zadaniem badań akademickich.Do tego nie potrzebujesz * dokumentów ani doktorantów - potrzebujesz uzasadnienia biznesowego, finansowania VC i dobrych sprzedawców.
`ogromnie przeceniasz swoją i innych inżynierów zdolność oceny, jakie techniki będą miały kiedykolwiek praktyczne znaczenie. 'Albo to, albo naukowcy przeceniają swoje badania, albo po prostu kłamią.
@user12956 Oprócz kilku luminarzy mediów, większość badaczy nie udaje, że wie, jaka będzie przyszłość.Z natury większość prawdziwych badań dotyczy odmiany „rzucania rzeczami na ścianę i zobaczenia, co się przyłoży”.Ludzie tutaj mają skłonność do powiedzenia: jeśli już wiesz, że to zadziała, to nie są badania.Twierdzę, że to samo dotyczy wpływu.
Krytyczny punkt, imho, w odniesieniu do wielu komentarzy do wielu odpowiedzi, jest taki, że nikt z nas nie jest w stanie wiedzieć, co będzie istotne za dziesięć lat.Każda ocena przyszłego znaczenia jest naiwna, a ich logiczne rozszerzenie owocuje trucizną.Całkiem dobrze powiedziany @xLeitix.
#2
+37
aeismail
2017-08-23 08:53:43 UTC
view on stackexchange narkive permalink

Rzeczy, które „nie mają praktycznego znaczenia”, niekoniecznie są bezużyteczne. Mogą po prostu „czekać na swój czas”.

Na przykład zjawisko cieczy jonowych zostało odkryte po raz pierwszy na początku XX wieku, ale nie przyjęło się ekonomicznie ani przemysłowo aż do początku XXI wieku, kiedy zostały „ponownie odkryte” i wyeksponowane jako „zielone rozpuszczalniki”.

Prawdopodobnie niesprawiedliwe jest stwierdzenie, że coś nie ma praktycznego znaczenia. Po prostu może nie być jeszcze oczywiste, gdzie można by je wykorzystać w przyszłości.

Kolejną kwestią do rozważenia jest możliwość, że ktoś zajmuje się inżynierią, ale tak naprawdę nie robi tego, co jest uważane za „inżynierię”. Być może była to decyzja o zatrudnieniu lub ktoś, kto szuka domu, w którym nauczają, zamiast szukać odpowiedniego domu do swoich badań. (Taka jest sytuacja w moim przypadku: z wykształcenia jestem inżynierem, ale moje badania mogłyby równie dobrze pasować do działu chemii lub materiałoznawstwa).

Słuszna uwaga.Dopiero po śmierci Mendla ludzie zdali sobie sprawę z wagi jego pracy.Również koncepcja liczb ujemnych była postrzegana przez tysiące lat jako bardzo absurdalna.To samo dotyczy koncepcji ułamków zwykłych i dziesiętnych.Ciekawe, czy Aryabhatta rozważył znaczenie wynalezienia pojęcia zera.W pewnym momencie były to wszystko bezużyteczne koncepcje.Ale dzisiaj...
Zgadzam się, że rzeczy, które „nie mają praktycznego znaczenia”, mogą po prostu czekać na swój czas.Z całą pewnością mogę powiedzieć, że ma to miejsce w dziedzinach takich jak materiałoznawstwo, z pewnością nie mamy pojęcia, jakie są możliwości w przypadku zdecydowanej większości nowo tworzonych meta-materiałów.Jednak w dziedzinach inżynierskich, które są bardziej teoretyczne, często przyjmuje się założenia nieskończonej ilości razy lub nieograniczonej ilości informacji;te rzeczy nigdy nie zostaną zrealizowane.W pewnym artykule można to zobaczyć, zakładając, że „każda osoba w okolicy ma urządzenie odbierające informacje, które przekazuje im informacje”… ale jak to możliwe?
@DetectiveMooch słyszałeś kiedyś o telefonie komórkowym?Nowoczesne smartfony są dokładnie „urządzeniem odbierającym informacje, które mówią im ...” i są obecnie niezwykle rozpowszechnione na Zachodzie
@Leliel Przede wszystkim mówimy o każdym użytkowniku na obszarze wielkości trzech lub więcej stanów połączonych razem.Gdybym skończył tę linię, powiedziałbym, że każdy użytkownik otrzymuje ciągły strumień danych (nawiasem mówiąc, wielowymiarowych), który rejestruje stan systemu elektroenergetycznego.Każdy użytkownik ma również doskonały dostęp do stanu domu, takiego jak temperatura, zużycie energii itp. Algorytm ten pozwala następnie użytkownikom na adaptacyjne przesunięcie obciążenia sieci.
@DetectiveMooch, który tak naprawdę nie jest zasadniczo inny ani trudniejszy.Jest drogi w realizacji, ale nie jest nawet zbliżony do faktycznie trudnego technicznie.Wystarczy, że firmy energetyczne wydadzą pieniądze, aby dać wszystkim swoim klientom komputer z łączem szerokopasmowym (za pieniądze firm energetycznych) jako licznik.
@DetectiveMooch Nierealistyczne założenia nie czynią wyniku bezużytecznym - nie można go zastosować bezpośrednio, ale to nie jest celem.Twój argument pokazuje, że teoria gazów doskonałych jest bezużyteczna, ponieważ opiera się na nierealistycznych założeniach.Moja fizyka w szkole średniej sugeruje, że teoria gazów doskonałych jest odskocznią do bardziej realistycznych teorii.W tym przypadku jest to również przyzwoite pierwsze przybliżenie praktycznych gazów.
O ile pamiętam, laser został wynaleziony bez większego, jeśli w ogóle, pojęcia, jakie praktyczne zastosowanie może mieć.Cieszę się, że OP nie krytykował pracy w tym laboratorium.
Chłopaki, proszę, atakujcie pomysł, a nie osobowość OP.A szczególnie pomyśl dwa razy, zanim skomentujesz, kiedy nie pracujesz nad badaniami technicznymi.
@DetectiveMooch Jako ktoś w branży, kiedy widziałem prawdziwy skok do przodu, były to pomysły z dwóch odmiennych dziedzin, które zostały połączone.Tak więc artykuł z teledetekcji, który zawiera zestaw założeń, które są szalenie nierealistyczne dla ich proponowanego zastosowania, może zostać znaleziony przez agronoma, który wpadnie na pomysł wykorzystania go do efektywnego ukierunkowania dystrybucji nawozów.Nawet szalenie niepraktyczne pomysły mogą pięknie zapylać się w różnych domenach.
Jeśli płyn został „ponownie odkryty”, jaki był sens oryginalnych badań?
#3
+24
Chris Rackauckas
2017-08-23 09:52:00 UTC
view on stackexchange narkive permalink

Badania, które pokazują nowe metody, nie muszą wykazywać praktyczności nowych metod, aby były użyteczne. Przykładem czegoś, co można bardzo zastosować, są badania nad rozwiązaniami numerycznymi dla ODE. Zdecydowana większość stworzonych metod nie jest wykorzystywana w solwerach ODE o jakości produkcyjnej. Po prostu nie są wydajni. Ale posiadanie obszernej literatury, z której można skorzystać, może naprawdę pomóc, gdy próbujesz dowiedzieć się o możliwościach. Ktoś, kto nakreślił metodę, która nie jest zbyt wydajna, mógł wnieść nowe pomysły na to, jak dostosować się do konkretnego przypadku, który w przyszłości ktoś inny może wykorzystać, aby stworzyć coś, co jest rzeczywiście praktyczne. A publikacja, która w sposób dorozumiany podkreśla „spójrz, to naprawdę działa tylko w szczególnych przypadkach z powodu X” pomaga komuś w przyszłości, gdy ma ten pomysł (jest znacznie szybsze i łatwiejsze do przeczytania gazety i przejścia do „ok, to nie działa nie działa tak dobrze, jak się spodziewałem „zamiast budować go samodzielnie).

Odnosi się to również do stronniczości publikacji. Publikowanie, że coś nie działa, jest tak samo wartościowe, jak publikowanie tego, że coś działa. Oczywiście, współczesne praktyki publikacyjne wymagają "znaczenia", więc badacze muszą być chytrze co do tego, jak piszą streszczenie ("okazuje się, że w warunkach X, Y, Z ta metoda może być bardziej wydajna niż obecne standardowe wybory"), ale z gazety jasno wynika, co to właściwie oznacza w praktyce.

W końcu mamy do czynienia z falą informacji, która posuwa się naprzód i prawie przypadkowo natrafia na pomysły, które działają, a te pozostają i są wykorzystywane w przemyśle. W międzyczasie trwają badania, aby zobaczyć, co jeszcze może znaleźć.

Niestety, opublikowanie czegoś na temat metody, która nie działała tak dobrze, jest dość trudne.
Twój przykład numerycznych solwerów ODE można nieco rozszerzyć.Dobre numeryczne solwery ODE wykorzystują gładkość rozwiązania, przynajmniej w większości punktów.Stochastyczne ODE nie mają takiej płynności, więc dostosowywanie dobrych metod ODE do SODE jest bezcelowe - i w rzeczywistości może powodować poważne problemy z takimi rzeczami, jak fałszywe korelacje krzyżowe.Dobre metody SODE są w rzeczywistości adaptacjami bardzo prostych metod ODE.Obecność ich w literaturze w czasie opracowywania metod SODE z pewnością była przydatna.
Cóż, obecnie większość dobrych metod SODE nie jest adaptacją prostych metod ODE.Ale teoria rozwoju w tym zakresie czerpie wiele z teorii ODE, a heurystyki, takie jak analiza wiodących współczynników błędu obcięcia, zostały z powodzeniem analogiczne w literaturze SODE.Te teorie zostały stworzone, aby odpowiedzieć na pytania o to, dlaczego niektóre proponowane metody okazały się nieskuteczne, więc te metody pomogły stworzyć wiele lepszych metod dzięki kontrastowi.Możesz zobaczyć ten sam rozwój w stabilności L-B-S niejawnych metod RK.
Innym dobrym rozszerzeniem jest rozwiązywanie dużych problemów własnych.Dzisiejsze metody „goto” często opierają się na matematyce odkrytej i opublikowanej przez Arnoldiego i Lanczosa w latach pięćdziesiątych XX wieku.W latach sześćdziesiątych XX wieku była to ogólnie uważana za bardzo interesującą teorię, ale bezużyteczną w praktyce ze względu na nieprzewidywalne nagromadzenie katastrofalnych błędów zaokrąglania.Gdyby zajęło to kolejne 20 lat, zanim odkryto tanie i proste metody zastępowania tych błędów zaokrąglania - i prawdopodobnie jeszcze 10 lat, zanim „nie-eksperci” uzyskali dostęp do algorytmów rozwiązywania rzeczywistych problemów praktycznych.To 40 lat, aby osiągnąć „poziom 9!”!
#4
+22
J Fabian Meier
2017-08-23 12:36:56 UTC
view on stackexchange narkive permalink

Pseudo-nauka często marnuje zasoby. Nie oznacza to, że badania podstawowe lub podstawowe są bezcelowe, ale jest różnica: posiadanie abstrakcyjnego modelu czegoś „poza zasięgiem” może być owocne - można go studiować i dodawać więcej przeszkód w przyszłości.

Ale istnieją pozornie stosowane modele, które niepotrzebnie zwracają uwagę. Są albo zbyt uproszczone i już dobrze zrozumiane, aby przejść do bardziej realistycznych modeli, albo dokonują zupełnie nierealistycznych założeń, które pozwalają zastosować metodę, która w innym przypadku byłaby niewykonalna. W obu przypadkach modele „przetrwają” w społeczności, ponieważ liczba naukowców jest wystarczająco duża, aby utworzyć „grupę recenzentów”, aby artykuły zostały opublikowane.

Podsumowanie: podstawowe badania są pomocne, ale uważaj na konstruowanie „modeli użytkowych”, które nie mają aplikacji.

Głosowano, ponieważ jest to kwestia, którą warto poruszyć, ale nie jestem pewien, jak „często” nauka pseudo stosowana jest marnotrawstwem zasobów.Myślę, że badania nad malarstwem, jako bardziej stosowane niż realistycznie na etapie pisania, szkodzą nauce, ale ustaną tylko wtedy, gdy położymy * mniej * nacisk na przydatność przy ocenie badań.
Nieraz widziałem model, który był naprawdę dziwny, a po całym sporze o to, dlaczego jest „użyteczny”, zobaczyłem, że jest dokładnie dostosowany do metody rozwiązania, która pojawia się w dalszej części artykułu.Jeśli spróbujesz rozwiązać problem komiwojażera jako „bardzo abstrakcyjną wersję” transportu, to jest w porządku.Jeśli narzucisz jakieś warunki, spierasz się, dlaczego pasują one do „praktyki”, a następnie ujawnisz, że są one potrzebne dla określonej metody rozwiązania, uprawiasz naukę pseudo stosowaną.
Myślę, że ta odpowiedź naprawdę dociera do sedna mojego pytania.Nie narzekam na badania inżynierskie, które są publikowane bez natychmiastowego zastosowania, czyli badania podstawowe.Chodzi o to, że znaczna część badań inżynieryjnych ma na celu rozwiązanie wielu problemów, ale jest bardzo niewiele dowodów na to, że mogą to zrobić poza tym, co pokazuje artykuł.Na przykład algorytmy uczenia się używane w komunikacji mobilnej.Bardzo trudno jest dostrzec, jak ludzie i ich telefony komórkowe wygodnie dopasowują się do struktury uczenia się, której zachowanie można modelować za pomocą algorytmów uczenia się.
Jako inżynier, który spędza większość czasu na opracowywaniu metod numerycznych (i * nie * publikowaniu dobrych, ponieważ pracuję w przemyśle i wolimy kopać piasek w twarze naszych konkurentów niż mówić światu, jacy jesteśmy mądrzy!)- nauki stosowane "kojarzą mi się bardziej z ekonomią lub psychologią niż badaniami technicznymi;)
Fabian, zgadzam się z wieloma twoimi uwagami.Myślę jednak, że twoja odpowiedź byłaby lepsza, gdybyś mógł w niej zdefiniować, co masz na myśli przez naukę pseudo-stosowaną.
@DetectiveMooch * Również * byłbyś zaskoczony tym, co może wejść do radia nowoczesnego smartfona.W niedalekiej przyszłości telefony będą mogły z łatwością uruchamiać algorytmy uczące się w celu optymalizacji przepustowości, bez wiedzy większości ludzi.
#5
+17
UKMonkey
2017-08-23 14:13:40 UTC
view on stackexchange narkive permalink

Myślę, że inne odpowiedzi patrzą na to pytanie w jeden sposób, ale mam zamiar odpowiedzieć z bardziej „ludzkiej” perspektywy.

Ponieważ jest to interesujące.

Większość ludzi prowadzi badania, ponieważ interesuje ich to, czego szukają. Nie próbują zarabiać milionów (zazwyczaj wręcz przeciwnie - często nie są dobrze opłacani); nie próbują zmieniać świata (nawet jeśli zrobią to później); są po prostu bardzo zainteresowani tym, czy XYZ jest możliwy.

Fakt, że czasami uzyskuje się coś naprawdę przełomowego z badań, które zmienia sposób funkcjonowania świata, oznacza, że ​​firmy są skłonne inwestować w badania; ale na poziomie osobistym, jeśli nie jesteś zainteresowany badaniami, nie ma to większego sensu.

Czy naukowcy naprawdę nie są dobrze opłacani?Moja siostra szuka obecnie pracy naukowej pod tytułem doktora matematyki i podobno większość z nich oferuje całkiem sporo pieniędzy.Znacznie więcej, niż mogę uzyskać w zakresie rozwoju sprzętu cyfrowego (ogólnie dobrze płatnej dziedziny) z tytułem magistra.
Wynagrodzenia naukowców różnią się znacznie w zależności od dziedziny, kraju i etapu ich kariery (doktorat, postdoc, praca na stałe), a także tego, czy pracują dla prywatnego czy publicznego pracodawcy.Niektórzy badacze mają świetne pensje, inni mniej.Można jednak bezpiecznie założyć, że zdecydowana większość badaczy nie bierze udziału w badaniach w celach zarobkowych.
Chciałbym wiedzieć, która część tego faktu nie była pomocna dla osób negatywnie nastawionych.
#6
+10
Andy Henson
2017-08-23 21:42:41 UTC
view on stackexchange narkive permalink

Wiele badań jest obecnie niepraktycznych i teoretycznych. Ale dlatego wiele z nich to badania uniwersyteckie, a nie komercyjne R&D. Czasami w końcu staje się to bardzo przydatne.

Kiedy w 1821 roku odkryto półprzewodniki, nikt w swoich najśmielszych marzeniach nie zdawałby sobie sprawy, jaki będzie to wpływ.

I lasery. Świetny pomysł, aby oświetlić coś spójnym światłem o pojedynczej długości fali: ale po co miałbyś się tym przejmować? I potrzebowali drogich materiałów, które wykluczały codzienne użytkowanie. Następnie odkryto lasery półprzewodnikowe. A potem światłowody, które potrzebują spójnej pojedynczej długości fali światła, aby sygnał danych mógł zajść daleko. Więc teraz cały internet działa na światłowodach zasilanych przez maleńkie tanie lasery, całkowicie rewolucjonizując wszystko, dzięki czystym badaniom, które wydawały się bardzo mało prawdopodobne, aby przyniosły cokolwiek pożytecznego około 70 lat wcześniej.

#7
+6
user62156
2017-08-24 19:12:59 UTC
view on stackexchange narkive permalink

Konstrukcja normalnych baz o skończonym rozszerzeniu pola jest „daleko idąca od praktycznej implementacji”. Ma „bardzo ograniczone znaczenie praktyczne i nie ma żadnych prób rozwiązania problemów związanych z wdrażaniem”. Co więcej, jest „tak matematyczny”. „To uzasadnione pytanie, dlaczego ktokolwiek miałby kiedykolwiek korzystać z tych wysoce teoretycznych i obciążonych założeniami wyników badań.”

To wszystko jest prawdą. Albo, lepiej powiedzieć, było bardzo prawdziwe. W przeszłości.

Aż nagle miałeś kryptosystem Massey-Omura.

#8
+5
user63119
2017-08-23 14:54:34 UTC
view on stackexchange narkive permalink

Fakt, że nie ma on teraz aplikacji lub jest właściwie zaimplementowany, nie oznacza, że ​​nigdy jej nie będzie. Kto kiedykolwiek używał tych teoretycznych rzeczy zwanych rozmaitościami Riemanna w prawdziwym życiu? Dobrze, że byli tam już, gdy Einstein pracował nad swoją ogólną teorią względności.

Badania teoretyczne są dostępne, więc pewnego dnia ktoś inny może je odebrać i wykorzystać.

#9
+4
Blaisorblade
2017-08-24 05:15:24 UTC
view on stackexchange narkive permalink

Dlaczego ktoś bada narkotyki na zwierzętach? Nie dbamy o leczenie szczurów laboratoryjnych. Mamy jednak nadzieję, że pomoże nam to w badaniu leków na ludziach.

Podobnie, celem rozwiązywania problemów w zbyt uproszczonych warunkach (szczury laboratoryjne) jest często pomoc w rozwiązywaniu tych problemów w bardziej realistycznych warunkach.

Wiele badań nie jest ukierunkowanych na bezpośrednie zastosowanie, ale na innych badaczy. To jest funkcja, a nie błąd, ponieważ naukowcy muszą coś zbudować. Droga od papieru do jego aplikacji nie wymaga ani jednego kroku. Ponadto nie wszystkie prace teoretyczne wymagają zastosowania. Niektóre z tych teoretycznych wyników nie są wystarczająco dobre, aby je zastosować, i można to stwierdzić po samym artykule - potrzeba więcej pracy teoretycznej, zanim będą warte zastosowania.

Czasami, nawet jeśli wiesz, gdzie chcesz się dostać, ale nie masz pojęcia o ścieżce, podążanie w nieco przypadkowych kierunkach na początku jest skuteczniejsze niż bezpośrednie kierowanie do celu. (Spotkaliśmy się z przemówieniem na temat formalnego badania tego problemu w optymalizacji).

Na zajęciach z neurobiologii dyskutowaliśmy, jak modele pomagają zrozumieć mózg. Pewien badacz przekonująco nas nauczył, że zaletą modelu jest nie (tylko) to, co zawiera, ale także to, co pomija. Nie możemy zrozumieć pełnego modelu mózgu; ale możemy zbadać nadmiernie uproszczone modele, aby zobaczyć, jak się zachowują, a następnie sprawdzić, czy to, czego się nauczyliśmy, ma zastosowanie do bardziej realistycznych modeli. Okazało się również, że nadmiernie uproszczone modele mózgu są przydatne jako sztuczne sieci neuronowe.

Niektóre z artykułów, które widziałeś, wychodzą od nierealistycznych założeń. Prawdopodobnie ma to na celu uproszczenie ich badań, zwłaszcza jeśli jest to studium matematyczne. Później pojawiają się artykuły w nieco bardziej realistycznych warunkach.

Chociaż sam nie studiuję inżynierii, studiuję informatykę (języki programowania), a także mamy wiele artykułów, które rozważają uproszczone scenariusze - wiele z tych artykułów jest nadal pośrednio istotnych, chociaż może minąć dekady, zanim teoria stanie się użyteczna w praktyce.

EDYCJA: ponieważ zadajesz / kwestionujesz trafność / przydatność: myślę o artykułach matematycznych, które są motywowane (pośrednio lub jawnie) celem uczynienia programów mniej błędnymi. Duży postęp zależy od wykonywania bardziej abstrakcyjnych rodzajów matematyki, ale przejście od matematyki do bardziej matematyki do prototypów zajmuje kilka etapów.

Nie rozumiem, dlaczego tak się bronisz.Z pewnością widziałeś artykuły o bardzo ograniczonym zastosowaniu lub bez natychmiastowego zastosowania, z bardzo nierealistycznymi założeniami lub z bardzo ograniczonymi zastosowaniami.Mówisz, że w CS jest wiele artykułów, które mogą zająć dziesięciolecia, zanim teoria stanie się użyteczna, więc dlaczego nie skoncentrować wysiłków na uczynieniu teorii użyteczną?W CS jest zdecydowanie więcej miejsca na badania niezwiązane z aplikacjami, nie jest to określony cel badań inżynierskich.
Na temat „Dlaczego nie skoncentrować wysiłków”, upraszczając: (1) w niektórych artykułach teoretycznych, więcej teorii * jest * tym, czego potrzeba, aby teoria stała się użyteczna.Moja dziedzina jest pełna ludzi stosujących (prawdopodobnie) rzeczy, które są całkowicie zepsute w teorii (a więc w praktyce).(2) Na innych teoretycznych artykułach, upraszczając, „matematycy” (myślą) są skończeni, a więcej „praktycznych facetów” jest mile widzianych.Co najwyżej matematycy mogą poświęcić więcej wysiłku, aby porozmawiać z praktycznymi facetami, ale badania nie są w pełni skoordynowanym przedsięwzięciem.
#10
+4
Philip Oakley
2017-08-25 04:37:30 UTC
view on stackexchange narkive permalink

Badania doktoranckie są prawie z definicji częścią procesu edukacji, a nie częścią procesu rozwoju produktu, stąd praca ta będzie miała niewielkie znaczenie praktyczne.

Podobny aspekt może się zdarzyć w samym przemyśle, gdzie niektóre z badań stosowanych są ukierunkowane na najnowsze aspekty hasła, często bez jasnego zrozumienia, czy badania przyniosą owoce (tj. bezpośrednio w tym roku). Częściej praca wypadnie i stanie się częścią edukacji naukowców (tak jak 9 na 10 początkujących przedsiębiorców).

Wiedza, czy praca będzie miała znaczenie, jest trudna, ale nauka będzie przydatny. Mam aktualne prace oparte na „nieudanej” pracy AR sprzed 10 lat.

Pamiętaj, kontrola sprzężenia zwrotnego była wynalazkiem (H.S. Black), w który nikt nie wierzył, więc niektóre pomysły mają swój dzień. Boole już dawno nie żył, zanim jego (głupie) pomysły logiczne stały się modne.

To powiedziawszy, nadal dobrze jest być sceptycznym i myśleć o tym, co naprawdę stanie się z pomysłami i jakim innym elementem brakuje w fantazyjnych badaniach [Większość badań nad zieloną energią będzie działać po opracowaniu efektywnej baterii przemysłowej, którą można umieścić w pobliżu miejsca wytwarzania, ale do tego czasu…]

#11
+3
NeutronStar
2017-08-24 20:39:08 UTC
view on stackexchange narkive permalink

Nigdy nie wiadomo, kiedy badania bez praktycznego znaczenia nagle staną się istotne.

Ostatni przykład z mojej dziedziny (astrofizyka): wyniki BICEP2, które początkowo wskazywały, że wykryły sygnał, który można przypisać szybkiej inflacji wczesnego wszechświata. Gdyby ten sygnał okazał się prawdziwy, ci ludzie prawdopodobnie zdobyliby Nagrodę Nobla, żeby tylko dać wyobrażenie o tym, jak wielka to była transakcja. Jednak inni uznali, że kosmologiczny „sygnał” prawdopodobnie można całkowicie przypisać całkowicie pyłowi międzygwiazdowemu unoszącemu się w Drodze Mlecznej. Niemal z dnia na dzień astrofizycy specjalizujący się w pyle międzygwiazdowym stali się światowymi ekspertami w dziedzinie kosmologii. Ich badania (które, przyznaję, były ważne i stosowne same w sobie, a więc nie są dokładną paralelą z pytaniem PO) nagle stały się niezwykle istotne i ważne.

Innym przykładem jest teoria generała Einsteina Względność. Chociaż sama w sobie niesamowicie niesamowita teoria i niezwykle przydatna do zrozumienia wszechświata, jej zastosowania w sytuacjach bardziej „prawdziwego życia” przez wiele dziesięcioleci w zasadzie nie istniały. To znaczy do czasu opracowania GPS. Bez uwzględnienia efektów ogólnej teorii względności w pomiarach i obliczeniach GPS, pomiary pozycji GPS szybko stałyby się bardzo niepoprawne. „Błędy w pozycjach globalnych będą się nadal narastać w tempie około 10 kilometrów każdego dnia!” Tak więc dekady po opracowaniu teorii technologia ostatecznie rozwinęła się do punktu, w którym teoria stała się praktycznie istotna na początku wojsko, a potem nasze codzienne życie.

Te przykłady nie są idealnymi paralelami sytuacji, którą opisuje OP, ale nadal służą do zilustrowania mojego pierwotnego punktu: nigdy nie wiadomo, kiedy badania bez praktycznego znaczenia nagle staną się istotne.

#12
+2
Karthik ziffer
2017-08-23 16:53:59 UTC
view on stackexchange narkive permalink

POWÓD 1:

Badania to rozległa dziedzina, w której oczekiwanie na rozwiązanie konkretnego wyzwania lub wynalezienie nowej metodologii nie przychodzi z dnia na dzień. Pełnowartościowy dostępny produkt komercyjny nie jest opublikowanym jednym z artykułów naukowych. To zintegrowane badanie, praca wielu uczonych od dziesięcioleci. Najlepsze, co może zrobić każda znająca się osoba, to zaprezentować swój wkład w swojej dziedzinie w dowolnym medium. Swoim wkładem może wnieść niezwykły zasób nie tylko w tej samej dziedzinie, czasem też w innych. Czasami artykuł techniczny może być początkiem nowej rewolucyjnej technologii lub przełomowym dobrodziejstwem dla istniejącej technologii. wymaganie.

POWÓD 2:

Technologia jest wynikiem nieoczekiwanej rewolucji. Nie powinno być niedoboru zasobów. W związku z tym na całym świecie prowadzi się wiele badań w wielu dziedzinach, które stanowią klucz do przyszłych lub obecnych innowacji. Wiedza każdego jest cenna i cenna. Wiedza ta nie może być przekazywana ustnie, ale tylko w dokumentach technicznych dla obecnych i przyszłych pokoleń. Kiedy nastąpi jakikolwiek nowy przełom, zasoby powinny być gotowe, by służyć temu celowi.

Badania to długa podróż, a ostateczny wynik jest dwa razy dłuższy, a wdrażanie trzykrotnie dłuższe

#13
-1
Walter Mitty
2017-08-24 15:45:59 UTC
view on stackexchange narkive permalink

Jak daleko jest od latania latawcem podczas burzy do zbudowania piorunochronu, który ochroni stodołę? Ben Franklin zrobił jedno i drugie.

Jak daleko jest od artykułu Claude'a Shannona na temat cyfrowego kodowania sygnałów do znanej już płyty audio CD?

Wydaje mi się, że podstawowe badania muszą stawiać pytania, nawet jeśli nie jest jasne, jakie korzyści przyniesie odpowiedź. Czasami badania okazują się być badaniami naukowymi, a nie inżynierskimi, jak w powyższym przykładzie z latawcem. Ale masz pomysł.

Być może badania stosowane są bardziej na twojej drodze niż badania podstawowe.

Ben Franklin i Claude Shannon są złymi przykładami, ponieważ ich prace były powszechnie uznawane za bardzo cenne w ich czasach.
#14
-3
mathreadler
2017-08-24 21:28:54 UTC
view on stackexchange narkive permalink

„Przydatność” dotyczy perspektywy i percepcji. Być może w moim własnym małym biurze trudno jest określić, gdzie dokładnie pasują moje wyniki badań. Po prostu spróbuj znaleźć pewność, że istnieją (mniej lub bardziej widoczni) wizjonerzy „wysoko” w różnych aspektach, którzy widzą, gdzie to pasuje . Złą rzeczą w tym, że religia jest obecnie tak piętnowana i marginalizowana, jest to, że koncepcja wiary w rzeczy większe niż my traci na znaczeniu, podczas gdy w praktyce jest bardziej aktualna niż kiedykolwiek. Może nie we wszechmocnym Bogu , ale w istnieniu ludzi tworzących plany poza własną perspektywą.

Chociaż potrafię docenić wiarę, która ma pewne znaczenie, wykraczające poza wpływ religijny, ta konkretna odpowiedź wydaje się być sformułowana w sposób, który niesłusznie wyklucza dobro z religijnego wpływu.


To pytanie i odpowiedź zostało automatycznie przetłumaczone z języka angielskiego.Oryginalna treść jest dostępna na stackexchange, za co dziękujemy za licencję cc by-sa 3.0, w ramach której jest rozpowszechniana.
Loading...