Как найти научную новизну для статьи в академическом журнале

Основные требования к новизне и её типы

Основное понятие

Научное исследование — это процесс, в котором обнаруживают проблему и находят способ её решить, а написание исследовательской статьи обычно превращает эту реальную работу в текст. При подаче статьи в журнал редакция, как правило, ожидает достаточной научной новизны. Если новизны мало, статью могут отклонить или отправить на серьёзную доработку.

$$
\text{Новизна} = \text{Обнаружение проблемы} + \text{Создание решения}
$$

Как найти новизну, как её описать, а если говорить прямо, как добавить в уже готовую статью новизну, о которой вы сначала не подумали, — над этими вопросами стоит поразмышлять.

Типы новизны и выбор уровня журнала

Упрощённо новизну можно разделить на четыре типа и по ним определять направление подачи и уровень журнала:

Тип новизны	Степень новизны	Целевые журналы
1. Новая проблема + новый метод	Очень высокая	Журналы высшего уровня
2. Старая проблема + новый метод	Решает давно известную в науке проблему; хорошая новизна	Журналы высшего уровня / ведущие журналы
3. Новая проблема + старый метод	Известный метод применён к найденной вами проблеме; средняя новизна	Ведущие журналы
4. Старая проблема + старый метод	Очень слабая новизна	Низкокачественные журналы

Как найти новизну и идеи

Метод Ⅰ. Читать литературу и искать новизну в применении

Читая статьи и профильные книги, изучите старые и новые методы своей области, а также старые и новые нерешённые проблемы.

Затем выберите один из двух вариантов применения:

1. Уже освоенный старый метод →(применить к) известной новой проблеме / новой проблеме, которую вы нашли сами
2. Новый метод →(применить к) известной старой проблеме

В статье также нужно подтвердить эффективность метода и обоснованность результатов.

Так получается полноценная журнальная статья.

Пример: популярные сейчас искусственный интеллект и машинное обучение можно применить ко многим давним инженерным задачам.

Метод Ⅱ. Новизна через улучшение

Предложите улучшение существующего решения, которое является относительно новым / широко используемым / признанным (опубликовано в ведущих или высокорейтинговых журналах). (Между нами, это скорее модификация: ваше «улучшение» не обязательно что-то улучшит.)

Допустимо даже улучшение, которое добавляет лишнее / применяет тяжёлый инструмент для простой задачи / усложняет процесс, но повышает точность или надёжность результатов.

Например, эта статья: An enhanced empirical Fourier decomposition method for bearing fault diagnosis [1]

Её название — «Усовершенствованный метод эмпирического разложения Фурье для диагностики неисправностей подшипников». В ней известный метод разложения Фурье дополнен эмпирической формулой и применён для диагностики подшипников, что тоже является новизной через модификацию.

Ещё пример:

Известный учёный предложил теоретическую модель некоторого механизма отклика. Подставив данные в модель F(x,y,z), получаем отклик X+Y+Z. На основе этой модели можно сделать одно из следующих улучшений:

1. Дополнить модель до F(x,y,z,u). Тогда она даёт отклик X+Y+Z (точнее) или X+Y+Z+U. Модель можно применить к новому сценарию, добавить отклик в исходном сценарии или использовать в особом сценарии применения (такой сценарий обязателен).
2. Или для конкретного применения такая сложная модель не нужна, а нужен только отклик X. Тогда мы упрощаем: убираем из исходной модели лишние факторы, F(x) → X.

Метод Ⅲ. Научное «лоскутное шитьё»

Вместо работы с одной теорией или решением берутся несколько существующих теорий или решений и сшиваются вместе, как у портного.

Для определённой задачи первая часть решается теорией A, вторая — теорией B, третья — теорией C…

И так далее. Вот пример:

Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine [2]

Эту статью мы разбирали в предыдущем посте.

В статье предложен новый метод обнаружения повреждений конструкций, сочетающий вариационное модовое разложение (VMD) и ядерный метод главных компонент (KPCA). Метод призван преодолеть влияние изменений окружающей среды и точно обнаруживать повреждения. Предложенную схему мониторинга и идентификации можно свести к следующим ключевым шагам:

1. Разложение данных: сначала алгоритм вариационного модового разложения (VMD) раскладывает данные вибрационного отклика конструкции на внутренние модовые функции (IMF) и получает частотно-временные признаки.

2. Извлечение признаков: затем из выбранных компонент IMF извлекаются признаки спектрального центроида (SC). Они соответствуют статистическим свойствам формы спектра в оконном преобразовании Фурье (STFT) и используются для построения матрицы признаков повреждений. Для извлечения берутся только компоненты IMF, содержащие информацию о повреждении, чтобы убрать избыточные (или нерелевантные) признаки.

3. Снижение размерности: далее к матрице признаков применяется ядерный метод главных компонент (KPCA), чтобы устранить влияние эксплуатационных и внешних изменений и получить показатели, чувствительные к повреждениям.

4. Принятие решения: метод опорных векторов (SVM) используется как инструмент принятия решения, чтобы сравнить эффективность извлечения признаков повреждения этим и существующими методами.

Посмотрев на эту схему, видно, что статья использует предельное «сшивание». Разложение данных выполнено моделью VMD; для извлечения признаков из компонент IMF берутся статистические свойства формы спектра известного оконного преобразования Фурье (STFT) (вейвлет-преобразования) — это шитьё внутри шитья; для нормализации данных к матрице признаков применён KPCA. Наконец, нужен механизм оценки, показывающий, лучше ли предложенная модель существующих решений (разумеется, этот механизм выгоден самой статье), и сюда пришит ещё и SVM, параметры которого подобраны так, чтобы модель статьи выглядела лучше.

Метод Ⅳ. Новизна через сравнение

А если мозг полностью «завис»: не придумывается ни новая проблема, ни новое решение, и даже сшивать чужие теории не хочется? Тогда можно предложить систему оценки и стать хорошим экспертом-обозревателем.

Соберите множество теорий / методов / моделей, предложенных в науке для какой-то проблемы, и сравните их применительно к этой проблеме: каковы достоинства и недостатки каждого метода, где каждый применим, в каких условиях лучше метод A, а в каких — метод B. Оцените эффективность каждого метода в нескольких сценариях, предложите систему баллов и сведите всё в таблицу. Также можно обсудить возможные улучшения и будущие направления развития каждого метода.

Метод Ⅴ. Фундаментальная новизна

Когда вы накопили достаточно исследований в своей области и получили опыт воспроизведения того, как ведущие учёные выводили свои модели, вы предлагаете полностью собственное решение новой или старой проблемы и выводите собственную модель. Фундаментальная новизна говорит о прочной научной базе и знаменует переход от начального к высокому уровню исследований. Она приносит огромное чувство удовлетворения, а другие начинают цитировать и изучать созданную вами модель или теорию.

Список литературы

1. Zhu D, Liu G, Wu X, Yin B. An enhanced empirical Fourier decomposition method for bearing fault diagnosis. Structural Health Monitoring. 2023;23(2):903-923. doi:10.1177/14759217231178653.
2. Bisheh HB, Amiri GG. Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine. Engineering Structures. 2023;278:115565. doi:10.1016/j.engstruct.2022.115565.