22.07.2022Dobry problem badawczy – co to właściwie znaczy? Czym się charakteryzuje?
TT: Dobry problem badawczy to kluczowy element pracy każdego naukowca. Pozwala wybrać z setek tysięcy ciekawych zagadnień to jedno jedyne, któremu chce poświęcić czas i energię. Wymaga to od niego określenia strategii, która zdefiniuje sposób w jaki będzie uprawiać naukę. Musi on podjąć decyzję, czy chce wybrać temat istotny, szeroko rozumiany, ale jednocześnie bardzo oblegany, czy może bardziej niszowy, oryginalny, choć wymagający większego zrozumienia społeczności badaczy? Co do zasady, pracę nad formułowaniem problemu badawczego powinno się zacząć od zadania pytania, np. czy działanie sieci neuronowej zależy od liczby warstw, lub postawienia hipotezy, np. głębokie sieci neuronowe uzyskują lepsze rezultaty niż tak samo skonstruowane sieci o mniejszej głębokości, a następnie jej zweryfikowania. Charakterystyczną cechą dobrze sformułowanego problemu badawczego jest to, że odpowiedź na zadane pytanie nie jest oczywista i wymaga przeprowadzenia eksperymentów.
Jakie błędy najczęściej popełniają młodzi naukowcy szukając pomysłu na badanie?
TT: Myślę, że zarówno młodzi, jak i starzy naukowcy, z zasady popełniają wiele błędów. Koniec końców na tym polega nauka, żeby się mylić, a potem na podstawie tych pomyłek dochodzić do prawdy. Szukając pomysłu na badanie warto zwrócić uwagę na kilka aspektów: czy mój pomysł jest oryginalny, czy ktoś już nie wpadł na podobną metodę, czy rzeczywiście postawiony problem jest dobrze umotywowany, np. realnymi aplikacjami czy ograniczeniami istniejących metod, w końcu: czy ten temat naprawdę mnie interesuje? Często jako naukowcy staramy się iść za głosem tłumu i skupiamy na zagadnieniach, które są popularne lub ciekawią koleżanki i kolegów. Warto podążać za własnymi zainteresowaniami i wykorzystać swoje silne strony – każdy z nas ma w sobie dziecięcą ciekawość i warto dać się jej ponieść.
Gdzie szukać inspiracji?
TT: Najlepsze inspiracje przynosi życie, w szczególności praktyczne zastosowanie opisywanych w artykułach naukowych metod. Często okazuje się, że wymuskane na syntetycznych zbiorach danych i testowane w laboratoryjnych warunkach metody, w praktyce okazują się bezwartościowe. Warto też cyklicznie przyglądać się i uczestniczyć w najważniejszych wydarzeniach związanych z prowadzonymi przez nas badaniami, w szczególności konferencjach naukowych – w tematyce widzenia maszynowego i metod uczenia maszynowego są to konferencje takie jak CVPR, NeurIPS czy ICML, gdzie publikowane były moje współautorskie prace.
Jak zmienia się proces formułowania problemu badawczego na przestrzeni lat? Jak wyglądał na studiach, w czasie doktoratu, a jak wygląda obecnie?
TT: Formułowanie procesu badawczego przybiera z czasem bardziej generalną formę. Na poziomie doktoratu ważne było dla mnie skupienie się na jednym konkretnym aspekcie computer vision: budowania kompaktowych i wydajnych deskryptorów obrazu przy użyciu technik uczenia maszynowego. Wraz z upływem czasu moje zainteresowania badawcze, jak i zakres prac, uogólnia się i pozwala mi działać bardziej holistycznie – nadal interesują mnie aspekty wydajności algorytmów uczenia maszynowego, ale nie ograniczam się już tylko do reprezentacji obrazu – biorę pod uwagę zarówno kwestie warunkowania obliczeń, uczenia ciągłego czy innych aspektów wydajności.
Czy myśląc o problemie badawczym naukowcy biorą pod uwagę jakieś czynniki zewnętrzne? Czy to co się dzieje na świecie lub łatwość uzyskania finansowania mają na ten proces wpływ?
TT: Oczywiście. Agencje finansujące badania są kierowane przez ludzi, wnioski grantowe również przyznają zwykli śmiertelnicy. Jak my wszyscy są wystawieni na ogólny szum informacyjny, podążają za trendami i mają swoje poglądy. Trzeba te czynniki brać pod uwagę, ale warto znaleźć dla siebie niszę, która będzie odpowiadała naszym zainteresowaniom badawczym, ciekawiła nas i sprawiała, że rano wstajemy z łóżka. Bez takiej wewnętrznej motywacji ciężko jest prowadzić sensowne projekty badawcze. Z drugiej strony, jeżeli pomysły na badania będą kompletnie oderwane od rzeczywistości, szansa na wdrożenie ich wyników będzie niewielka, a przecież wszyscy, zwłaszcza my-naukowcy, lubimy widzieć efekty swojej pracy i mieć poczucie, że jest ona wartościowa.
