写作指导

找到科研选题的5种办法

时间：2023-12-12 20:31 所属分类：写作指导 点击次数：

　　2017 年夏天，我参加了哈尔滨工业大学的“ 大数据与商务分析” 暑期学校。关于那段日子的记忆是炎热、匆忙和充实的，我收获了许多东西，尤其是科研思路方面。

　　学校邀请的讲座学者都是数据科学和信息管理研究方面的专家。我如同刘姥姥进大观园一般眼花缭乱，看什么都觉得新奇有趣。我提的许多问题，如果自己尝试解决，花费的精力和机会成本都是巨大的，而这些有所迷惑的地方，我都从诸多专家那里获得了答案。即便有些地方不是一两句话就能说清的，热心的学者们也给了我充分的指引。

　　回津后我认真整理笔记，按图索骥地读书、看文章，希望把思路理清，并且记录下来。我希望把自己在科研领域认知升级的过程记载清楚、记录完整，也把这些收获和感悟分享给你。希望你和我一样，充分利用好各种机遇，在科研之路上精进前行。

　　这篇文章聚焦于科研选题。

　　我大致归纳了 5 种常见的选题导向，并帮你一一剖析。希望本文能有助于你的开题和今后的科研。

　　01为什么“方法导向”不适用于科研选题

　　在剖析我推荐给你的5 种选题导向前，我们先看看许多科研初学者容易犯的一个错误：以方法为导向进行科研选题。

　　有的学生在课堂上学过一些研究方法后，便开始套用还是一知半解的方法和工具，得到一堆来源可疑的数据，然后扔到统计软件里，等着漂亮的结果奔涌出来。更有甚者，方法、数据和研究题目都不匹配。

　　这样做能得到一项科研成果吗?当然不能。你通常会看到下面这样一个3 段论。

　　大前提：狗都有 4 条腿。

　　小前提：我家的猫有 4 条腿。

　　结论：我家的猫是1 条狗。

　　有这样一句俗语用来形容这种错误：“To the one with a hammer, everything looks like a nail.”

　　翻译过来就是，“当你手里拿着一把锤子的时候，看什么都像钉子。”

　　你可能觉得自己学过的东西更高级一些，不会犯这些毛病。例如学了爬虫(Crawler)，你就可以随心所欲地找自己需要的研究数据了，根本无须去伪造数据，或者担心别人填写你的问卷的时候胡乱应付;学了 R，你就可以做出非常漂亮的回归分析结果和图表了，甚至能处理时间序列;掌握了机器学习，你就可以让机器替你干累活儿，帮你快速分析出决策树、做出词云了，甚至是做文本情感分析与主题发现……

　　但是，即便这样，也请你记住—— 无论多么时髦和高级的工具， 都不应该成为你的论文选题的起点。

　　例如，你需要对数据构建模型，进行分类预测。你手里已经掌握的数据是结构化的。你可以把数据想象成一张 Excel 表格，其中包含许多特征列，以及对应的分类。这时候，可以选择的分类方法有很多，例如逻辑回归、决策树、随机森林和 SVM 等经典机器学习方法，这些就完全可以解决问题了。但是有的同学觉得这些方法不够酷、不够时髦，放眼望去，深度学习(Deep Learning)方法好像也可以做表格数据的分类，“ 就选它了”。

　　之后，你在论文的文献回顾部分写了大量关于“ 深度学习”优点的内容，把这种更为复杂的方法吹得神乎其神，自己读来感觉热血澎湃。其实你自己好好审视一下，那些深度学习模型在图像识别、自然语言理解方面的突破和你的研究真的有关系吗?

　　如果光看深度学习模型最终获得的分类结果指标，好像还不错， 但只关注单一结果数据是没有意义的。比较模型分类结果的标准，应该是同样的测试数据用不同模型得到的分类结果的对比。

　　这一对比，你立刻发现问题了——花了更长时间训练出来的深度神经网络模型，居然比经典模型的结果还要差。前面所有的吹嘘和最终的结果大相径庭。这样的文章显然连投出去的价值都没有。这是为什么呢?

　　原因可能有很多，但其中一个常见的原因是，你的数据不够多。深度学习模型有很多的参数，需要在训练中调整。这种调整需要足够多的数据支撑。你的数据不够多，模型没有办法抓住数据特征的规律，于是它开始“ 死记硬背”答案，专业术语叫作“过拟合”(Over-fitting)。做练习的时候，你的深度学习模型看起来非常厉害，可是测试的时候，面对没有见过的题目(新数据特征)， 它就“ 现了原形”。

　　所以，选择研究方法，绝对不是哪个新、哪个复杂、哪个酷炫， 就选哪个。拿着新颖的研究方法把数据“ 拷打”一遍，然后牵强附会地说明自己研究的独特性和价值，更是无稽之谈。研究方法要和研究问题、数据特征等环境相匹配，才是最好的选择。

　　把“ 分析法思考，综合法证明”的那一套要小聪明的做法暂时收起来，否则你就会一叶障目，找不准自己的起点，结果就是做出了一大堆劳动成果，却没有解决任何值得解决的问题。

　　选择某种方法时，一定要问自己以下几个问题。

　　为什么要使用这种方法?是因为自己熟悉吗?还是因为别人不熟悉?

　　这个问题是否适用于这种方法?有没有其他方法可以更好地解决该问题，即便这个方法你并不熟悉。

　　你能获取这种方法需要的数据吗?这些数据通过该方法的处理，能否得到你需要的结果?

　　选题、做题都是有机会成本的。把时间花费在值得的事物上。切记。

　　研究要有目的。最重要的目的是解决一个具体或抽象的问题，而且这个问题还应该有价值和意义。我这样说，不是让你停止学习研究方法。恰恰相反，研究方法不仅要学，还一定要多学。但是学过之后，要摒弃“ 一定要应用某一方法”来做研究和写论文的执念。

　　纽约大学斯特恩商学院 Heinz Riehl 讲座教授艾宁德亚·高斯(Anindya Ghose)说，只有你掌握的研究方法足够多，工具箱里有各种各样不同工具时，你才不会执着于某一种方法，而是会根据问题筛选合适的解决途径。

　　看来方法导向对论文选题不适用。那怎么办呢?很多人会抢答说“ 就用问题导向”。说的没错，但是仅仅说“ 问题导向”其实缺乏可操作性，我们还应清楚问题从哪里来，该怎样寻找其来源。

　　通过和一流学者的交流，以及阅读文献，我梳理出问题来源的以下几种常见类别。

　　·文献导向。

　　·数据导向。

　　·实践导向。

　　·协同导向。

　　·系统导向。

　　下面我来当导游，带你在不同的问题来源中游览一番。希望聪明的你可以掌握它们，并且找到适合自己的问题寻找途径。

　　02文献导向

　　做研究、写论文需要读文献，这是常识。许多研究者会建议你从文献中发现问题。这也是一种公认的途径。

　　文献研究实际上是学者们跨越时空的对话。这种特殊的对话形式，不仅要求作者梳理相关的历史文献，还得在论文末尾标注文章的限制和未来需要做的研究，即所谓的“展望”。

　　很多导师会让学生从文献着手发现别人的研究局限，然后通过突破这些局限，替别人把展望变成现实，从而做出属于自己的原创性研究。这种方式好不好?理论上是好的，也确实有一部分人通

　　过这种方式找到了好的选题。毕竟作者在论文结尾放这么一部分内容，本意就是给后来人提供合适的路标并指出前进的方向。

　　然而，现实往往是复杂的。许多经验丰富的研究者对此心知肚明，却因为各种原因不愿意或者没有找到合适的途径告诉你。

　　在现实世界的更多情况下，那些“ 限制”“ 展望”其实不是实在的路标，而是研究者望洋兴叹的产物。他们就如同《笑傲江湖》里面的魔教长老一样，手持利斧开山数百丈，却依然没有找到出口。研究者与长老不同的是，他们并没有继续前行累死自己，而是停下来告诉后人：“ 往这个方向走是没错的。”

　　除非你幸运如令狐冲，否则别指望剩下的山体可以一捅就破。大部分情况下，你朝着这个方向走下去，恐怕还得另外开山数百丈，甚至可能会累死在半途中。

　　这是因为，许多能解决的问题，原先的研究者早已解决完。谁会把容易解决的问题拱手让人呢?积攒这些问题和存钱不同，不会给他们带来任何复利的好处。更何况，审稿人哪里会对容易解决的问题“ 高抬贵手”?肯定会“ 穷追猛打”，让作者反复思索， 直到作者真正解决了它们才肯善罢甘休。

　　被审稿人和编辑放过的“ 未解决”问题，要么是当前环境下非常难以攻克的问题，实在不便强人所难;要么是工作量很大的问题，完全可以自成一体，再写一篇文章。当你有幸在期刊上读到

　　正式发表的论文的时候，作者兴许早把这展望中描述的“ 后一篇文章”写完了。

　　这就如同王戎说李子是苦的一般，科研领域里低垂的果实(low-hanging fruit)并不容易碰上。如果你运用理性思维琢磨，就会发现其中的奥秘。正因这种潜规则，谷歌公司首席经济学家， 加利福尼亚大学伯克利分校(UC Berkeley)的教授哈尔·瓦里安( Hal Varian)提出，千万不要在构建完成一个新的模型前， 去寻找和阅读相关文献。

　　瓦里安这样说主要出于两个考虑。首先，好的文献绝不会给你留下容易解决的好问题;其次，你的思路可能会跟着这些走在“ 主流”道路上的“ 大牛”走，彻底钻到一个死胡同里，而对于本来可以轻易发现的新问题，你可能会自动忽略它们。

　　因此，瓦里安建议人们先把模型做出来，然后不断迭代、修正模型到可以接受的程度。

　　有了这样一个模型再去读文献，你可能会发现数十年前这个问题就有人研究过了。不过不要沮丧，这不是大问题。

　　这恰恰证明你的独立科研能力已经达到( 至少在当时)可以在优秀期刊发表论文的水平。对于科研初学者来说，这是一种非常积极的反馈。下面用你的经验去查找新的问题和模型。如果你的模型和原作者有细微的差别，那就更好了。从这些差别中，你可能会有极其有价值的发现。

　　佐治亚理工学院的吴东军教授(D. J. Wu)提的办法更有意思。他的办法属于典型的“看热闹不嫌事儿大” ——让经典文献相互“打架”!

　　文献不是生物，怎么“ 打架”?其实许多文献确实在“ 打架”。例如一篇文献 A 提出某观点，可能一段时间后另一篇文献 B 就用充足的证据把该观点驳斥得体无完肤。

　　人们就倾向于将新的文献 B 的观点奉为圭臬。但是文献 A 当初是怎么从审稿人的手底下“ 滑过去”的呢?真的是审稿人缺乏责任心导致的“ 事故”吗?事情恐怕没有这么简单——文献 A 很可能有合理和可取之处。于是吴教授从这样的文献间的冲突出发， 用更为全面的模型考虑在哪种情况下，文献A 的论点依然会成立，从而对文献A 给予( 有条件的)支持。

　　由于文献 A 和文献 B 的冲突，吴教授所做研究的意义和价值已经不言自明，从一开始选题就具备了充分的价值和必要性。因此这是一种非常聪明而有效的文献利用方法。

　　发现、理解，而且还恰好能重新诠释经典文献之间的冲突，听起来很美妙。然而，并非所有人都有这样的运气和毅力。所以，为了发现问题，你还需要使用其他的手段—— 数据导向。

　　03数据导向

　　如果你手里有好的独特数据，可以尝试从中获得选题。

　　在我参加的这次暑期学校中，有半天的时间是编辑与作者的交流时间。由于 MISQ 的主编阿伦·拉伊(Arun Rai)和 ISR 的主编阿洛克·古普塔(Alok Gupta)都在，所以参与交流的人被分成了 2 组，每组分别有 3~4 位作者展示自己的论文，寻求主编的意见。

　　有位作者展示的是利用 Foursquare 数据对用户行为进行预测研究。不少听众的兴趣点在于独特的大规模数据获取，散会后，他们一直追问论文作者是如何收集这些数据的。

　　这位论文作者一下子有些紧张，似乎害怕这份宝贵的数据很快就被别人轻易夺走。这种担心不无道理。大数据时代，数据是不缺的，但获得真正有价值的数据，如同沙里淘金，并不是一件容易的事情。别说数据本身，就连淬炼高价值数据的方法，也是经过了无数次摸索和失败才最终获得的。

　　专属的数据不是所有人都能得到的。有位老师讲解了如何和国家税务总局合作，利用发票数据来监控产能过剩的问题。方法非常简单，筛选出合适的指标特征就可以——他最后选择的是钢铁和煤炭行业的数据。通过这种方式，他不仅给全国企业画像，还通过某些指标特征，发现了其他“ 有趣的结果”。

　　你可能觉得很不服气——这样的问题自己也有能力处理啊!问题是，从哪里获取如此大规模的专属数据呢?这个问题咱们后面会谈及。

　　如果专属数据难以获取，你可以退而求其次，找开放数据。开放数据中，也有非常适用于研究的，而且规模庞大。

　　但是请注意，如果你利用开放数据做研究，速度是非常重要的。这是个竞争激烈的领域，唯快不破。你能看到的数据，别人也能看到。如果下手慢了，你可能就摘不到“低垂的果实”。

　　现在学术界比较注重原始数据的开放性。这主要是为了保证研究的可重复性能被有效检验。有不少期刊在作者投稿的时候就要求上传对应的数据，而且数据集目前也可以单独出版，这样别人使用时可直接引用。作者辛苦采集的数据被一次次的引用行为肯定。

　　再如 Kaggle 等数据科学竞赛网站上总是有非常规整的数据集可供你使用。如果你用得好，挖掘出数据的独特价值，甚至还能获得价值不菲的奖金，何乐不为?

　　看到这里，你或许感到很疑惑：刚才还说有价值的数据非常稀缺，可为什么这些企业和组织机构要在 Kaggle 这样的网站上公开发布数据呢?而且不但白给别人数据，还发奖金?

　　实际上，企业在经营活动中，总会面临之前没有遇到的实际问题。他们十分需要利用数据驱动的方式来解决这些问题。传统的解决问题的方式是，从企业咨询机构聘用顾问或咨询师，但是顾问一般是按照工作时长而非产出效果来收费的。企业与其高价买来无法衡量品质的服务，还不如干脆公开发布数据，给出确定的奖金数额，让大家来竞赛，即以奖金为杠杆，撬动世界上优秀的大脑一起竞争解决问题。所以，这种做法是真正的理性决策。

　　通过企业主动公开数据的例子，你应该明白了一个道理—— 数据虽然可以给你带来独特的视角和观察资料，但是其中蕴含的更为重要和有价值的问题，其实源自实践。

　　04实践导向

　　前面提到过，哈尔·瓦里安教授认为不应该从文献中找问题，而应该把时间花在看似不相干的报纸和杂志的阅读上。他推荐的报纸杂志包括《纽约时报》《华尔街日报》《经济学人》等。

　　瓦里安教授认为，对经济学研究者来说，读这些东西远远比看文献重要。因为这些报刊会提到经济学家感兴趣的实际问题，虽然分析过程有时漏洞百出。其他专业人士看了，可能一笑置之，但是瓦里安教授显然不会轻易放过这么好的选题机会。

　　其实，在学术圈写论文，就像在讨论区和别人争论。如果你只会翻来覆去说一些大家都知道的内容，没有人会感兴趣;而如果你能不断从外界获得新的灵感、信息和见识，特别是利用好别人提出却没有解决的好问题，那你讲的内容就可以更轻易地抓住别人的注意力。

　　除了阅读这些报纸杂志，学者们还提出了两个很好的发现问题的途径。

　　一个是业界咨询工作。艾宁德亚·高斯和保尔·帕夫罗(Paul Pavlou)等学者都是“ 两条腿走路”—— 一边在学术界攀登，一边在业界做咨询工作。咨询的目标是解决问题。作为一名咨询顾问，不用你主动去寻找，问题也会自己找上门来。

　　在大数据时代，做咨询必然要接触许多企业数据。例如，高斯获得了好几家知名企业做数字广告的效果数据。这些数据不仅体量庞大， 而且结构完整、真实性高，是让你的研究获得竞争优势的重要源泉。

　　与企业合作是一种双赢之道。这里我给你提个醒——在这个人与人之间联系紧密的社会上生活，一定要学会互惠合作，不要总是尝试做“ 伸手党”。

　　许多导师和研究生都觉得，获取数据是一件非常困难的事情—— 那些大公司根本不愿意分享数据给你。没错，但是你没有看到“ 硬币的另一面”。他们其实特别乐意分享数据，只要你的分析能力比他们强，能给他们更有价值的洞见。不难想见，许多大型企业都对高斯和帕夫罗这样的顶级学者敞开大门、张开双臂，表示热烈欢迎。

　　同样的数据，在不擅于分析的人手中一文不值，到了会分析的人那里就可以被挖掘出不菲的价值。企业解决了实际问题，获得了经济回报;你完成了研究，发表了高水平论文。这便是双赢之道。

　　可是你作为一个科研初学者，还远远没有那样的积累。大企业可能还是会把你拒之门外，怎么办呢?

　　答案是从小处做起，如帮中小企业解决具体的问题。

　　我在密歇根州大学访学的时候，讲授管理信息系统课的基兹耶尔教授，让学生到主街(main street)上挨个敲商户的门，帮助他们发现目前存在哪些不足，并且想方设法加以改进。学生上课的时候分享这些案例，可以充分体会“ 实践出真知”的意义。

　　获取实践问题的另一个途径是读案例。

　　前面提到的佐治亚理工学院吴东军教授，就让自己的学生去读哈佛案例库，从案例中寻找问题。一个企业案例能进入哈佛的案例库是非常不容易的。经过层层筛选的企业案例往往代表业界实践中非常典型的问题。哈佛商学院教授派珀认为“ 商业世界只有问题，没有理论”。通过读案例，学生可以找到“想问题的感觉”。

　　你看，一个经典而庞大的问题库与实践结合紧密，理论却缺位，

　　这难道不正是研究者们的好机会吗?

　　然而，据吴教授说，他带的博士生里愿意听他话的寥寥无几。有个叫黄涛的学生听了他的话，真的跑去读案例，于是成了他最为得意的学生，发展得非常好。看来，听导师的话，不吃亏。

　　有的同学可能会觉得，自己没有声誉和名气，是不是就不能按照“ 实践导向”来选题呢?

　　当然不是。每个人都有自己独特的生活环境，你可以找到自己独特的生态位。尽量扬长避短，找自己熟悉的地方切入。当年我们学院有个学生是少数民族，他在做毕业设计时选择做本民族语言文献管理系统，效果很惊艳，获得了“优秀毕业设计”的荣誉。

　　05协同导向

　　暑期学校的最后一天，主办方把保尔·帕夫罗请了过来。

　　别人做学术报告，多是用自己发表的几篇论文来讲解自己具体的研究，或者把自己的心得和其他学者的观点熔于一炉，娓娓道来。保尔不是，他介绍了移动互联网领域的几大重点研究方向， 介绍每一个研究方向时，都对自己目前发表在一些顶级期刊上的文献进行点评。他很谦卑地说，批评别人的作品是一件比较困难的事，所以就批评自己的作品吧。

　　然后，在每一个类别下面，他都批评了几篇自己的作品。这样的PPT 有十几页。他确实没有办法细讲，因为他发表在顶级期刊上的研究成果过多，每篇都细讲的话，肯定超时。

　　你可能对这些国外期刊不是很熟悉，为了让你能有切身的感受， 咱们打个比方。好比一位国内图书情报学者介绍自己近几年的研究，列出了三四十篇文献，全都发表在《中国图书馆学报》《情报学报》《中国社会科学》《管理世界》上…… 明白有多厉害了吧?

　　中场休息的时候，坐在第一排的我一个箭步蹿上台，问了一个颇为幼稚的问题：“ 别的学者总说质量和数量是一对矛盾，要做权衡取舍。我看你在保证研究质量的同时却有这么多的研究数量。你一定有什么秘诀吧?”

　　保尔笑了笑说，其实没有什么秘诀，只是遵循了以下 3 条法则。

　　·努力工作，不能过于努力而耽误了生活，但是也得足够努力。

　　·研究的问题要通俗易懂和有趣，这样才做得下去。

　　·要找靠谱的合作者。其实最近这几年他并不想发表这么多文章，但是合作者( 包括同事、博士生和刚刚毕业的博士)不干， 他们一个个干劲儿十足，拽着他往前冲。

　　我一下子明白了合作者的重要性。他们所能提供的不仅是独特的知识、方法和观察视角，还有动力。

　　然而，为什么像保尔这种质量与数量齐飞的情况并不多见呢?

　　从他的讲述中，我悟出了关键点——扎实的基本功。他做了很长时间的博士，在长期的博士基本功训练里，他对任何研究方法都认真掌握，然后反复磨炼。他能处理一个大领域中不同的科研问题，所以与他人合作的结果非常好，沟通带宽也足够高。

　　对于自己的这种能力，保尔用了“ 幸运”一词，但是我相信用“ 努力”一词会更确切。当他足够优秀，功成名就时，自然就会吸引更多优秀的人跟他合作，于是他的声望就达成了一种正向循环。你要想得到这种正向循环，还需要足够长时间的积累。有同学问我，该怎么选择合作者?

　　我的答复是：多出去开会，跟“ 高人”建立联系。“ 高人”未必是功成名就者，很多年轻人也非常有潜力。

　　从保尔这里我领悟了许多。然而，因为时间关系，他虽然把一条清晰的脉络展现在了听众的面前，却没有着重去讲他选题的另一个重要成功法则。幸好，吴东军教授给我们补上了这一课。

　　06系统导向

　　在与吴东军教授的问答过程中，我说了一句实话：“ 您讲之前我都困了，您讲完我都不困了!”

　　大热天的，听了一上午的课后，刚吃过午饭，下午1 点就上课， 一直到下午 4 点，能不困吗?但是吴教授有办法让大家变得特别有精神，因为他非常幽默。

　　吴教授的讲座有以下两条主线。

　　批评自己的研究生。他说因为跟自己带的研究生们讲话没人听，所以跑到世界各地给别人讲，别人听了获得了成功，就可以拿过来当榜样教育自己的学生。

　　夸自己的儿子。吴教授的儿子非常优秀，被藤校提前录取。吴教授介绍完儿子的成长经历后，课后问答时间就有许多老师跑上去问育儿经，搞得吴教授只好推说孩子平时都是太太管教。

　　但是，他讲自己儿子的故事，却给他自己和观众都带来了启发。

　　近 10 年前，他儿子还很小的时候，爷俩喜欢下国际象棋。吴教授下棋时似乎没有什么风度，最大的乐趣就是一个个吃儿子手里的车马小卒，看着儿子干着急，他乐不可支。

　　但是，那一次，儿子的举动让他惊呆了。

　　他依然欢乐地吃儿子手里的棋子，儿子却突然抬头，自信地告诉他：“ 爸爸你输了。”他觉得这是儿子的臆想，自己这边兵力充足， 子数占优啊。但是这盘棋真的是儿子赢了。吴教授不解，问儿子是怎样做出的判断。

　　他儿子说，因为自己的布局已经完成，虽然损失了一些棋子，但是锁定了最终的胜负。

　　吴教授当时立即悟出后面几年的科研路径——要布局。吴教授追求的布局，早几年想明白这个道理的保尔已经做到。

　　布局的精髓是，在一个领域的每一个方向上都占领关键点，这要求你对该领域有全面、深刻的了解，并且能够预测该领域之后一段时间内可能的发展;在你占领了这些关键点后，别的学者取得的任何研究突破，都必须以你的这些关键点为基石，那么被引用率想不高都难。

　　清华大学的宁向东教授一直强调“格局”二字。在他看来，“ 格” 是动词，“ 局”是名词，作为宾语。一个领导者只有具备“ 格局”的能力和智慧，才能充分地调动各种资源为自己所用。保尔也强调了这个问题，他认为一个学者应该具有企业家精神(entrepreneurship)，也就是说，好的学者也该是好的领导型管理人才。

　　关于关键点的占领，有趣的例子是科斯的论文。当年科斯提出著名的“ 科斯定理”的那篇论文，因为打破传统认知，缺乏学界共识，导致很多经济学研究者不以为然，纷纷提出批判性意见。然而几十年间，科斯的文章被引用的次数过于惊人，他也拿到了诺贝尔经济学奖。

　　07小结

　　本文总共列举了 6 种科研选题的导向。其中“ 方法导向”你应该避免使用，而其他的 5 种导向都可以借鉴。

　　复习一下，其他的 5 种导向分别为如下内容。

　　文献导向，从经典文献中发现问题。

　　数据导向，如果你手里有好的独特数据，可以尝试从中获 得选题。

　　实践导向，从媒体、业界咨询和案例中发现选题。

　　协同导向，明白优秀合作者的重要性。

　　系统导向，提前布局，占领行业关键点。

　　使用时要注意它们独特的应用场景，以及要和你的现实条件相结合。希望这些内容，对你的论文选题有所帮助。

　　除了本节中列出的 6 种导向，你还知道哪些做科研选题的方法?这些方法你实际使用过吗?你有什么值得借鉴的经验或应当汲取的教训吗?