談資訊科學的研究方法

作者：陳鍾誠

相關文章

研究生一定要知道的 ─ “秘密”
娛樂篇：研究所完全求生手冊
娛樂篇：你們公司的程式設計師穿著 Level Up 了嗎？

前言

我想、我是最沒有資格談研究的大學老師了，畢竟、我沒有做過多少學術性的論
文， 然而、當我看到許多同學努力的往錯誤的方向走去，卻沒有人告訴他們這
件事， 我就忍不住要提醒他們，我也曾經範過同樣的錯誤，這些錯誤，足足讓
我白費了 很多年的光陰。

何謂科學研究?

到底甚麼是科學研究呢？科學與非科學之間有之間有何區別？ 很難的東西就是
科學研究嗎？ 用了很多數學方法的東西就是科學研究嗎？ 當然不是。

區分科學與非科學之間的界限，在於是否可以用外在環境或實驗進行檢驗，可
以驗證或否證者 稱為科學研究，例如：『物理、化學、生物』等類別的研究，通常
可以用實驗的方法檢驗， 因此毫無疑問屬於科學類，而『歷史學、人類學、社會
學、心理學』等社會類的科目，由於許多 研究難以檢驗，能否納入科學類則見人
見智，另外、有一些很特別的學科，例如：『數學、資訊科學』， 能否納入科學研
究呢？

根據可否進行檢驗的判斷法，數學很難被納入科學研究的範疇，因為數學是受
邏輯法則規範， 但卻無法用外在環境進行檢驗的，雖然數學在許多科學當中是
重要的工具，但通常不會因此而被納入 科學研究的範疇。
資訊科學就更難以判定了，某些資訊科學的領域，像是『演算法、影像識別...』等
等，是可以很容易的 進行檢驗的，其判定的指標有『速度、空間、正確率』等等，
而有些領域，則難以用客觀標準判定， 例如：『自然語言處理、機器翻譯...』等等，
由於牽涉到人類主觀的評判，不容易以客觀的標準評定， 因此、能否稱為科學
很難定義，這與社會科學的狀況一樣。

資訊科學的檢驗與評判

既然科學研究要求檢驗，要求否證或驗證，那進行研究之前當然要想清楚『如何
檢驗？』這個問題， 有些研究領域，無法或很難進行檢驗，若一腳踏入，可能
誤入歧途，那對急於畢業的研究生而言可能就 一命嗚呼了，因此、進行研究之
前千萬要想清楚如何驗證的問題。

資訊科學研究的檢驗方式，常用的有三種判斷指標，第一種判斷指標是速度，
演算法的研究通常可以用速度來 進行比較，例如：比較哪一個演算法的速度比
較快，複雜度比較低，硬碟存取次數比較少等等，第二種 斷指標是使用的空間
大小，這個指標在演算法上比較少用，但在影像壓縮等領域則可以使用，第三
種判斷指標 是正確率或準確率，這在人工智慧的領域比較常見，涉及預測或模
仿人類行為的，通常可以用準確率進行評量。

要進行評量，很多時候得先看看手上的資源是否足夠，否則、當研究進行了兩三
年，才發現沒有辦法評量， 那將陷入進退兩難的境地，這對博士生是一個很大
的傷害。

舉例而言：假如你進行影像處理的研究，例如辨認車牌號碼，那你可能會先去
看各式各樣的論文後開始設計方法， 然而、是否有車牌號碼辨識準確率測試常
用的影像庫卻是一個大問題，否則、當你設計出程式後，如何與 其他方法進行
比較將有一定的困難。

如果有標準的測試資料，也就是所謂的 Bench Mark，那在方法的比較上就相對

容易，各個論文的方法可以 不用重做實驗就能進行比較，但是若沒有，那你如
何與其他方法進行比較呢？

當沒有標準的測試資料時，就無法直接進行比較，但是在網際網路時代，如果
有些論文作者將其論文的程式碼 上網，則你可以對同一份測試資料進行兩次的
實驗，一次用你的程式跑，一次用對方的程式跑，在將結果進行 正確率的比較，
這也是一個很容易的辦法。

當該領域既沒有標準的測試資料，或者比較的方法沒有公開的程式時，那你只
好仔細看看對方的論文，然後 自行實作出程式，再將兩者進行比較，以評估方
法間的優劣。

但是這種私自實作對方方法的作法，有時很不容易進行，因為論文很難揭露所
有程式設計的資訊，因此、 即使實作完成，仍然無法確認是否與對方的方法一
致，參數等設定方式是否相同，程式設計是否正確等等， 因此、費力費時又不
討好。

甚至有些領域連評量都有所困難，就更別說客觀性了，例如：『自然語言處理、
機器翻譯...』等領域， 其評量指標都會與人的主觀判斷有關，若沒有一個大家共
同認定的評量基準，根本無法比較，當你踏入這樣的 領域時，要有非常堅強的
心理準備，實驗測試必定很難進行。

資訊科學中所使用的研究方法

要談論研究方法，我想我實在太不夠資格『班門弄斧』了，我的研究少得可憐，
在學術領域頂多只是食物鏈中的『浮游生物』而已，連蝦米都可以吃掉我，但為
了本篇文章，只好勉力振作一下，但是、我還是希望有重量級的 研究者能看到
本篇文章後，為我們講講『研究方法』 。

『喂、劉 x 朗爺爺，李 x 同伯伯，我在叫你們了，聽到了沒有，出來指導一下可

憐的研究生吧!』
(喔! 不要踢我...)

承上所述，研究必需找對題目，在選定題目之前一定要先想清楚該題目有沒有
辦法驗証或評估優劣，有沒有比較的 實驗基準等等，如果沒有，你卻冒然踏入，
那就又踩到陷井了。

這樣說明實在太抽像了，我再用具體一點的例子，還是以資訊科學領域作範例：

假如你要投入『語音辨識』領域的研究，那最好先想清楚，作一下需求分析的動
作，例如是否已經能取得 供測試用的『語音庫』，該語音庫是否曾經被其它研究
使用過，並成為研究人員比較語音辨識方法優劣的基準， 如果有，那驗證上就
有比較好的依據。

作研究時，往往不是像大學生想像的那樣

『我從頭到尾將程式作出來，然後看看我的程式的表現如何，這樣就好了，不是
嗎？』

這就又錯了，語音辨識的方法何其多，前人曾經作過多少的研究，若你完全重
新自創一套方法， 那勢必在前處理 (數位化後轉換成可被辨識程式處理的動作)、
學習 (利用標準達案讓電腦學到一套模式)、 辨識 (用該模式對前處理的結果進行
輸入-辨識-輸出的動作)、甚至後處理等等的過程都自己來，這樣即使你取得了
實驗結果，也不知道到底是前處理的功能很好，還是學習的功能很好，還是辨
識的功能很好， 更何況還要與他人的研究成果比較，你憑甚麼說你的方法是最
好的，況且、這樣做很容易範下致命的錯誤， 那就是自大的認為別人的研究都
是垃圾，口試時萬一有專家在場，肯定會不高興，被修理批鬥也是理所當然的。

因此、資訊科學的研究，較安全的方法是對目前幾種最好的方法進行改良，例如，
若語音辯識的模組可以 拆成 5 個部份，也就是

語音辨識 = A+B+C+D+E

那我們首先取得以這些方法實作出來了語音辨識模組的原始程式碼，然後對其
中某一個模組，例如 D， 進行改良，成為 MD，接著，用 A+B+C+MD+E 進行
測試，然後比對改良方法與原方法在正確率上是否有 所改進，甚至進一步對結
果進行分析，看看輸出相同的有哪些，原先正確後來確錯誤的有哪些，原先 錯
誤後來正確的又有哪些，D 與 MD 的優缺點各在哪理，然後、若結果令人滿意，
有明顯的改進， 再開始準備論文寫作。

但是、並不是每個領域都有被認可的測試資料與原始程式碼，因此、在選擇研究
領域上，就會很為難， 有些領域的風險就是比較高，投入後會『踢到鐵板』的機
會也會比較大。

擅於作研究的人，往往會有一些常用的技巧，例如：在影像處裡領域，有很多
種的前處理方式， 像是 Fourier Transform, Cosine Transform, Hadmard Transform
等等轉換方法，於是當某一個 研究者想要產出大量的論文時，就可以搭配某些
辨識方法，進行排列組合，舉例而言，假如影像辨識 有三個主要步驟，也就是

影像辨識 = A+B+C

經調查後，A 過程有 A1, A2 ... A5 等五種版本，B 過程有 B1, B2, B3 三種版本，

C 過程有 C1, C2, C3, C4 等四種版本，於是較投機的研究人員就可以出
5*3*4=60 篇論文，測試每一種的結果，但是這樣的作法通常不會是 很好的研究
(不過可以衝論文數量就是了，但要小心被指為一稿多投，那就掰掰了)。

一種可能的方法是，暴力式的對所有的 60 種組合進行過實驗後，寫出單一篇論
文說明哪些組合較好， 然後進行理論分析，看看為何這些組合會比較好，這樣
的做法就比較科學。

結語

資訊科學是一個跨領域的學科，可說是科學、工程、心理、設計、藝術的綜合體，
科學的部份可以用『速度、空間、正確率』等指標進行檢驗比較，牽涉到心理與人
類主觀判斷的部份， 例如：『自然語言處理、機器翻譯...』等等，在評量上很難以
客觀，而最難以評判的，是設計與藝術類的 領域，你應該無法想像如何使用客
觀指標去評價『凡谷』、『畢卡索』等人的繪畫吧 ？

然而、當你的興趣在『多媒體設計、遊戲設計、軟硬體設計』等設計類的領域時，卻
又一腳踏進學術界， 那勢必要大嘆『男怕入錯行、女怕嫁錯郎』了。