حدد القرار الذي تحتاج أن تساعدك الدراسات السابقة على اتخاذه، ثم ابحث عن أبحاث تتصل به. إذا كنت تختار بنية لتصنيف الصور مثلاً، فاقرأ كيف بُنيت النماذج وعلى أي بيانات اختُبرت وما حدود نتائجها. سنستخدم VGG وResNet لتوضيح المقارنة والإحالة إلى الدليل، دون اعتبار دراستين مسحاً كاملاً للمجال.
ابنِ سجل بحث يمكن إعادته
قسّم السؤال إلى المشكلة والتقنية والبيئة. مثالنا الافتراضي: «تصنيف صور»، و«شبكات تلافيفية عميقة»، و«مقارنة تعقيد البنية». استخدم كلمات بحث عربية وإنجليزية، وسجل منصة البحث والعبارة والتاريخ ومعيار الاختيار. أعطِ الأولوية للورقة الأصلية ونسختها الكاملة، ثم ارجع إلى المراجع التي تساعد فعلًا على فهم القرار.
| الحقل | ماذا تكتب؟ |
|---|---|
| السؤال | أي بنية تناسب البيانات والموارد المحددة؟ |
| الاستعلام | العبارة المستخدمة حرفيًا مع منصة البحث |
| معيار الإدراج | وصف بنية وتجربة وبيانات يمكن مراجعتها |
| سبب الاستبعاد | موضوع مختلف، أو غياب النص اللازم للتحقق |
| موضع الدليل | القسم أو الجدول أو الصفحة والإصدار |
لا تكتب أنك قرأت دراسة كاملة إذا اكتفيت بملخصها. اقرأ الملخص لاختيار المرشح، ثم افحص المنهج والتجربة والنتائج قبل استخلاص مقارنة. إذا تعذر الوصول إلى النص، سجل ذلك ولا تملأ التفاصيل من التخمين أو من ملخص مصدر آخر ينسب إليها نتيجة.
مقارنة دراستين حقيقيتين
تستند المقارنة إلى نسخة VGG السادسة ونسخة ResNet الأولى المنشورتين في arXiv، وإلى الأجزاء التي تصف المشكلة والبنية والتجارب فيهما. يقتصر نطاقها على هاتين الدراستين، ولا يمثل مسحاً شاملاً لتصنيف الصور أو ترشيحاً لأحدث النماذج.
| الدراسة | المشكلة والمنهج | البيانات والنتيجة المنشورة | حد استنتاجنا للمشروع |
|---|---|---|---|
| VGG، Simonyan وZisserman، نسخة 2015 | تقييم أثر زيادة العمق مع مرشحات التفاف صغيرة، ومقارنة تكوينات 11–19 طبقة ذات أوزان. | تجارب تصنيف على ILSVRC مع تقييمات إضافية؛ تدعم الدراسة فائدة زيادة العمق ضمن إعداداتها. | اختبارات الصورة والموارد فيها لا تثبت الأداء على كاميرا أو بيانات مشروعنا. |
| ResNet، He وزملاؤه، 2015 | معالجة صعوبة تحسين الشبكات الأعمق باستخدام تعلم دوال متبقية ووصلات اختصار. | تجارب ImageNet وCIFAR-10؛ يعرض النص شبكة 152 طبقة ونتائج تدعم سهولة التحسين في التجارب المعروضة. | لا يمكن عزل أثر البنية عن بقية إعدادات التدريب بمجرد مقارنة رقمين من ورقتين. |
تختلف غاية الدراستين: الأولى تفحص العمق ضمن تكوينات متقاربة، والثانية تعالج مشكلة التحسين عند تعميق الشبكات. لذلك تكون المقارنة مفيدة عندما تصف القرار الذي تغير، لا عندما تعلن أن نموذجًا «أفضل دائمًا». ويظل قياس الحجم وزمن التنفيذ على جهاز مشروعك تجربة مستقلة تحتاج تصميمًا وتنفيذًا.
افصل قول الباحث عن تفسيرك
في ورقة ملاحظاتك ضع ثلاث خانات: «ما ورد في المصدر»، و«تفسيرنا»، و«ما سنختبره». مثال: يصف المصدر وصلات اختصار؛ نرى أنها مرشح مناسب للمقارنة؛ وسنختبر زمن الاستدلال على عينة محددة. الخانة الثالثة ليست نتيجة، لذلك لا تملأها بأرقام متوقعة ثم تعرضها بوصفها قياسًا.
عند نقل رقم تحقق من تعريفه: هل هو top-1 أم top-5؟ هل قيس على validation أم test؟ هل يخص نموذجًا واحدًا أم ensemble؟ لا تغيّر تسمية «خطأ» إلى «دقة» دون عملية صحيحة، ولا تقارن مقاييس مختلفة كما لو كانت عمودًا واحدًا. اذكر موضع الرقم في الجدول الأصلي وأي معالجة أجريتها.
اكتب فقرة مقارنة تخدم قرارك
ابدأ بفكرة تجمع الدراسات، ثم فسّر الاختلاف، ثم اربط ذلك بقرار المشروع. مثال صياغة: «تشير الدراستان إلى أن العمق وحده لا يحدد سهولة التدريب؛ إذ يتغير تصميم مسار التعلم أيضًا. لهذا ستقارن التجربة المقترحة بنيتين على تقسيم بيانات واحد، وتعرض تكلفة التنفيذ مع مقياس التصنيف». هذه خطة اختبار مستنبطة، وليست ادعاء أن الورقتين اختبرتا مشروعك.
لا تقل «لم يتناول أحد المشكلة» لأنك لم تجدها في أول نتائج البحث. ضيّق العبارة إلى حدود البحث الذي أجريته، أو قل إن مشروعك يكيّف منهجًا قائمًا لبيئة أو متطلبات محددة. يمكن أن تكون قيمة المشروع هندسية في التكامل والتقييم، حتى دون اختراع خوارزمية.
راجع الإحالات قبل التسليم
- العنوان والمؤلفون والسنة والإصدار مطابقون للمصدر.
- كل استنتاج تقني له إحالة تدعمه قريبًا منه.
- المقارنة تشمل البيانات والمقاييس والقيود ذات الصلة.
- الاقتباس الحرفي محدود ومميز، وبقية النص تحليل بصياغتك.
- قائمة المراجع تتبع قالب الجامعة وتحتوي روابط قابلة للتحقق.
أثناء إعداد التوثيق والتقرير التقني، اذكر أي قرار استند إلى كل دراسة، وما الذي ستختبره بنفسك. يستطيع القارئ عندها تتبع الإحالة إلى التصميم والتجربة، بدلاً من قراءة ملخصات لا توضح علاقتها بالمشروع.
المصادر
- Simonyan and Zisserman: Very Deep Convolutional Networks, v6
- He et al.: Deep Residual Learning for Image Recognition
مراجعة المصادر: .
اختبار المثال وحدوده
فُتحت النسختان الكاملتان وقرئت المقدمة والبنية والتجارب المرتبطة بالمقارنة؛ لم تُكرر تجارب الورقتين أو تُختبر نماذجهما. الجدول يصف ما نشره الباحثون، لا نتائج للاستوديو.
مقالات ذات صلة
الخدمة المرتبطة: إعداد التوثيق والتقارير التقنية.
أرسل متطلبات مشروعك