本文是看了沐神分享的一个视频的笔记，地址：https://www.zhihu.com/zvideo/1475716940051869696
视频中分享了沐神自己如何判断工作的研究价值的三个标准。当然，视频中也声明了，这套方法比较偏向专业技术类，有点类似专硕的感觉。对于理论型和学术型不太适用。
首先我们得判断我们研究的问题不是一个工程性的问题，比如我们的算法在机器上运行有问题，内存不够了，这就可以直接扩大内存，或者优化一下代码就能直观判断出能否解决问题。或者模型的效果不够理想，是否增加一些训练集就能解决问题。这类问题一般都可以在提出解决方案之后就能判断出能够解决。而研究性问题一般是更为复杂的，之前的方案很难解决，并且你提出一些方案之后在没有实验之前不知道效果。
评判价值的模型：
价
值
=
新
颖
性
×
有
效
性
×
问
题
大
小
价值=新颖性 \times 有效性 \times 问题大小
价
值
=
新
颖
性
×
有
效
性
×
问
题
大
小
第一点是新颖性，这是一个相对的概念，并且具有一定的主观性。最直观的判断就是你所提出的方法在你所有研究的领域，是不是已经有人做了，或者大家都知道。简单地将其分为3个档次，1、10、100。1表示最小，比如大家都不意外，都知道是什么方法，并且你不说别人也知道大概的结果。10表示中等，指你在某一个点非常聪明地使用了一个的技术解决了一个还不错的问题。100表示最大，指你用的技术大家还不熟的，你把它用过来让大家觉得打开了新大门。
第二点是有效性，这也是一个相对的概念，就是你的方法比之前的工作有一定的提升。简单地将其分为3个档次，1、10、100。1表示最小，比如只是针对模型的准确率有一点点的提升。10表示中等，比如你所在的研究领域一年的工作数据集提升10个点，而你的工作就提升了1个点，就已经很不错了。100表示最大，比如你一个工作就往前推了5个点，或者在专业应用领域，你的工作可以大幅降低成本，又或者安全性很高，也具有比较好的有效性。
第三点是问题大小，简单地将其分为3个档次，1、10、100。1表示最小，比如研究的问题就是在前人工作做的不好的地方做了一个改进。10表示中等，比如在机器视觉中的一个子任务。100表示很大，比如提升了机器对图片或文字的理解。
根据定义的模型，最好价值分数能达到1000及以上，因为这是一个比较好的分数，至少保证有一个指标能达到100比较好的程度，其他两个指标一个拿10，一个拿1也无伤大雅。或者三个指标都能达到中等水平，用一个比较新颖性的技术比较有效的解决了一个还不算小的问题。
1000这个水平能保证你的研究质量具有一定的水平
。
最后，你可以总结你的工作为：
用什么方法怎么样有效的解决了什么研究问题
。你的论文摘要也可以这么写：
你在解决什么样的研究问题，我的方法的新意在哪里，我的结果是什么样的
。