RESEARCH WRITING GUIDE: FROM PROJECT TO PUBLICATION

Практичний гайд для студентів та дослідників KSE

Цей гайд створено для студентів та дослідників KSE, щоб допомогти трансформувати навчальні проєкти у повноцінні академічні та прикладні публікації. Створено на основі інсайтів з інтерв’ю викладачів KSE — Ігоря Мірошниченка та Дарини Коркач.

🌍 1. ЗАГАЛЬНІ НАСТАНОВИ ТА СВІТОГЛЯД ДОСЛІДНИКА

(Спільні принципи для будь-якого напрямку дослідження)

🧱 1.1. Філософія наукового внеску: «Принцип цеглинки»

  • Відмовтеся від пошуку «вундервафлі»: Студенти часто вигорають на старті, намагаючись вигадати радикально нову теорію, яка переверне світ. Насправді наука будується еволюційно.
  • Внесок у стіну знань: Якісне дослідження — це міцна, валідна цеглинка, додана до існуючого контексту. Це може бути:
    • Тестування відомої моделі/підходу на абсолютно нових або локальних (українських) даних.
    • Спроба відтворення чужих результатів (reproducibility), щоб перевірити їхню стійкість.
  • Гнучкість ітерацій: Початкова постановка задачі — це не догма, а робоча гіпотеза. У процесі дослідження ви неминуче знайдете нові взаємозв’язки чи аномалії. Науковий процес може бути ітеративним: абсолютно нормально змінити фокус, якщо цього вимагають дані.

🧑‍🤝‍🧑 1.2. Людський вимір та ефект “So What?”

  • За кожною цифрою стоїть людина: Дослідження не існує у вакуумі формул чи нормативних актів. Завжди ставте собі глибоке запитання: «Чому це важливо для суспільства, економіки чи державної політики?».
  • Прикладний характер KSE: Академічний текст має бути містком до реальних рішень. Якщо результати неможливо імплементувати в бізнес-стратегію або державну політику (Policy Implications), цінність такої роботи стрімко падає.
  • Текстова синергія: Вміння писати та презентувати результати так само важливе, як і вміння рахувати чи кодити. Складна та блискуча модель нічого не варта, якщо ви не можете пояснити її цінність стейкхолдерам простою мовою.

🚩 1.3. Пастки та червоні прапорці на шляху

ImportantУникайте цих помилок!
  • Робота «в столі»: Найбільша демотивація — коли дослідження робиться відірвано від реальності та ігнорується управлінцями (Decision Makers). Орієнтуйтеся на реального споживача або актуальний суспільний запит.
  • Замилене око та ізоляція: Найгірше — закритися з проблемою на тижні. Якщо ви застрягли на якомусь етапі більше ніж на кілька годин — негайно йдіть до ментора. Погляд з боку за 5 хвилин може зруйнувати ілюзію чи знайти помилку, на яку ви витратили б тиждень.
  • Сліпа віра в ШІ джерела: Сучасні LLM чудово допомагають структурувати думки чи шукати баги в коді, але вони схильні галюцинувати, вигадувати джерела та повністю упускати контекст вашої специфічної задачі. Перевіряйте кожну цифру та посилання власноруч.

💻 2. QUANTITATIVE & DATA SCIENCE RESEARCH

(Технічний блок: аналіз даних, моделювання та відтворюваність коду)

🛠️ 2.1. Data Engineering та «Кухня» дослідження

Практика показує, що збір даних, їх парсинг, очищення, обробка пропусків та приведення до ладу займає близько 70% усього часу та зусиль. Сама побудова моделі чи запуск фінального алгоритму — це найпростіша частина.

  • Контекстуальна валідація (Domain Knowledge): Ніколи не аналізуйте цифри сліпо, завжди вивчайте фізичний та економічний зміст змінних.
    • 💡 Кейс від викладача: Якщо ви аналізуєте датчики температури або енергоспоживання на фермах і бачите різку аномалію, це може бути не збій системи чи нова економічна закономірність, а просто працівник відчинив кватирку в приміщенні.
    • 💡 Кейс від викладача: Аналізуючи часові ряди для Австралії, не забувайте, що в грудні-січні там пік літа, а не зими.
  • Перевірка на «синтетичність» даних: Дані з відкритих джерел (наприклад, Kaggle) часто бувають занадто чистими або штучно згенерованими. Реальні дані завжди мають природний шум і викиди. Проводьте аналіз розподілів та статистичні тести, щоб переконатися, що ваш датасет відображає реальні процеси, а не є симуляцією.
  • Формати запису даних: Будьте готові до ручної чистки форматів дат, числових роздільників (крапка vs кома) та кодувань, особливо при злитті даних з різних джерел.

📐 2.2. Побудова моделей та принцип Оккама

  • Завжди починайте з Baseline: Перед тим як запускати важкі нейромережі, трансформери чи складні ансамблі, обов’язково побудуйте найпростішу модель — наївний прогноз (наприклад, що завтра буде так само, як сьогодні) або класичну лінійну регресію.
    • 💡 Кейс від викладача: Китайські дослідники опублікували складну модель Autoformer для прогнозування часових рядів на базі архітектури трансформерів. Коли класичні статистики перевірили її, виявилося, що звичайний сезонний наївний прогноз дає меншу помилку, ніж переускладнена нейромережа.
  • Обґрунтування складності: Складна модель має право на життя лише тоді, коли вона дає суттєвий та статистично значущий приріст точності (наприклад, порівняно з базовою регресією). Якщо приріст становить частки відсотка, обирайте простішу модель — її легше інтерпретувати та підтримувати.

📚 2.3. Специфічні ресурси для Data Science

TipРекомендовані джерела
  • Канали та автори: Лекції та розбори Andrej Karpathy (золото для розуміння архітектури сучасних моделей та нейромереж з нуля), Miloš Makes Maps (для професійної візуалізації геопросторових даних в R).
  • Платформи та спільноти: FreeCodeCamp (глибокі практичні треки з Data Science), конференції та матеріали Posit (RStudio) (екосистема tidyverse, ggplot2, розгортання інтерактивних звітів у Quarto та Shiny-дашбордах), глобальна спільнота R-Ladies.
  • Репозиторії: Препринти ArXiv.org (розділи Computer Science, Machine Learning, Stat).

🏛️ 3. QUALITATIVE & POLICY ANALYSIS RESEARCH

(Гуманітарно-аналітичний блок: дослідження політик, інтерв’ю та BABOK стандарти)

📝 3.1. Дизайн якісного дослідження

Якісне дослідження досліджує питання «Як?» та «Чому?», фокусуючись на глибинних причинно-наслідкових зв’язках, поведінці стейкхолдерів та ефективності інституцій.

  • Критичний Literature Review замість реферату: Огляд літератури не повинен бути переказом книг у стилі «автор А сказав це, а автор Б — те». Ваше завдання — знайти Research Gap (дослідницьку прогалину). Ви маєте чітко показати, що саме попередні аналітики та державні звіти упустили, і чому ваше дослідження закриває це “сліпе поле”.
  • Актуальність джерел: Використовуйте джерела, що відображають поточний стан інституцій та законодавства. У динамічних сферах аналізу політик намагайтеся спиратися на матеріали, видані за останні кілька років, оскільки інституційний ландшафт швидко змінюється.

🗣️ 3.2. Методологія та збір якісних даних

  • Глибокі інтерв’ю (In-depth Interviews): При формуванні вибірки респондентів (експертів, чиновників, бенефіціарів політики) критично важливо уникати однобокості (selection bias). Опитуйте представників різних та конфліктуючих сторін процесу, щоб отримати об’єктивну картину.
  • Стандарти аналізу (BABOK та Policy Analysis frameworks): Використовуйте перевірені світові фреймворки аналізу. Дослідження має спиратися на чіткі стандарти опису бізнес-процесів, стейкхолдер-аналізу (наприклад, матриця інтересів та впливу) та оцінки ризиків.
  • Процедура відтворюваності в якісних методах: Інший дослідник повинен чітко розуміти ваш гайд інтерв’ю, критерії кодування текстів чи відбору кейсів (Case Study), щоб за вашою методологією прийти до аналогічних логічних висновків.

🎯 3.3. Формулювання Policy Implications

Головна цінність дослідження політик — у його рекомендаційній частині. Перекладайте мову знахідок на мову конкретних державних чи бізнес-рішень.

  • Чіткість та реалістичність: Уникайте розмитих фраз на кшталт «треба покращити ефективність регулювання».
  • Конкретний алгоритм дій: Пишіть прямо: «На основі проведеного аналізу стейкхолдерів та оцінки ризиків, Міністерству/Компанії рекомендовано впровадити наступні три кроки: 1)…, 2)…, 3)…». Кожна рекомендація повинна мати конкретного адресата та враховувати наявні ресурсні обмеження.

🔎 3.4. Специфічні ресурси для Policy & Qualitative Analysis:

TipРекомендовані джерела
  • Пошукові системи: Google Scholar (базовий інструмент для пошуку рецензованих академічних статей та аналітичних звітів світових інституцій).
  • Внутрішні ресурси: KSE Repository (архів магістерських робіт, досліджень інститутів KSE та публікацій викладачів для аналізу структури реальних прикладних кейсів).
  • Інструментарій: Використання спеціалізованих інструментів для якісного аналізу (наприклад, менеджери цитувань Zotero або Mendeley, платформи для якісного контент-аналізу тексту).

📊 4. СТРУКТУРА АКАДЕМІЧНОЇ РОБОТИ

(IMRAD: Introduction, Methods, Results, and Discussion)

Розділ Кількісний трек (Quantitative) Якісний трек (Qualitative / Policy)
Introduction Контекст, формулювання математичної/статистичної гіпотези, актуальність з точки зору даних. Опис суспільної/політичної проблеми, обґрунтування актуальності (тест “So What?”).
Literature Review Аналіз існуючих моделей, алгоритмів та аналогічних математичних підходів у світі. Аналіз чинних регуляторних актів, звітів, світового досвіду реформ та виявлення Research Gap.
Methodology “Кулінарна книга” коду: опис вибірки, методів фільтрації, архітектури моделей, вибору метрик оцінки. Опис дизайну дослідження: гайд інтерв’ю, критерії відбору кейсів, матриця стейкхолдерів, BABOK стандарти.
Results / Data Чисті факти, графіки з високою візуальною культурою (підписи осей, легенди), результати тестування проти Baseline. Аналіз відповідей респондентів, контент-аналіз документів, виявлені інституційні бар’єри чи системні проблеми.
Discussion & Implications Інтерпретація коефіцієнтів моделей у реальному житті. Що ці цифри значать для бізнесу чи науки? Policy Implications: конкретні, покрокові та реалістичні рекомендації для тих, хто приймає рішення (Decision Makers).

✅ 5. МІНІ ЧЕК-ЛИСТ ДОСЛІДНИКА