This is a reference flow or guidance to a newbie in academic school. Though still a good one to old guys like me. Roughly, same method can be applied to patent search as well for engineering problem solving.
==========================================================================
彭明輝:
清大自動檢測與影像定位實驗室 (ppsc.pme.nthu.edu.tw/): 碩士班研究所新生手冊
清大彭明輝的部落格(mhperng.blogspot.com/)
==========================================================================
知識吸收與創造：
- 學士：學習吸收系統知識的能力
- 讀別人整理、組織好的知識，典型的就是課本。
- 只有理解的，而沒有批判。
- 碩士：學習從無組織的知識中檢索、篩選、組織知識。
- 進行精確批判的能力。
- 獨立自主的判斷能力。
- 有能力創造知識。
論文的分析技巧與程序：
相關的30〜40 篇論文
（1）Abstract：貢獻、方法特色與主要內容。
（2）Introduction：問題的背景和起源，未解問題，重要性，回顧。
- （2A）最常被引述的方法有哪些？
- （2B）可以分成哪些主要派別？
- （2C）每個派別的主要特色(含優點和缺點)是什麼？
從Abstract/Introduction瞭解方法、派別，某一派的創意與主要訴求、方法特色和優點是什麼？對其它派別有什麼批評？保留大概 20 篇左右確定跟你關係較近的文獻。
- （2D）這個領域內重要的關鍵問題有哪些？
- 有哪些特性是大家重視的優點？
- 有哪些特性是大家在意的缺點？
- 這些優點與缺點通常在哪些應用場合時會比較被重視？
- 在哪些應用場合時比較不會被重視？
跳過詳細的推導過程，看公式推導過程中引入的假設條件，而不是恆等式的轉換。
在應用上要使用的公式，評估使用的方便程度或計算效率，可靠度或穩定性。
回答（3A）、（3B）、（3C）三個問題就好，不用太細。
- （3A）主要假設是什麼(條件)，評估這些假設在現實條件下成立之難易度。
- （3B）在這些假設下，主要有什麼好處。
- （3C）這些好處主要表現在哪些公式的哪些項目的簡化上。
- （3D）這一派主要的缺點有哪些。
[不要被看來很棒的 simulation/lab data 蒙蔽：]
- 回到其基本假設，及應用時的主要公式(resultant equations)去，參考（2C）和（2D）的答案，問：
- 當某某假設在某些實用場合上無法成立時，會不會出什麼狀況？
- 預測(猜一猜)在哪些條件下(應用場合)應該會表現優異？
- 在哪些條件下(應用場合)出狀況？
- 根據這個猜測，再檢驗 data，長處與短處是不是確實充分被檢驗，且充分表現出來。
整篇論文細細讀完？NEVER！把確定會用到的部分(帶著問題去讀)給完全搞懂就好。
選擇性的閱讀，鍛鍊選擇時的準確度、速度。
不要浪費時間在學用不著的細節知識。
多吸收「點子」比較重要，而不是細部知識。
[quick go through, highlight key points, too many data in this world already, data aging very soon]
由粗而細，[iteration, re-fine the problem again, remove those irrelevant, batch processing, not paper by paper, turn around while blocked like jigsaw(you may find the missing part in somewhere else)]
