进入学术圈的第一年，我发了一篇三区一篇二区的文章，从什么都不懂到发论文的这个过程中，体会还是挺多的，这次就来聊聊一篇好文章的标准，对我来说意味着什么。
首先可以从分区的角度来谈，一般来说中科院二区是一个分界线，发表二区及以上的文章有助于毕业之类的，而我第一篇是三区的，第二篇是二区的，我觉得三区和二区最重要的区别就在于整个文章的论述完整性，比如说，我的二区文章是做EEG降噪的，那么整个文章，我首先需要介绍我的模型，然后对比我的模型和其他传统模型的性能，对比包括模拟数据和真实数据，最后进一步分析降噪之后ERP分析和源定位等下游任务是否有改善，大概就是这么一个论述的思路，整个文章的目标，就是要做到reviewer看了也觉得实验和分析没有明显缺漏，这样写出来的一个故事才是完整的、规范的，而对比我三区的文章，我觉得就是因为那篇文章缺少了一些分析。让人看起来不够规范，导致最终有所欠缺。
当然上面提到的更多是一个学术写作的规范，总是有人说要把论文看成一个故事去写，我也觉得挺有道理的，作为一个故事，最基本的当然就是讲的过程条理清晰，没有缺漏，如果其中有些伏笔的设置、精彩情节的描写那就更上一层楼的，但是最基本的规范性必须有所保证，我觉得这就是二区文章很重要的一个标准。
接下来，我想谈谈对我来说，一篇好文章的几个标准，或者说当我在做一个工作的时候，我在追求些什么。
第一，必须是创新，创新可以是模型算法上创新，可以是分析思路的创新，比如你把某个模型第一次应用到某个问题上，而且论述了这样做的优点，那这就是一种创新，也可以是看待问题角度的创新，总而言之，就是整篇文章，必须要有你原创的一个点，其实这也就是你的contribution。
第二，效果要好，不说第一，也起码要是第一梯队，对我来说，我每天都可以想几十个新模型，但其实不是每个都可行的，要达到效果好的更少，但是如果是作为一个完整的工作，我觉得最好模型的效果还是要处于第一梯队，不然reviewer肯定会问你，为什么你说你的方法这么巧妙最后效果却不够别人好，这时候，除非你能把你的思路的创新性、重要性和优点突出来，或者说你的工作追求的就不是效果，不然文章是很难发到好的期刊的。
第三，问题看得有多深，我始终觉得没有任何问题是简单的，在EEG相关的问题中，降噪我一开始觉得是比较简单的，因为很容易就能理解这个问题：EEG采集过程中也会采集到噪声，所以希望剔除这些信号中的噪声从而方便后续的分析，我也看到很多很多工作，他们提出了一些新的模型，或者说引用了深度学习领域一些比较新的、比较厉害的模型去处理这个问题，最后对比一下算法证明他们的效果更好，这样的工作非常多，但没有一篇可以发到一区，主要就是因为他们看待的问题仅仅停留在表面，其实在深究这个问题的过程中，我就发现，模型处理低频噪声的效果是更好的，但是对于高频噪声就比较难处理，另外，对于信号中的高频成分，怎么区分哪些是信号哪些是噪声，这是没有绝对的标准的，再进一步，神经网络在拟合的过程中，其实也是先拟合数据中的低频成分，然后再拟合高频成分，假如把这些点串起来，再进一步深挖，你就会发现这个降噪问题能够研究的点还有很多很多，研究起来也一点都不容易。所以，假如说，一个被很多人研究过的问题，你能从不同的角度去看待分析，那么你就领先了别人了。
第四，结合数学进行论述分析，一开始，我总是会听到判断一篇文章好不好，可以看这篇文章有多少公式，甚至写文章的时候也会尽可能多写公式，这种倾向一开始我也不理解，后来我慢慢觉得，公式本身作为一种数学语言，第一，他可以更好、更规范地去描述问题、描述你的模型，比如你的模型的收敛性、收敛速度，第二，可以进一步利用现有的数学工具，对问题和模型进行进一步的分析，所以如果能够用大量的数学公式做分析，就证明整个工作的逻辑性非常强，分析非常充分，另外，对我来说，我也更希望能够结合神经科学的理论、深度学习的工具和数学的理论去做工作，单纯利用深度学习分析神经科学的问题，效果是好，但可解释性差，而数学的引入就可以更规范整个分析的流程，因此学好数学，对于学术研究真的非常有必要。
以上就是我的一些看法，其实不是说一篇文章必须要非常创新、效果非常好、还有有一堆公式，只是说这是我追求的目标，因此也不要陷入一个太固化的思维去做一个工作。
