你是魔鬼吗?Steam上线「科研模拟器」游戏,自带发量统计,在线劝退不留活路

「大学毕业要不要读研?」「硕士毕业要不要读博?」每到毕业季,这些话题就会被顶上热搜。与其空想,不如先来模拟一下读研的生活。为了满足大家对科研生活的好奇心,Steam 上线了一款模拟游戏,成功激(quan)励(tui)了一批热心于科研的有志青年。

游戏介绍界面。

微博网友反馈。

在大学或者研究所搞科研是「岁月静好」还是「狂修福报」?你信仰科学,希望凭借一己之力推动人类知识的进步,还是仅仅只想找一份「体面」的工作?不论是系统内的吐槽还是外界对科研工作的认知可能都不够清楚。那么,要不要自己来试试?

这是一款休(kong)闲(bu)游戏,在游戏中,你来到了一个叫做星礼研究所(Signchology Research Lab)的地方。你需要做的工作很简(gui)单(chu)——写论文,发 paper!

游戏地址:https://store.steampowered.com/app/1187030/__Sighchology_Research_Lab/

Unlimited Paper Works!

春暖花开,岁月静好。你来到了这个研究所,从事心理学的研究。

一切都很美好,你的朋友们也鼓励你。嗯嗯,「像我这样阳光乐观的 girl,一定能够早日发 paper,拿到教职,走上人生巅峰。」

然后「和颜悦色」的老板看着「naive」的你布置了任务:「找文献、看文献、招被试、做实验、分析数据、写论文、发论文。」

听起来很容易的嘛,你蹦蹦跳跳去找文献了。

看起来很容易的样子,从书架上拿起一本文献,就算找到了?

读完找到的文献,你感觉头有点冷。

没关系,接下来就该招被试了。需要很多受试者才能收集数据做研究呢。

受试者可没那么好找,大部分人并不关心崇高的科研事业,他们甚至没有时间听你在这里 BB。你需要磨破嘴皮子,动用 A++级别的口才,终于网罗到那么一些人接受一下实验。(顺便一提,现实中你可能要花钱,这是另一个复杂的问题了)

找到了两三个受试者,他们开始做实验。终于有数据了!你看着可怜巴巴的几个数据点,留下了感动的泪水。分析分析吧,说不定能找到某个假设的显著性结果呢。

均值、中位数、众数,这是常规操作。

线性回归逻辑回归、 卡方检验,这是基础分析。

要不要来个 聚类,要不要来点 机器学习?听说 神经网络挺火的,能不能把数据喂进去它直接给我出个文章?然而并没有。

是数据的问题吗?可是没有那么多受试者啊。要不试试「高级分析」吧。强大的算法一定能挖出来什么统计学规律的!

你会发现自己进入了漫长的建模过程中,那个可恶的 p 值就像永不 收敛损失函数一样蹦来跳去。过了不知道多少天,抓掉了不知道多少头发之后,你决定去看看别的文献。

更多的文献,更多暗无天日的补充研究,更多的被试和更多的 数据分析!脱发如同秋后的落叶般「秃」如其来。终于,你在某一天发现了某个「统计显著性」。好了,投稿吧!

期刊的选择是个问题,你看着自己都不太相信的结果,《心理学前沿》这种就算了,被拒了科研就要打水漂。《搞笑的研究》或者《失败的论文写作》成功率大一点,但是要毕业这点期刊影响力可不行。

最后你还是投了顶尖期刊,然后重复这个轮回。至于科研理想什么的,那是啥,能发表吗?

过于现实,以致不适

玩过这个 Steam 游戏的玩家进行了讨论。基本上所有玩家都对游戏打出了好评。

当然,作为如此有话题性的这样一个游戏,玩家们自然也和自身的经历结合起来,谈到了搞科研的心得体会。综合起来只有这么几个字:「我太难了。」

某评论指出,搞科研不仅有发论文的压力,还会因为长时间的疲劳、社交隔离和其他原因导致自闭。

另一位玩家表示,搞科研直接让他/她抑郁了。

还有玩家表示,如果你玩游戏的时候就感到不适,最好不要做科研。

不管怎么说,这款真实而扎心的游戏,映衬出了科研人无奈的生活。

这些经历与《Nature》针对博士生的调查基本吻合。调查显示,1/3 的博士生存在心理问题;发论文、学历贬值、导师缺位等种种原因压得博士生喘不过气;此外,由于时间成本过高,多数人宁愿忍受煎熬,也不愿中途放弃,有些甚至为此了结自己的生命。

造成这种局面的原因是多方面的,但最重要的是,在踏上科研之路之前你要想办法弄清楚这条路是否适合自己。

虽然只是一款游戏,但正如过来人所说,「如果玩这款游戏让你觉得不适,那就要小心未来的科研生活了。」

入门读博Steam科研游戏
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

逻辑回归技术

逻辑回归(英语:Logistic regression 或logit regression),即逻辑模型(英语:Logit model,也译作“评定模型”、“分类评定模型”)是离散选择法模型之一,属于多重变量分析范畴,是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

卡方检验技术

卡方检验(Chi-Squared Test)是一种统计量的分布在零假设成立时近似服从卡方分布(X ^2 分布)的假设检验。在没有其他的限定条件或说明时,卡方检验一般指代的是皮尔森卡方检验。在卡方检验的一般运用中,研究人员将观察量的值划分成若干互斥的分类,并且使用一套理论(或零假设)尝试去说明观察量的值落入不同分类的概率分布的模型。而卡方检验的目的就在于去衡量这个假设对观察结果所反映的程度。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

收敛技术

在数学,计算机科学和逻辑学中,收敛指的是不同的变换序列在有限的时间内达到一个结论(变换终止),并且得出的结论是独立于达到它的路径(他们是融合的)。 通俗来说,收敛通常是指在训练期间达到的一种状态,即经过一定次数的迭代之后,训练损失和验证损失在每次迭代中的变化都非常小或根本没有变化。也就是说,如果采用当前数据进行额外的训练将无法改进模型,模型即达到收敛状态。在深度学习中,损失值有时会在最终下降之前的多次迭代中保持不变或几乎保持不变,暂时形成收敛的假象。

损失函数技术

在数学优化,统计学,计量经济学,决策理论,机器学习和计算神经科学等领域,损失函数或成本函数是将一或多个变量的一个事件或值映射为可以直观地表示某种与之相关“成本”的实数的函数。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

线性回归技术

在现实世界中,存在着大量这样的情况:两个变量例如X和Y有一些依赖关系。由X可以部分地决定Y的值,但这种决定往往不很确切。常常用来说明这种依赖关系的最简单、直观的例子是体重与身高,用Y表示他的体重。众所周知,一般说来,当X大时,Y也倾向于大,但由X不能严格地决定Y。又如,城市生活用电量Y与气温X有很大的关系。在夏天气温很高或冬天气温很低时,由于室内空调、冰箱等家用电器的使用,可能用电就高,相反,在春秋季节气温不高也不低,用电量就可能少。但我们不能由气温X准确地决定用电量Y。类似的例子还很多,变量之间的这种关系称为“相关关系”,回归模型就是研究相关关系的一个有力工具。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

卡方技术

卡方常常与卡方分布和卡方检验联系在一起: 卡方分布(chi-square distribution)是常用于概率论和统计检验中的一种概率分布;卡方检验是(chi-square test)是一种基于卡方分布的常用的统计检验,其统计量在原假设(null hypothesis)成立时服从卡方分布。

聚类技术

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。“物以类聚,人以群分”,在自然科学和社会科学中,存在着大量的分类问题。聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学,但是聚类不等于分类。聚类与分类的不同在于,聚类所要求划分的类是未知的。聚类分析内容非常丰富,有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

推荐文章
暂无评论
暂无评论~