¿Cómo debe lidiar un estudiante de maestría con el fracaso total en alcanzar los resultados esperados cuando trabaja en una tesis de maestría?
Por ejemplo, en el campo del aprendizaje automático, un estudiante de maestría puede pasar de 4 a 5 meses desarrollando un método que resulta no ser útil, ni siquiera es comparable con los conjuntos de datos de referencia.
¿Debe el estudiante dejarlo? ¿Deberías al menos tomarte un descanso de la academia para evitar dañar tu carrera? ¿O debería trabajar en una idea diferente y arriesgarse unos meses más, lo que tampoco está garantizado? Dado el hecho de que el asesor simplemente te está pidiendo que pruebes cosas nuevas
Paso 1: No entres en pánico
Yo estaba en una situación similar a la mitad de mi maestría. Estaba en pánico, seguro de que mi carrera académica estaba en ruinas. Mi supervisor me calmó, me recordó que un resultado negativo seguía siendo un resultado y me dijo que para una maestría no se requería estrictamente que hiciera una contribución científica o que tuviera una publicación. En el peor de los casos, en mi tesis presentaría mis resultados negativos, explicaría por qué esta técnica no funcionó y sugeriría qué podrían hacer de manera diferente los futuros investigadores. (Una vez que me relajé lo suficiente como para pensar con claridad, se me ocurrieron cosas nuevas para probar y todo salió muy bien).
Le sugiero que discuta el "peor de los casos" con su supervisor; probablemente descubrirás que no es tan malo como crees. Recuerda que esto es investigación: no se garantizan resultados positivos.
Paso 2: piensa por qué esta técnica no funciona.
Estoy seguro de que has aprendido algo acerca de por qué tu técnica no funciona. Eso debería darte algunas ideas sobre qué probar a continuación. Si no tienes ideas, sienta a un amigo y explícale todo. El amigo no necesita saber nada sobre aprendizaje automático; son solo una caja de resonancia. Las preguntas ingenuas que hacen pueden darte ideas. Tal vez necesites una semana libre para recargar las pilas.
Paso 3: Prueba algo nuevo.
Toma esas nuevas ideas que obtuviste en el paso 2 y aplícalas. Pero ahora que tiene más experiencia, piense en cómo podría descubrir más rápidamente si la idea es factible, de modo que pueda cambiar de rumbo nuevamente si es necesario.
Hace años, Marguerite Lehr , una colega mía en Bryn Mawr College, me habló de una conversación que había tenido años antes con Oscar Zariski, un brillante geómetra algebraico que entonces estaba en Johns Hopkins. Ella le habló de un intento fallido de resolver un problema en particular. Él dijo "tienes que publicar esto". Ella preguntó por qué, ya que había fallado. Él respondió que era una forma natural de atacar el problema y que la gente debería saber que no funcionaría.
Solo una respuesta general, más al problema general que a su caso específico: "Fracaso" para obtener los resultados esperados no es necesariamente "fracaso" en el sentido de no producir una buena tesis. Aunque en el caso específico que mencionaste (aprendizaje automático) muchas veces existe el deseo de producir algo usable, en muchos casos un tema de tesis está motivado por una investigación previa. Un hallazgo negativo aún puede ser significativo si se suma al total de conocimientos generales en el área (por ejemplo, al mostrar que las predicciones de investigaciones anteriores no están confirmadas por las suyas).
Para mi doctorado, pasé más de un año realizando una serie de experimentos para probar una determinada hipótesis derivada de investigaciones anteriores. No encontré ninguna evidencia en apoyo de la hipótesis. Sin embargo, lo redacté como un resultado negativo y lo enmarqué como una limitación a las propuestas teóricas que motivaron el proyecto (es decir, "la gente sugirió que las cosas podrían funcionar así, pero lo verifiqué y aparentemente no es así"). Mi comité pensó que era una contribución útil y obtuve el doctorado.
Mucho depende de su campo y su comité. Es más fácil hacer lo que describí en un campo donde hay muchas teorías especulativas en relación con la cantidad de datos concretos. Me imagino que sería mucho más difícil hacer eso en el aprendizaje automático. Además, el sesgo en contra de los resultados negativos (el llamado "problema del cajón de archivos") puede crear presión para producir un hallazgo positivo. Sin embargo, en el sentido más amplio, si tuviera una buena razón para buscar algo, no encontrarlo puede ser tan informativo como encontrarlo, y eso es parte de la ciencia.
Estoy de acuerdo con las respuestas anteriores. Pasé un año trabajando en un tema para una tesis doctoral, antes de decidir que no tenía las calificaciones para hacerlo. Así que fui a mi asesor y le dije: "¿Y ahora qué?" Dos semanas más tarde estaba comenzando el trabajo que me llevó a obtener mi doctorado. Dejar la academia probablemente será un error; es posible que descubra que nunca tiene el momento adecuado para regresar. Como se señaló, los resultados negativos pueden tener valor. Pienso en Gödel y el Teorema de Completitud, donde se formalizó el concepto de problemas irresolubles. En lugar de demostrar que el cálculo de predicados de primer orden estaba completo, se demostró justo lo contrario: es posible crear teoremas que nunca se pueden probar (ver también Alan Turing, Church, Post y, en realidad, Heisenberg).
Así que echa un vistazo a tu trabajo. Demostrar que alguna idea no puede funcionar es una contribución. Y si no, prueba con otro tema. Para eso están los asesores.
diez
Ander Biguri
murphy
Vikki