이 페이지는 현재 공사 중입니다!
문헌 리뷰
문헌 리뷰는 특정 연구 주제에 대한 알려진 내용을 요약하고, 연구 역사에서의 이정표를 서술하며, 현재 지식이 충돌하는 지점을 나타내고, 여전히 알려지지 않은 영역에 대해 논의합니다.
문헌 리뷰는 독립적인 문서일 수도 있고, 주요 연구 보고서의 구성 요소일 수도 있습니다(앞서 논의한 바와 같이). 연구 저널에는 문헌 리뷰를 제공하는 것이 유일한 목적이 되는 기사들이 종종 포함되어 있습니다. 연구 보고서의 구성 요소로서 문헌 리뷰는 책의 전체 챕터만큼 길 수 있으며, 연구 기사에서 한 단락일 수도 있고, 소개 부분에서 몇 문장으로 간단할 수도 있습니다. 모든 경우에 문헌 리뷰의 기능은 동일합니다: 주제에 대한 연구의 역사와 현재 상태를 요약하는 것입니다.
앞서 섹션에서 알 수 있듯이, 주요 연구 보고서(예: 공학 연구 저널의 보고서)는 질문에 초점을 맞춥니다. 예를 들어, 무중력이 작물 재배에 미치는 영향과 같은 질문입니다. 해당 보고서의 문헌 검토 섹션은 이 주제에 대해 알려진 내용을 요약하고, 현재 지식의 충돌 지점을 나타내며, 여전히 알려지지 않은 영역에 대해 논의할 것입니다.
잘 구성된 문헌 리뷰는 이야기를 전달합니다. 특정 질문이나 특정 분야의 연구에서 주요 사건들을 서술합니다:
- 이 주제에 대한 최초의 현대 연구자들은 누구였나요? 그들의 발견, 결론, 이론은 무엇이었나요? 그들이 해결하지 못한 질문이나 모순은 무엇이었나요?
- 그들을 따라간 연구자들은 무엇을 발견했을까? 그들의 연구는 선행 연구자들의 작업을 확인했나요, 모순시켰나요, 아니면 뒤집었나요? 그들은 선행 연구자들이 해결할 수 없었던 질문들을 해결할 수 있었나요?
이 연구 이벤트의 일련의 과정을 문헌 리뷰에서 서술합니다. 이 연구를 테제–반테제–종합 과정과 유사하다고 볼 수 있습니다. 처음에는 테제가 있고, 그 다음에 이를 반박하는 반테제가 등장하며, 궁극적으로 이 모순의 해결책인 종합이 이뤄집니다. 이는 실제로 해당 주제에 대한 지식의 진전을 의미합니다. 하지만 이제 이 종합이 테제가 되고, 과정은 다시 시작됩니다.
스탠포드 대학교의 힐튼 오벤징거는 "문헌 검토를 연구하고, 작성하고, 생존하는 방법?"에서 다음과 같은 내용을 다루고 있습니다.) 이 유형의 문헌 검토를 "로드맵"이라고 부릅니다. 그는 연구 결과뿐만 아니라 연구 방법론을 검토하는 중요한 다른 유형도 여러 가지 식별합니다. Obenzinger는 문헌 검토가 단순한 주제에 대한 연구의 수동적 요약이 아니라 해당 연구의 강점과 약점을 평가하는 것이라고 강조합니다—이 연구가 "불완전하거나, 방법론적으로 결함이 있거나, 편향되거나 한" 부분을 살펴보려는 노력입니다. 어쨌든, 다음 예제가 보여주듯 문헌 검토는 주석이 달린 참고문헌 목록이 아니라 연구 문헌의 본체에 대한 논의입니다. 다음 예제에서 문헌 검토는 표준 괄호가 있는 IEEE 텍스트 인용 스타일을 사용하고 "References"라고 불리는 참고 문헌으로 마무리되는 것을 주목하십시오.
다음 발췌를 고려하십시오. 이는 A. S. Tolba, A.H. El-Baz, 그리고 A.A. El-Harby의 "얼굴 인식: 문헌 리뷰"에서 문헌 리뷰의 시작 부분을 보여줍니다. 국제 신호 처리 저널, 제2권, 제2호, 2005:
|
얼굴 인식은 은행카드 식별, 출입 통제, 전과자 검색, 보안 모니터링 및 감시 시스템과 같은 여러 실제 응용 프로그램을 가진 것 외에도 사람들 간의 효과적인 의사소통과 상호작용을 위해 필수적인 기본적인 인간 행동입니다.
얼굴을 분류하는 공식적인 방법이 처음으로 [1]에서 제안되었다. 저자는 얼굴 프로필을 곡선으로 수집하고, 그들의 노름을 찾아낸 다음, 다른 프로필을 그 노름으로부터의 편차에 따라 분류할 것을 제안하였다. 이 분류는 다중 모드로, 즉 데이터베이스의 다른 벡터와 비교할 수 있는 독립적인 측정의 벡터를 결과적으로 도출한다. |
보시다시피, 첫 번째 단락은 주제와 그 중요성을 설정합니다; 두 번째 단락은 컴퓨터 기반 얼굴 인식을 위한 기초를 제공한 현대 연구의 시작으로 돌아갑니다. 이 문헌 리뷰는 이 분야의 현재 연구 상태로 넘어갑니다:
| 진전이 이루어져 얼굴 인식 시스템이 실제 환경에서 시연되고 있다 [2]. 얼굴 인식의 빠른 발전은 알고리즘의 적극적인 개발, 대량의 얼굴 이미지 데이터베이스의 가용성, 그리고 얼굴 인식 알고리즘 성능 평가 방법의 결합 덕분이다. |
다음 발췌문이 이 주제에 대한 연구의 중요한 발전을 설명하면서도 그 결점들을 지적하고 있음을 주목하세요:
얼굴 인식 연구의 문헌 리뷰는 컴퓨터 기반 얼굴 인식에 사용되는 다양한 방법을 조사합니다. 각 방법에 대해 해당 방법, 결과, 강점 및 약점을 요약합니다. 이 예시는 위에서 언급한 논제-반논제-종합 패턴이라기보다는, 컴퓨터 기반 얼굴 인식의 정확성을 높이려는 공동의 목표를 향해 노력하는 여러 시도의 모음입니다. 이 문헌 리뷰에서 그 과정의 요약이 어떻게 끝나는지 여기에 있습니다:
| [83]에서, 신경망 앙상블로 구성된 결합 분류기 시스템은 분류기 설계 및 훈련과 관련된 매개변수를 변경하는 데 기반하고 있습니다. 부스팅 알고리즘은 MLP를 기본 분류기로 사용하여 훈련 세트의 변화를 만듭니다. 최종 결과는 간단한 다수결 규칙을 사용하여 결합됩니다. 이 시스템은 Yale 얼굴 데이터베이스에서 99.5%를, ORL 얼굴 데이터베이스에서 100%를 달성했습니다. 우리가 아는 한, 이 결과는 문헌에서 가장 좋은 결과입니다. |
관련 정보
실험 보고서 작성: 개요, 소개 및 문헌 검토. 퍼듀 OWL
이 챕터에 대한 여러분의 생각, 반응, 비판이 듣고 싶습니다: 당신의 응답—데이비드 맥머리.
