چگونه شکاف پژوهشی پیدا کنیم؟ شیوه های آکادمیک

نمای کلی هوش مصنوعی

«اشتباه اول، جست وجوی «موضوعی که هیچ کس دست نزده» است؛ در عمل، اگر موضوعی واقعا هیچ پیشینه ای نداشته باشد، معمولا به این دلیل است که اهمیت علمی یا عملی کافی ندارد، نه این که طلای ناب پژوهشی باشد.» این ادعا را می‌توان رد کرد؛ گاهی عدم پیشینه نشانگر emergence یک حوزه نو و فرصت تأثیرگذار است نه فقط عدم اهمیت.

مقاله سه ادعا اصلی دارد: (۱) یافتن شکاف پژوهشی نه در الهام لحظه‌ای بلکه در هفت روش عملی و قابل اجرا نهفته است؛ (۲) سه اشتباه رایج در یافتن شکاف شامل جستجوی موضوع بی‌سابقه، اشتباه تغییر سطحی به شکاف، و خواندن بدون سازماندهی است؛ (۳) استفاده از مطالعه هدفمند بخش‌های Limitations/Future Research و ساخت ماتریس تناقض روش‌های مؤثر برای شناسایی شکاف هستند.

پنل باید بر این سؤال درگیری کند: آیا شکاف‌های واقعی صرفاً از gaps موجود در ادبیات استخراج می‌شوند یا می‌توانند از موضوعات کاملاً نو و بی‌سابقه نیز ناشی شوند؟

نکات کلیدی بیشتر

استاد گفته «نوآوری کارت مشخص نیست» و شما دقیقا نمی دانید این جمله را چطور به یک اقدام عملی تبدیل کنید. یا شاید صد مقاله خوانده اید اما هنوز نمی توانید با اطمینان بگویید جای خالی کار شما کجاست. چگونه شکاف پژوهشی پیدا کنیم پرسشی است که پاسخش نه در یک الهام لحظه ای، بلکه در هفت روش کاملا عملی و قابل اجرا نهفته است؛ روش هایی که در همین مقاله، با مثال های واقعی از مقالات منتشرشده در مجلات معتبر، قدم به قدم توضیح داده می شوند. در مقاله دیگری نیز تحت عنوان انواع شکاف پژوهشی نسبت به بررسی دسته بندی های متفاوت آن پرداخته ایم. اهمیت خواندن آن از این جهت است که شناخت نوع های متفاوت شکاف پژوهشی، می تواند سرعت شما را در پیدا کردن آن افزایش دهد (تضمین میکنیم که خواندنش ارزش دارد!)

شکاف پژوهشی دقیقا چیست و اینجا چقدر عمیق وارد آن می شویم؟

شکاف پژوهشی یک سؤال بی پاسخ، یک تناقض حل نشده، یا یک زاویه کم بررسی شده در ادبیات موجود است. در راهنمای تخصصی انواع شکاف پژوهشی، هفت دسته اصلی را با مثال های کامل باز کرده ایم: شکاف شواهدی، شکاف دانشی، شکاف روش شناختی، شکاف جمعیتی، شکاف جغرافیایی، شکاف نظری، و شکاف عملی. برخی منابع دانشگاهی این طبقه بندی را تا ده زیرنوع گسترش می دهند؛ برای اجرای یک پروژه دانشجویی، همین هفت دسته چارچوب کاربردی کافی است، اما این بدان معنا نیست که این طبقه بندی تنها روایت پذیرفته شده در ادبیات روش تحقیق باشد؛ مرز میان انواع شکاف ها در رشته ها و منابع مختلف یکسان نیست.

در این مقاله فرض می کنیم نوع شکاف را می شناسید یا حداقل یک تصویر کلی از آن دارید؛ تمرکز اصلی اینجا روی این است که دقیقا کجا و چطور باید دنبالش بگردید.

چرا اکثر دانشجویان در پیدا کردن شکاف گیر می کنند؟

سه اشتباه رایج، مسیر را کور می کند. اشتباه اول، جست وجوی «موضوعی که هیچ کس دست نزده» است؛ در عمل، اگر موضوعی واقعا هیچ پیشینه ای نداشته باشد، معمولا به این دلیل است که اهمیت علمی یا عملی کافی ندارد، نه این که طلای ناب پژوهشی باشد. اشتباه دوم، اشتباه گرفتن تغییر سطحی با شکاف واقعی است؛ عوض کردن جامعه آماری یا کشور، بدون استدلال درباره چرایی عدم تعمیم پذیری نتایج قبلی، شکاف نیست، فقط تکرار با پوشش تازه است. اشتباه سوم، خواندن بدون سازمان دهی است؛ ذهن انسان برای تشخیص الگو و تناقض به یک ساختار بیرونی، مثل جدول یا ماتریس، نیاز دارد، نه انبوهی از فایل های پی دی اف پراکنده. هفت روشی که در ادامه می آید، دقیقا برای عبور از این سه دام طراحی شده اند.

روش اول: خواندن هدفمند بخش پیشنهادهای پژوهش های آتی و محدودیت ها

ساده ترین و مستقیم ترین روش این است که نویسندگان مقالات معتبر، معمولا خودشان شکاف باقی مانده را در بخش های Limitations، Future Research، و گاهی در انتهای Conclusion صریح می نویسند. دنبال عبارات سیگنالی باشید: «has not been clarified»، «further research is required»، «remains poorly understood»، یا معادل فارسی آن ها مثل «هنوز مشخص نیست» و «پژوهش های آتی می توانند».

برای اجرا، ده تا بیست مقاله مرتبط و باکیفیت، تا حد امکان جدید، در کنار چند مقاله بنیادی و پراستناد آن حوزه انتخاب کنید و مستقیم به سراغ همین بخش ها بروید، بدون این که کل مقاله را از اول بخوانید. توجه کنید که مسئله اصلی تعداد مقالات نیست، بلکه نحوه خواندن آن هاست؛ ده مقاله که هدفمند و با تمرکز روی همین بخش ها خوانده شوند، از صد مقاله ای که فقط برای خلاصه برداری کلی ورق می خورند، مفیدتر هستند.

یک نمونه واقعی از این اتفاق را در پژوهشی درباره پذیرش اجتماعی محصولات جدید مبتنی بر زیست پسماند می بینید (Eskelinen و همکاران، ۲۰۲۲، مجله Sustainability). محققان در همان جلسه طوفان فکری آغازین پروژه، از نه شرکت کننده متخصص خواستند بگویند چه می دانند؛ پاسخ اغلب این بود که «اطلاعات بسیار کمی درباره پذیرش اجتماعی محصولات جدید حاصل از زیست پسماند وجود دارد.» این جمله، به تنهایی، یک شکاف دانشی صریح بود که محققان بر همان اساس، طرح پژوهش خود را بنا کردند.

روش دوم: ماتریس سازی؛ از ماتریس تناقض تا فیش بون

وقتی ده ها مقاله می خوانید، مغز شما به تنهایی نمی تواند الگو و تناقض را نگه دارد؛ برای همین باید آن ها را روی یک ساختار بیرونی پیاده کنید.

ماتریس تناقض ساده ترین ابزار است: یک جدول با ستون های نویسنده و سال، متغیرهای بررسی شده، و نتیجه گزارش شده می سازید و دنبال ردیف هایی می گردید که نتیجه شان با هم می جنگد. یک نمونه واقعی از همین اتفاق در مطالعه ای درباره پذیرش گوشی های هوشمند بازسازی شده دیده می شود (Bigliardi و همکاران، ۲۰۲۲، مجله Journal of Cleaner Production). ادبیات پیشین، به نقل از کیم و چوی (۲۰۰۵)، استدلال کرده بود که رفتارهای زیست محیطی گروه محور هستند و بنابراین هنجارهای اجتماعی و جمع گرایی باید نقش پیش بین قوی داشته باشند. اما وقتی محققان با تحلیل تشخیصی، مصرف کنندگان با قصد خرید بالا و پایین را از هم جدا کردند، دقیقا این دو متغیر هیچ قدرت تشخیصی نداشتند، در حالی که ارزش درک شده سبز و دانش زیست محیطی قوی ترین پیش بین ها بودند. این یک تناقض آشکار با ادبیات قبلی بود که محققان آن را با ارجاع به مدل FCB و تفکیک رویکرد خرید شناختی از احساسی توضیح دادند. دقیقا همین اتفاق، وقتی ماتریس تناقض خودتان را بسازید، ممکن است برای شما هم رخ دهد.

ماتریس تحلیل پژوهش های مشابه که باید همیشه کنار دستتان باشد، یک جدول کاغذی یا اکسل ساده است با این ستون ها: نویسنده و سال، متغیر یا موضوع اصلی، جامعه آماری یا بافت، روش پژوهش، یافته اصلی، محدودیت اعلام شده توسط نویسنده، نوع شکاف مرتبط، و مهم ترین ستون یعنی فاصله دقیق با موضوع من و دلیل مستند عدم تعمیم پذیری. همین ستون آخر، مواد خام همان پاراگرافی است که قرار است در بیان مسئله شما بنشیند.

نمودار فیش بون (Fishbone / Ishikawa) ابزاری است که اصلش از تحلیل ریشه علت در مدیریت کیفیت آمده، اما برای سازمان دهی متغیرهای ادبیات پژوهش هم قابل تطبیق است. ستون فقره اصلی نمودار، موضوع کلی پژوهش شماست؛ هر «استخوان» فرعی، یک دسته از عوامل یا متغیرها را نمایش می دهد، مثلا عوامل روان شناختی، اجتماعی، بافتی، و روش شناختی؛ و روی هر استخوان، یافته های مطالعات مختلف را یادداشت می کنید. وقتی یک استخوان تقریبا خالی می ماند یا فقط یک یا دو مطالعه ضعیف روی آن قرار دارد، آن استخوان نامزد شکاف شماست. یک نکته مهم: فیش بون به تنهایی وجود شکاف را ثابت نمی کند و یک ابزار کمکی برای سازمان دهی است، نه یک روش استاندارد کتاب سنجی؛ فقط کمک می کند نقاط کم بررسی شده را برای بررسی دقیق تر شناسایی کنید.

روش سوم: بررسی محدودیت های روش شناختی از طریق تحلیل طراحی پژوهش

این روش به جای محتوای یافته ها، به شکل اجرای مطالعات نگاه می کند. یک جدول با ستون های نوع طرح، روش گردآوری داده، ابزار، و محدودیت روش شناختی برای ده تا پانزده مطالعه بسازید و بپرسید: آیا همه مقطعی هستند؟ آیا همه فقط پرسشنامه خودگزارش دهی دارند؟ آیا اثر میانجی یا واسطه ای بررسی نشده؟

نمونه واقعی این نوع شکاف را در مطالعه ای درباره فشار ذی نفعان و اصول اقتصاد دایره ای در کشاورزی مکزیک می بینید (Hernández-Arzaba و همکاران، ۲۰۲۲، مجله Sustainability). نویسندگان به صراحت می نویسند که پژوهش مشابه پیشین اصول اقتصاد دایره ای را به عنوان متغیر میانجی در نظر نگرفته بود و ذی نفعان داخلی و خارجی را از هم تفکیک نکرده بود؛ همچنین یک مطالعه دیگر که همین موضوع را با رویکرد کیفی و مطالعه موردی بررسی کرده بود، هیچ گاه یک مدل کمی و آماری برای آزمون رابطه ارائه نداده بود. این دقیقا نمونه یک شکاف روش شناختی است: نه این که کسی موضوع را کار نکرده، بلکه هیچ کس آن را با طراحی درست آزمون نکرده بود.

روش چهارم: ردیابی مدل های نظری در بافت های آزموده نشده

یک مدل یا نظریه پراستناد را پیدا کنید و بررسی کنید آیا در بافت، جمعیت، یا شرایطی که شما در نظر دارید، قبلا آزموده شده یا نه. اما صرف «در این کشور انجام نشده» کافی نیست؛ باید با استدلال مشخص نشان دهید چرا نتایج قبلی به این بافت جدید قابل تعمیم نیست.

نمونه ای از این کار درست را در مطالعه ای درباره تمایل به پرداخت برای محصولات چرخشی در ایتالیا می بینید (Muto و همکاران، ۲۰۲۶، مجله Corporate Social Responsibility and Environmental Management). محققان نظریه رفتار برنامه ریزی شده را که پیش از این در بافت های مختلف آزموده شده بود با ابعاد ارزش درک شده و اعتماد سبز ترکیب کردند، و دلیل انتخاب ایتالیا صرفا «قبلا آزموده نشده» نبود؛ آن ها صریح نوشتند که ایتالیا با وجود پتانسیل بالای اقتصاد دایره ای، همچنان حساسیت قیمتی بالایی در میان مصرف کنندگانش دارد، و این ترکیب خاص می تواند مکانیزم های متفاوتی از مطالعات جهانی نشان دهد.

مثالی از حوزه ای کاملا متفاوت هم همین منطق را نشان می دهد. در مجموعه آزمایش هایی درباره واکنش مصرف کننده به آسیب سطحی بسته بندی محصولات (White و همکاران، ۲۰۱۵، مجله Journal of Marketing Research)، محققان به ادبیات موجود درباره آلودگی محصول نگاه کردند که پیش از این فقط دو مکانیزم را بررسی کرده بود: تماس فیزیکی یک نفر دیگر با محصول، یا نزدیکی محصول به یک کالای نفرت آور. اما هیچ مطالعه ای بررسی نکرده بود که آیا آسیب سطحی خودِ بسته بندی، بدون هیچ تماس انسانی، می تواند به تنهایی همان حس آلودگی را فعال کند. این یک شکاف نظری دقیق بود: نظریه موجود بود، اما یک مکانیزم فعال کننده تازه هرگز در چارچوب آن آزموده نشده بود؛ و پژوهش با شش آزمایش جداگانه نشان داد که همین آسیب سطحی هم می تواند اثر آلودگی ایجاد کند، مگر این که با یک بافر بصری یا برندسازی ارگانیک خنثی شود.

روش پنجم: استفاده از مرورهای نظام مند و متا آنالیزها؛ میانبر زدن مسیر

مرورهای نظام مند و متاآنالیزها، عملا کار خواندن ده ها مقاله را برای شما انجام داده اند و خودشان یک فهرست از خلاءهای پژوهشی باقی مانده جمع بندی کرده اند. همیشه جست وجوی خودتان را با پیدا کردن جدیدترین مرور نظام مند در حوزه شروع کنید و بخش محدودیت ها و پیشنهادهای آن را با دقت بخوانید.

در همان مطالعه محصولات چرخشی ایتالیا، محققان صریحا به یک متاآنالیز پیشین ارجاع می دهند و می نویسند که آن متاآنالیز روابط را در سطح جهانی سنتز کرده، اما هنوز نیاز به پژوهش های تجربی اولیه ای وجود دارد که مکانیزم دقیق تعامل ابعاد مختلف ارزش با شکل گیری اعتماد سبز را در بافت های اجتماعی و فرهنگی خاص بررسی کند. این جمله، خودش یک نقشه راه آماده برای پیدا کردن شکاف است؛ به جای این که خودتان بیست مقاله را جمع بندی کنید، این کار قبلا برای شما انجام شده.

روش ششم: مقایسه فاصله میان دانش نظری و واقعیت عملی

گاهی ادبیات علمی چیزی می گوید و واقعیت میدانی چیز دیگری نشان می دهد؛ این فاصله، یک شکاف عملی است. مطالعه ای درباره پذیرش محصولات جدید حاصل از زیست پسماند در اسپانیا و دانمارک دقیقا از همین نقطه شروع شد (Eskelinen و همکاران، ۲۰۲۲، مجله Sustainability). سیاست های اتحادیه اروپا سال ها بود که هدف های بازیافت و اقتصاد دایره ای را تعیین کرده بودند، اما وقتی محققان از کارشناسان و ذی نفعان واقعی پرسیدند «مردم چقدر این محصولات جدید را می پذیرند؟»، پاسخ اکثریت این بود که تقریبا هیچ اطلاعات کافی ندارند. فاصله میان سیاست گذاری بالادستی و شواهد واقعی سطح مصرف کننده، همان شکاف عملی بود که پژوهش آن ها را شکل داد.

روش هفتم: نقشه برداری شبکه استنادی با ابزارهای دیجیتال

آخرین روش، دیدن تصویر کلان یک حوزه از طریق شبکه استنادات است؛ این که کدام مقالات به هم وصل اند و کجای این شبکه خالی یا کم تراکم است. این روش مستقیما به ابزارهای دیجیتال وصل می شود که در بخش بعد کامل معرفی می شوند.

یک میانبر کمتر شناخته شده: فراخوان ویژه نامه های مجلات

خواندن Call for Papers ویژه نامه های مجلات معتبر یکی از کم استفاده ترین روش های پیدا کردن شکاف است. سردبیران ویژه نامه ها، معمولا در همان متن فراخوان، ده ها سؤال پژوهشی مشخص و باز را فهرست می کنند که خودشان و داورهای مجله آن ها را به عنوان خلاءهای جدی حوزه شناسایی کرده اند. برای مثال، فراخوان یک ویژه نامه مجله Journal of International Business Studies درباره ریشه های خرد کسب وکار بین المللی، با سردبیری ریکا سارالا و همکاران، پرسش هایی مشخص فهرست کرده است، از جمله این که چگونه سوگیری های شناختی مدیران بر انتخاب شیوه ورود به بازار خارجی اثر می گذارد، یا چگونه هوش مصنوعی می تواند فرایندهای شناختی پشت تصمیمات بین المللی را روشن کند. البته یک فراخوان مقاله خودش شواهد پژوهشی نیست؛ فقط نشان می دهد سردبیران یک مجله معتبر، این پرسش ها را به عنوان خلاءهای جدی به رسمیت شناخته اند، و همین کافی است تا اعتبار اولیه یک شکاف را برای شما تایید کند. خواندن چند فراخوان از این دست در حوزه شما، می تواند در چند دقیقه فهرستی از شکاف های تاییدشده توسط سردبیران برجسته همان حوزه به شما بدهد.

جعبه ابزار: از ابزار های ساده تا VOSviewer و هوش مصنوعی

ابزارها را در سه دسته معرفی می کنم تا بدانید از کجا شروع کنید و کجا باید محتاط باشید. یک نکته عمومی پیش از هر چیز: فهرست ابزارها ممکن است تغییر کند؛ قبل از استفاده از هر ابزار، قیمت، دسترسی رایگان، محدودیت تعداد جست وجو، و سیاست حریم خصوصی را بررسی کنید.

ابزارهای مناسب برای شروع کار. Connected Papers یک ابزار رایگان است که با گرفتن یک مقاله بذر، یک نقشه گرافیکی از مقالات مرتبط می سازد؛ مقالاتی که در حاشیه نقشه قرار دارند یا اتصال کمی به بقیه دارند، معمولا نشان دهنده زیرحوزه های کم پژوهش شده اند. ResearchRabbit مشابه است اما رویکرد متفاوتی دارد: شما یک مجموعه مقاله می سازید و ابزار، مقالات مشابه و شبکه نویسندگان را پیشنهاد می دهد. Litmaps گزینه جایگزین با رابط کاربری متفاوت است. Google Scholar با ویژگی «Cited by» هم یکی از قدیمی ترین و هنوز مفیدترین ابزارهاست؛ اگر یک مقاله کلیدی را پیدا کردید، دیدن این که چه کسانی بعدا به آن استناد داده اند می تواند مسیر تکامل یک خط پژوهشی را نشان دهد و به شما بگوید کجا این خط پژوهشی هنوز باز است. همه این چهار ابزار برای دانشجوی تازه کار، به راحتی و بدون نیاز به دانش فنی خاص قابل استفاده اند.

درباره VOSviewer، صادقانه. این ابزار توسط مرکز CWTS دانشگاه لیدن هلند ساخته شده و برای رسم نقشه های هم رخدادی کلیدواژه و هم استنادی، ابزاری معتبر و کاملا دانشگاهی است. نکته مهم این است که VOSviewer مستقیما «شکاف» را تشخیص نمی دهد؛ بلکه الگوهای تولید و ارتباط دانش را نشان می دهد و تفسیر این الگوها بر عهده پژوهشگر است. برای استفاده از آن باید ابتدا یک ف       ایل خروجی مشخص با فرمت RIS یا CSV از پایگاه هایی مثل Scopus یا Web of Science بگیرید، که خودش نیاز به دسترسی و آشنایی با آن پایگاه ها دارد. اگر فقط برای پیدا کردن شکاف یک پروپوزال کارشناسی ارشد به آن نیاز دارید، واقعا لازم نیست خودتان را درگیر این پیچیدگی کنید؛ Connected Papers یا ResearchRabbit همان کار را با تلاش بسیار کمتر انجام می دهند. اما اگر پایان نامه دکتری یا مقاله ای دارید که نیاز به یک تحلیل علم سنجی کلان از کل یک حوزه دارد، یادگیری VOSviewer ارزش وقت گذاشتن را دارد.

ابزارهای هوش مصنوعی، با احتیاط جدی. Elicit.org می تواند از مجموعه ای از مقالات، پاسخ به یک سؤال مشخص را استخراج کند و نقاط بی پاسخ را نشان دهد. Consensus.app اجماع یا اختلاف نظر علمی درباره یک پرسش را نمایش می دهد. Scite.ai به جای شمردن صرف استنادات، می گوید آیا مقالات بعدی ادعای یک مقاله را تایید کرده اند، رد کرده اند، یا فقط به آن اشاره کرده اند؛ همین ویژگی برای پیدا کردن شکاف تناقضی بسیار به کار می آید. Semantic Scholar با ویژگی TL;DR خلاصه هوشمند مقالات را می دهد که اغلب نکات پژوهش آتی را برجسته می کند. یک هشدار جدی: خروجی همه این ابزارها را همیشه با متن اصلی مقاله تطبیق دهید؛ هوش مصنوعی گاهی شکاف های پژوهشی خیالی و بدون پایه واقعی می سازد یا استنادات نادرست تولید می کند. این ابزارها برای طوفان فکری اولیه بسیار مفیدند، نه برای تایید نهایی وجود یک شکاف. برای آشنایی با شیوه های بهره وری و استفاده از هوش مصنوعی در انتخاب موضوع، مقاله هوش مصنوعی برای ایده‌ یابی موضوع پایان‌ نامه را بخوانید.

 

آزمون سریع: این واقعا شکاف است یا فقط بهانه؟

یک آزمون ساده وجود دارد: آیا می توانید این جمله را با یک دلیل مشخص کامل کنید؟

«مطالعات قبلی نشان داده اند که … اما هنوز مشخص نیست آیا … در [بافت جدید] نیز صادق است، به ویژه به دلیل [دلیل مشخص تفاوت].»

اگر نتوانید آن دلیل مشخص را بنویسید، شکاف واقعی ندارید.

مثال درست: «مطالعات قبلی بر مصرف کنندگان اروپایی متمرکز بوده اند، اما هنوز مشخص نیست این الگو در بافتی که همزمان پتانسیل بالای اقتصاد دایره ای و حساسیت قیمتی شدید دارد نیز صادق است.»

مثال غلط: «این موضوع در ایران انجام نشده، پس من انجامش می دهم.»

تفاوت میان این دو، دقیقا تفاوت میان سهم علمی و تکرار ساده است.

الگوی نوشتن پاراگراف شکاف پژوهشی برای بیان مسئله

بعد از پیدا کردن شکاف، آن را در یک پاراگراف سه بخشی بنویسید. بخش اول، خلاصه دانش موجود: «مطالعات قبلی نشان داده اند که بر تاثیر دارد، به ویژه در [بافت مطالعه شده].» بخش دوم، مشخص کردن خلاء: «با این حال، هنوز مشخص نیست که آیا همین رابطه در [بافت جدید] نیز صادق است، به دلیل [دلیل مشخص].» بخش سوم، سهم پژوهش: «پژوهش حاضر با هدف پر کردن این خلاء از طریق [روش یا رویکرد خاص] انجام می شود.»

برای نوشتن نسخه انگلیسی، همین ساختار به این شکل در می آید: «While previous studies have examined in , they have largely overlooked in . This study addresses this gap by investigating through .»

یک نکته دقت علمی: وقتی نتایج پژوهش خودتان را گزارش می کنید، از عبارت «فرضیه ثابت شد» پرهیز کنید. آزمون آماری فرضیه را به طور قطعی اثبات نمی کند؛ دقیق تر این است که بگویید داده ها با فرضیه سازگار بودند، یا شواهد کافی برای رد فرض صفر وجود داشت. در بسیاری از تحلیل ها نیز استفاده از عبارت «عدم رد فرض صفر» به جای «اثبات فرضیه» از نظر روش شناختی دقیق تر است و در جلسه دفاع، همین دقت واژگانی می تواند تفاوت زیادی در قضاوت داور درباره سطح علمی شما ایجاد کند.

جمع بندی: شکاف پژوهشی صرفا پیدا نمی شود، باید با شواهد صورت بندی شود

شکاف پژوهشی چیزی نیست که یک روز صبح در یک مقاله با آن برخورد کنید؛ نتیجه یک فرایند تدریجی است که از خواندن هدفمند بخش های محدودیت، ماتریس سازی سیستماتیک، ردیابی نظریه در بافت های تازه، و استدلال مستدل درباره چرایی عدم تعمیم پذیری ساخته می شود. قدم عملی همین امروز این است: ده مقاله مرتبط و باکیفیت در حوزه خودتان پیدا کنید، مستقیم به بخش Limitations بروید، و همان جدول ساده با ستون های معرفی شده را شروع کنید؛ در بیشتر موارد، شکاف پژوهشی شما همان جا خودش را نشان می دهد.

اگر بعد از طی این هفت روش، هنوز در تبدیل یافته هایتان به یک پاراگراف مستدل و قابل دفاع گیر بودید، مشاوران تزنویسه می توانند همین پاراگراف را با شما مرور کنند و بگویند آیا استدلال شما جلوی استاد کافی است یا نیاز به تقویت دارد. همچنین، اگر در ابتدای کار پژوهشی و پایان نامه هستید، توصیه می شود از این صفحه دیدن نمایید چرا که در این صفحه، از انتخاب موضوع تا شروع پروپوزال تمام چیز هایی که نیاز دارید بدانید به شما گفته شده است.