选个好导师，负责任、关注前沿、有本事等等，不必多说，尽可能查找信息了解导师。

题目推荐选个感兴趣的且成本低的，方便试验。

一个清晰明确的目标至关重要，题目必须要慎重确定，毕竟一旦修改有很多工作都白费了。

以下内容与本科毕业论文写作无关

六种科研选题的导向。应该避免使用方法导向。

实践导向

Hal Varian 教授认为不应该从文献里面找问题，而应该把时间花在看似不相干的报纸和杂志阅读上。他推荐的报刊杂志包括：《纽约时报》、《华尔街日报》、《经济学人》。

Varian 教授认为，对经济学研究者来说，读这些东西远远比看论文重要。因为这些报刊会提到经济学家感兴趣的实际问题，可是分析过程有时漏洞百出。别的专业人士看了，可能一笑置之。但是 Hal Varian 教授显然不会轻易放过这么好的选题机会。

除了这些报刊杂志之外，学者们还提到了两个很好的实践问题来源。

第一个就是业界咨询工作。Anindya Ghose 和 Paul Pavlou 等学者都是两条腿走路——一边在学术界攀登，一边在企业界做咨询。咨询的目标是解决问题。不用你找，问题自己就找上门来。

在大数据时代，做咨询必然要接触到许多企业数据。例如 Ghose 拿到了好几家知名的企业做数字广告的效果数据。这些数据不仅数量庞大，而且结构化完整、真实性高，是让你的研究获得竞争优势的重要源泉。

许多老师和研究生都觉得，拿数据是一件非常困难的事情——那些大公司根本就不愿意分享数据给你。没错，但是你没有看到硬币的另一面。他们其实特别乐意分享数据，只要你的分析能力比他们还高，能给他们更有价值的洞见。

包括中国移动在内的许多中国大型国有企业都对 Ghose 这样的顶级学者敞开大门、张开双臂，热烈欢迎。

可是你作为一个初级研究者，还远远没有那样的积累。大企业还是会把你拒之门外，怎么办呢？

答案是从小处做起，深入进去，帮中小企业解决具体的问题。

我在 MSU 访学的时候，讲授管理信息系统课的 Kizzier 教授，就把学生撒出去到 main street 上挨个儿商户敲门，帮助企业发现目前系统存在哪些不足，并且想方设法加以改进。学生上课的时候分享这些案例，可以充分体现出「实践出真知」的意义。

获取实践问题的另一种方式是读案例。

前面提到的佐治亚理工吴东军教授，就让自己的学生去读哈佛案例库，从里面寻找问题。一个企业案例，能进入哈佛的案例库是非常不容易的。经过层层筛选的经典案例往往代表了业界实践中非常典型的问题。

清华大学宁向东教授讲，他在哈佛读经理培训班的时候，根本就没有教材。每天接触的全都是案例。在哈佛商学院教授派珀看来，「商业世界只有问题，没有理论」。通过读案例，可以让学生找到「想问题的感觉」。

你看，一个经典而庞大的问题库，与实践结合紧密，同时理论却缺位。这难道不刚好是研究者们的好机会吗？

然而，据吴教授说，他的博士生里面愿意听他话的，寥寥无几。有个叫黄涛的听了他的话，真的跑去读案例，于是成了他最为得意的学生，发展得非常好。

有的同学可能会觉得，自己还没有声誉和名气，是不是就不能按照「实践导向」来选题呢？

当然不是。每个人都有自己独特的生活环境，你可以找到自己独特的生态位。尽量扬长避短，找到自己熟悉的地方来切入。当年我们学院有个学生，是少数民族，毕业设计选择做了个本民族语言文献管理系统，效果就很惊艳，获得了优秀毕设。

文献导向

做研究、写论文需要读文献，这是常识。许多研究者会建议你从文献发现问题。这也是一种公认的传统智慧。

被戏称为「洋八股」的文献研究，实际上是学者们跨越时空的对话。这种特殊的对话体例，不仅要求作者去梳理相关的历史文献脉络，还得在论文末尾标出来文章的限制和未来需要做的研究，即所谓「展望」。

很多老师会让学生从这里着手，去发现别人研究局限，然后通过突破这些局限，替别人把展望变成现实，从而做出属于自己的原创性研究。

这个方式好不好？理论上是好的。论文结尾放这么一个部分，本意就是给后来人提供合适的路标和前进方向。

现实世界中，那些「限制」、「展望」其实不是实在的路标，而是研究者们望洋兴叹的产物。

这是因为，能解决的问题，原先的研究者肯定早已解决完了。谁会把容易解决的问题留着？积攒这些问题和存款不同，不会给你带来任何复利。更何况，审稿人哪里会对容易解决的遗留问题「高抬贵手」？肯定会穷追猛打，让作者反复磨合，真正解决了它们才肯善罢甘休。

被审稿人和编辑放过的「未解决」问题，要么是当前环境下非常难以攻克的问题，实在不便强人所难；要么是工作量很大的问题，完全可以自成一体，再写一篇文章。当你有幸在期刊上读到正式发表论文的时候，原作者早已把这「后一篇文章」写完了。

正因这种潜规则，Google 首席经济学家，UC Berkeley 的教授 Hal Varian 提出，千万不要在构建完成一个新的模型之前，去寻找和阅读相关文献。

这里有 2 个考虑：

• 好的文献绝不会给你留下容易解决的好线索；
• 你的思路会跟着这些走在「主流」上的大牛走，于是彻底钻到一个死胡同里面去。对于本来可以轻易发现的新线索，你会自动忽略它们。

因此，他建议人们先去把模型做出来，然后不断迭代修正模型到可以接受的简化程度。

有了这样一个模型，再去读文献。这时候可能你会发现数十年前这个问题就有人做过了。不过不要沮丧，这不是大问题。

这恰恰证明你的独立科研能力已经达到了（至少在当时）可以发表优秀期刊的水平。对于研究的初学者来说，这是一种非常积极的反馈。下面用你的经验去追寻新的问题和模型。如果你的模型和原作者有细微的区别，那就更好了。从这些差别中，可能会做出极其有价值的发现。

佐治亚理工的吴东军教授（D.J. Wu）提的办法就更有意思了。他的办法属于典型的看热闹不嫌事儿大——让经典文献 PK！

文献都不是生物，怎么 PK？其实许多文献确实在打架。例如一篇文献 A 提出某观点。可能一段时间后另一篇文献 B 就用坚实的证据，把该观点驳斥得体无完肤。

人们就倾向于新的文献 B 观点，奉为圭臬。但是文献 A 当初是怎么从审稿人的手底下「滑过去」的？事情恐怕没有这么简单——文献 A 很可能有合理和可取之处。吴老师于是就从这样的文献间冲突出发，用更为全面的模型考虑在哪一种情况下，A 的论点依然会成立。从而对经典文献给予（有条件的）支持。

由于文献 A 和 B 冲突的公案，他所作的研究意义和价值已经不言自明。因此这是一种非常聪明而有效的文献利用方法。

数据导向

如果你手里有好的独特数据，可以尝试从中获得选题。大数据时代，数据是不缺的。但获得真正有价值的数据，如同沙里淘金。

专属的数据不是所有人都能搞到的。有位来自业界的老师，讲解如何和国家税务总局合作，利用发票数据来监控产能过剩。方法非常简单，筛选出合适的特征就可以——他最后选择的是钢铁和煤炭。他们通过这种方式，不仅给全国企业画像，而且还通过某些指标特征，发现了其他有趣的结果。因为「过于有趣」，所以在修正的模型里面剔除掉了。

如果专属数据难以获取，你可以退而求其次，找开放数据。开放数据中，也有非常适合研究的类别，而且规模庞大。例如 Google 的 Correlate 和 Trends 数据，以及 Twitter 的 Firehose 开放数据等。

但是请注意，如果你利用开放数据做研究，速度是非常重要的。这是个竞争激烈的领域，唯快不破。

哈工大管理学院的叶院长，提到了自己研究里面曾经用过的百度数据。当时和 Google 的相应搜索数据进行比对研究，效果非常好。后来他们团队兴冲冲拿给百度的人看过。对方没说什么，回去就把数据下载的接口给关闭了。

好在高价值开放数据，也不都是「不小心」流出来的结果。

现在学术界比较注重原始数据的开放性。这主要是为了保证研究的可重复性能被有效检验。有不少期刊投稿的时候就要求有对应的数据上传。而且数据集目前也可以单独出版。这样别人使用只需要引用就好。作者辛苦采集数据的工作量被一次次的引用行为来肯定。

再例如 Kaggle 上面总是有非常规整的数据集，可供你使用。如果你用得好，还能获得价值不菲的奖金。

发布数据的企业疯了吗？白给别人数据，还送钱？

当然不是。企业面临实际问题。他们需要利用数据驱动的方式来解决问题。解决问题，自然也可以聘用咨询师。但是咨询师是按照工作时长而非产出效果来收费的。与其高价买来无法衡量品质的服务，还不如公开发布数据，让大家来竞赛。用奖金作为杠杆，撬动世界上最优秀的大脑一起竞争解决问题。

协同导向

暑期学校的最后一天。主办方把 Paul Pavlou 请了过来。他当时从上一站南非出发，飞了 41 个小时，到达了哈尔滨。

保罗（Paul Pavlou）院长，图片来自 bauer.uh.edu

别人做学术报告，顶多是用自己的几篇文献来讲解具体的研究。或者把心得和其他学者的观点熔于一炉，娓娓道来。

Paul 不是。他介绍了移动互联网领域的几大重点研究方向。每一个研究方向，都对目前的一些顶级期刊文献进行点评。他很谦卑地说，批评别人的作品是一件比较困难的事儿，所以就批评自己的作品吧。

然后，在每一个类别下面，他都批评了几篇自己的作品。这样的幻灯页面有十好几页。他确实没有办法细讲，因为他发表过的顶级期刊（MISQ、ISR 和 MS 等）研究成果过多。每篇讲多了的话，肯定得超时。

专业不同，导致你可能对这些国外期刊不是很熟悉。为了让你们能有个切身感受，咱们打个比方。好比一位国内图情学者，介绍自己近几年的研究，列出了三四十篇文献，全都发表于《中国图书馆学报》、《情报学报》、《中国社会科学》和《管理世界》上……明白有多厉害了吧？

中场休息的时候，坐在第一排的我一个箭步蹿上台，问了这个颇为幼稚的问题：

「别的学者总说质量和数量是一对矛盾，要做权衡取舍。我看你在保证质量的同时有这么高的数量。你一定有秘诀吧？」

Paul 笑了。说其实没有什么秘诀，也就是 3 条：

• 得努力工作，不能过于努力而耽误了生活，但是也得足够努力；
• 研究的问题要通俗易懂和有趣，这样才能做得下去；
• 要找靠谱的合作者。其实最近这几年他并不想出这么多文章，但是合作者（包括同事、博士生和刚刚毕业的博士）不干。他们要拿终身教职，所以一个个干劲儿十足，拽着他往前冲。

我一下子明白了合作者的重要性。他们所能提供的，不仅仅是独特的知识、方法和观察视角，也有一种动力。

然而，为什么 Paul 这种质量与数量齐飞的情况并不多见呢？

从他的讲述中，我悟出了关键点——扎实的基本功。他的博士做了很长的时间，在这么长的博士基本功训练里，他什么研究方法都要认真掌握，然后反复磨练。他能处理一个大领域中不同的科研问题，所以合作的界面非常好，沟通带宽足够高。

系统导向

在一个领域的每一个方向上，都占领关键点。这要求你对于该领域有全面深刻的了解，并且能够预测之后一段时间可能的发展。当你占领了这些战略要冲之后，别的学者的任何研究突破，都必须以你这些关键点作为基石。那么被引率想不高都难啊。

清华大学的宁向东教授就一直在强调「格局」二字。在他看来，「格」是个动词，「局」是名词，作为宾语。

一个领导者所做的，应该是具备「格局」的能力和智慧，才能充分地调动各种资源为自己所用。而 Paul 也强调了这个问题，说一个学者，应该具有「entrepreneurship」。也就是说，好的学者也该是好的领导型管理人才。

对于关键点的占领，有趣的例子是科斯的论文。当年科斯提出著名的「科斯定律」那篇论文，因为突破传统认知，缺乏学界共识，导致经济学研究者们骂声不绝。但只要你打算骂他，就得引用他那篇文章，几十年间他的文章被引用的次数过于惊人。然后科斯就拿到了诺贝尔经济学奖。