Подпадает ли создание библиотеки Python под категорию исследований?

Целью исследования является производство знаний. Если после того, как вы уберете весь написанный вами код и собранные вами наборы данных, ничего не останется, значит, вы занимаетесь не исследованиями, а разработкой.

Итак, если вы хотите провести подобное исследование, ориентированное на артефакты, вы должны задать себе следующий вопрос: какие новые знания вы производите? Вы тестируете новый, лучший алгоритм? Применяете ли вы существующий алгоритм в новом контексте и определяете, работает ли он там? Вы исследуете, как функционирует сложная система или как она взаимодействует с людьми и/или окружающей средой? На какой исследовательский вопрос вы отвечаете?

Однако, если вы решили, что занимаетесь исследованием, а не разработкой, существует ряд методологий исследования, ориентированных на артефакты, например, методология исследования науки о дизайне. Вы сможете найти дополнительную информацию об этом с помощью Google Scholar, если вы являетесь членом учреждения, которое предоставляет вам доступ к подписке на свои исследовательские журналы.

Это можно и было сделано.

Рассмотрим PonyGE2 , платформу Python для Grammatical Evolution. Он был представлен на GECCO '17 , ведущей конференции по генетическим и эволюционным вычислениям.

Не странно, что его приняли; он был разработан как исследовательский инструмент, позволяющий другим исследователям также экспериментировать с GE, используя общую структуру. Так что, хотя это, возможно, не совсем новое исследование, это скорее «полезная публикация», похожая на публикацию, описывающую интересный набор данных или контрольный набор.

Обратите внимание, что на странице Github указано, как цитировать PonyGE2, если вы используете его в исследованиях. Полезная публикация, которая сопровождает инструмент, получивший широкое распространение, на самом деле может привести к большому количеству цитирований.

Может быть исследование, которое приведет вас к созданию такой библиотеки, но само кодирование не является исследованием. Но компиляторы, например, были построены на тонне исследований до любого кодирования, кроме экспериментального.

Часто в CS сначала проводят некоторые исследования, а затем создают что-то, чтобы подтвердить выводы исследования. Но подготовленная статья посвящена результатам исследований, а не коду. Оптимизаторы кода попадают в эту категорию, как и многие аспекты операционных систем.

Но обратите внимание, что все начинается с исследования, а не с кода.

Взгляните на эту страницу:

https://scikit-image.org/

Они указывают источник, на который они хотели бы ссылаться при использовании своих модулей. Подобные вещи я видел и для других библиотек (к сожалению, не помню где) не только для Python. Так что, очевидно, есть реальный шанс опубликовать статью, если у вас есть библиотека, которая действительно полезна для многих людей. Если быть строгим, это может и не быть исследованием, но оно не обязательно должно быть полезным. И если в вашей библиотеке есть новые алгоритмы и тому подобное, это тоже будет исследованием.

Вероятно, лучше всего взглянуть на статью, указанную в ссылке выше, чтобы получить представление о том, что необходимо опубликовать.

Это действительно зависит от того, какую библиотеку вы создаете. Если создание вашей библиотеки Python связано с инновациями в методологии разработки программного обеспечения, новым пониманием того, как работает программное обеспечение, разработкой и реализацией нового алгоритма или элегантным решением ранее сложной задачи, то, безусловно, это ценный исследовательский проект. Создание Tensorflow, например, определенно является исследованием; создание Flask, хотя и является почтенной задачей, вероятно, не является исследованием.