1. 只專注於「字面上」的相關論文：
- 很多學生在搜尋論文時，習慣使用關鍵字在最新的機器學習或相關領域會議中尋找符合主題的研究。這種方法固然能讓他們快速找到看似相關的資料，但實際上，這樣的搜尋方式容易停留在「字面上的相關性」，忽略了論文背後更深層次的學術貢獻。結果是，學生可能僅僅觸及到某個技術的表面，而未能真正理解該技術在更大背景下的發展歷程或內在邏輯。2. 忽略「字面下」的核心參考文獻：
- 一篇論文通常會引用30至100篇文獻，但實際上，能真正影響這篇論文核心思想的往往只有其中2到3篇核心文獻。這些核心文獻並不是僅僅在文獻回顧部分列出，而是對該研究的思考方式和問題解決邏輯產生了深遠影響。學生如果只看表面引用數量，而沒有深入探討這些核心文獻，將會錯失真正能夠幫助自己理解問題解決方式的寶貴機會。換句話說，如果無法掌握這些「字面下」的學術傳承，便難以突破自己的學習瓶頸。
3. 缺乏歷史背景脈絡的理解：
- 每項研究成果背後都包含了長期的學術傳承，像現在流行的AI技術（例如大語言模型）其實是從早期的編碼器-解碼器循環神經網絡發展而來，再往前追溯，還有更多不同名稱和技術的演變。學生如果僅專注於2024年的最新技術，而忽略其歷史背景，就很難真正理解技術的來龍去脈，也無法全面評估自己所提出的解法是否真的具有創新性。只有深入了解不同時代的學者如何解決類似問題，並追溯技術是如何一步步演化，學生才能在自己的研究中找到突破點，並提出真正具有學術價值的創新解決方案。
你在閱讀論文的過程中，還有見過哪些常見的錯誤呢？
