ジャーナル記事提出のガイドライン
ジャーナル記事を効果的に準備して提出するための明確なアプローチ。
― 1 分で読む
ジャーナル用の記事を書くのは大変そうに感じるかもしれないけど、そんなことはないよ。まず最初は、ジャーナルが何を期待してるかを理解することだね。各ジャーナルには特定のルールやフォーマットスタイルがあるけど、一般的なガイドラインもあるよ。
提出の基本
作品を提出する時は、通常はPDF版の記事を用意する必要があるよ。記事に変更を加えたら、更新したPDFと一緒にソースファイルも送るべき。ジャーナルは最終版がきれいに提出されることを望んでるから、ファイルを整理しておくのは大事だよ。
ファイル名
ファイル名の付け方も重要だよ。シンプルな名前を使って、文字と数字だけにしよう。スペースや句読点、特殊文字は避けてね。図があるなら、順番がわかるように名前を付けるといいよ。例えば、複数の図があれば、figure1.eps、figure2.epsみたいに。
記事を書く
タイトルと要約
記事のタイトルは明確で簡潔に。テーマをきちんと反映するようにしよう。タイトルの後には要約を書いて。この記事が何を扱っていて、主な発見を一つの段落でわかりやすく説明するのがベストだよ。
キーワード
要約の後にはキーワードをリストにしよう。これは読者が記事を見つけるのに役立つから大事。内容を最もよく説明する正確な言葉やフレーズを選んでね。
本文
記事の本体では研究を発表するよ。まずは、目的や重要性について説明する導入から始めよう。関連する既存の知識を話して、あなたの研究がどのギャップや質問に対処しているかを指摘するんだ。
記事の構成
記事をセクションに分けて、各部分を明確に区別する見出しを使おう。よくあるセクションには次のようなものがあるよ:
各セクションは特定の内容に焦点を当てて、読者が理解しやすくするんだ。
方法セクション
方法セクションでは、研究をどう進めたかを詳しく説明しよう。他の研究者があなたの研究を再現できるように具体的に書くことが大事だよ。使用した機器や手順、技術を含めてね。
結果セクション
次に、結果セクションで発見を示そう。適切な場合には、表や図を使うといいよ。各表や図には何を示しているかを説明するキャプションを付けるのが大事だね。これで読者に明確さを与えられるよ。
討論セクション
討論セクションでは、結果を解釈するよ。研究の文脈で結果が何を意味するかを説明しよう。制約についても話して、さらなる研究のための領域を提案するんだ。ここで発見を広いテーマや質問に結びつけるチャンスがあるよ。
結論
最後に、結論で主なポイントをまとめて。発見の重要性と、それが分野にどのように貢献するかを再確認しよう。
参考文献
研究に影響を与えた作品や情報源をきちんとクレジットすることが大事だよ。記事の最後に参考文献リストを含めよう。提出するジャーナルの特定のフォーマットルールに従ってね。
図や表
図や表はデータを視覚的に提示するのに良い方法だよ。明確で正しくラベル付けされたものにしよう。最初に言及した場所に配置して、各図にキャプションを提供するのを忘れずに。
倫理的考慮
以前に発表された素材を使用する場合は、必ず許可を得てね。記事中で情報源を適切に認識することが重要だよ。
提出の準備
提出する前に、記事を再確認しよう。ジャーナルのガイドラインに従っているか確認して、参考文献、図、表のフォーマットをチェックしてね。作業を見直すことで、間違いや不一致を見つけやすくなるよ。
結論
ジャーナルに提出するための記事を準備するには、慎重な計画と細部への注意が必要だよ。ジャーナルが提供するガイドラインに従って、明確で整理されたファイルを保ち、論理的なフォーマットで作品を提示しよう。良い準備があれば、出版される可能性が高まって、広いコミュニティと研究を共有できるよ。
タイトル: A Hybrid Monte Carlo and Deep Learning Approach for Fast and Generic Photon Beam Dose Calculation
概要: Dosimetry is an essential tool to provide the best and safest radio-therapies to a patient. In this field, Monte-Carlo simulations are considered to be the golden standard for predicting accurately the deposited dose in the body. Such methods are very time-consuming and simpler dose calculation engines, like dose kernel approaches, were created for cases where a fast estimation is necessary. In those approaches, dose distribution maps (or dose kernel) are learned for simple beams geometry, then, a combination of numerous kernels is used to simulate more complex beams. However, those methods often lack personalization and oversimplify the human body, especially for the secondary interactions dose deposition. In this article, we explore the possibility of learning the dose kernel using convolutional neural networks to improve their accuracy towards each different human body. We also highlight the limits of such approaches.
著者: Maxime Rousselot, Chi-Hieu Pham, Dimitris Visvikis, Julien Bert
最終更新: 2024-05-03 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2405.02477
ソースPDF: https://arxiv.org/pdf/2405.02477
ライセンス: https://creativecommons.org/licenses/by-sa/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。