4月23日下午，上道书院导师、信息学院李权教授围绕促进人、机器和数据的互联互动这一方向，与同学们分享如何养成科研思维。本次线上沙龙满满干货，在线参与的同学们均表示受益匪浅。
李老师认为，科研思维和研发思维都是要解决问题，但科研更深更细，研发更宽更周全。科研问题具备的基本条件是巨大的不确定性，如果是确定的问题，它就不叫科研。但研发思维的流程则是先建立整体架构，接着计算开发周期与成本，最后还要有兜底计划。
紧接着，李老师用自己在博士期间发表的第一篇文章的创作思维举例阐释。MOBA游戏的背景是两支队伍通过战斗抢夺地图上的资源，以推掉对方基地作为胜利标志。游戏局势大致分为碾压局（Snowballing）、势均力敌（Back and Forth）和逆风翻盘（Comeback）。研发上的需求是通过局势分类看每一类局势的具体比赛过程，是什么因素导致比赛的最终局势的形成。解决方法是通过可视化、动画、交互和比赛还原等工具高效的展示游戏双方阵营在关键事件上的成果及变化，以及这对局势的影响。如果将其转化成科研问题，则需要分析每一种局势产生的原因与定义、局势平衡对游戏设计的意义、传统的方法（如：机器学习）分类存在的问题和可视分析的意义和价值。为了让游戏玩家有更好的体验，局势种类间需要保持平衡，任何一种局势比例过高都容易造成玩家流失。
李老师提出的方法是多阶段协同设计，首先观察已有游戏数据，发现碾压局的比例和玩家流失率存在一定的关系，比例在0.42左右，流失率最低。为了降低流失率，一般方法是先观察玩家如何进行游戏，再与玩家沟通交流，接着计算相关数据，造成不同局势的因素，最后优化游戏设计。其中如何定义不同局势是复杂的，采用机器学习存在的问题有不同专业背景导致的沟通障碍和“黑盒子”模型能给输出但无法回答为什么。第二步设计单场比赛的模型。数据包括双方轨迹记录和视野范围、重要事件（如：团战、推塔、打龙等）在时间轴上的位置、双方经济经验及差异。设计过程发现观察双方经济差异走向可以较准确地分类比赛的局势类型。第三步系统设计。使用训练好的模型，输入是16*3000的矩阵，对应在3000秒内双方经济、经验和人头以及10位玩家的走位，输出是属于每种局势的概率。为了找出哪个时间段对局势的形成比较重要，对原数据每10秒加入一段噪音后分别输入模型，观察输出的改变。
沙龙结束时，李老师总结道：“科研思维和研发思维可以融合，在研发做项目的同时从业务中抽象出问题进行探索性研究，这是保持个人竞争力的关键。”同时，李老师也寄语同学们，无论是否从事科研工作，都要对自己所做的事情负责，树立自我管理意识，针对每项事务建立明确的行动指南和具体要求，进而形成自身的竞争力与优势。
