प्रजनन कार्य करने के पांच स्वार्थी कारण

अमूर्त

इसलिए, मेरे साथी वैज्ञानिक, यह न पूछें कि आप प्रजनन योग्यता के लिए क्या कर सकते हैं - यह पूछें कि आप के लिए क्या प्रजनन कर सकते हैं!

यहां मैं पांच कारणों की सूची दूंगा कि डेटा प्रजनन की संभावना लंबे समय में बंद क्यों हो जाती है और हर महत्वाकांक्षी, कैरियर-उन्मुख वैज्ञानिक के लिए व्यक्तिगत हित है।

ब्लैकबोर्ड के बाएं आधे हिस्से में एक जटिल समीकरण, दाएं में एक और भी अधिक जटिल समीकरण। एक छोटा वाक्य दो समीकरणों को जोड़ता है: "एक चमत्कार यहां होता है।" दो गणितज्ञ, गहन विचार में। "मुझे लगता है कि आपको दूसरे चरण में अधिक विशिष्ट होना चाहिए," एक दूसरे को बताता है।

यह वह स्थिति है जब आप यह समझने की कोशिश कर रहे हैं कि लेखक एक बड़े और जटिल डेटा से कई जटिल ग्राफ़ के साथ घने लेख में कैसे स्थानांतरित हुआ। डेटा और विश्लेषणात्मक कोड तक पहुंच के बिना, इस तरह के संक्रमण को केवल एक चमत्कार द्वारा समझाया जा सकता है। और विज्ञान में कोई चमत्कार नहीं होना चाहिए।

पारदर्शी रूप से काम करने की क्षमता और प्रतिलिपि प्रस्तुत करने की क्षमता सहानुभूति पर बहुत निर्भर करती है - अपने आप को अपने एक सहकर्मी की जगह पर रखें और पूछें: "क्या यह व्यक्ति मेरे डेटा तक पहुंच पाएगा और मेरे विश्लेषण का अर्थ समझ पाएगा?" इस तरह के "उपकरण" (बॉक्स 1) को माहिर करने के लिए आपके समय और ऊर्जा की भागीदारी और भारी निवेश की आवश्यकता होती है। एक प्राथमिकता, यह स्पष्ट नहीं है कि काम के इस प्रारूप के फायदे लागत से अधिक क्यों हैं।

यहाँ कुछ तर्क दिए गए हैं जो आमतौर पर ऐसे मामलों में नेतृत्व करते हैं: "क्योंकि प्रतिलिपि प्रस्तुत करने योग्यता सही है", "क्योंकि यह विज्ञान का आधार है!", "क्योंकि दुनिया एक बेहतर जगह होगी अगर हर कोई पारदर्शी और प्रतिलिपि प्रस्तुत करने योग्य हो!" क्या आप जानते हैं कि यह तर्क मुझे कैसा लगता है? जैसे "ब्ला ब्ला ब्ला" ...

ऐसा नहीं है कि मैं इन तर्कों को अस्थिर मानूंगा। मैं बहुत आदर्शवादी नहीं हूं: मुझे इस बात की परवाह नहीं है कि विज्ञान क्या होना चाहिए। मैं एक यथार्थवादी हूँ: मैं सबसे अच्छा करने की कोशिश करता हूं जो मैं कर सकता हूं, यह इस बात पर आधारित है कि विज्ञान वास्तव में कैसे काम करता है। और हम इसे पसंद करते हैं या नहीं, विज्ञान कैरियर के विकास, प्रभाव कारक में वृद्धि, प्रकाशनों की संख्या और धन की राशि के बारे में है। अधिक, अधिक, अधिक ... तो एक वैज्ञानिक के रूप में अधिक प्रजनन क्षमता मुझे कैसे प्राप्त करने में मदद करती है?

प्रतिक्रमण: मुझे इसकी आवश्यकता क्यों है?

इस लेख में, मैं पांच कारण प्रस्तुत करता हूं कि क्यों प्रजनन के लिए यह दृष्टिकोण लंबे समय में भुगतान करता है और हर महत्वाकांक्षी, कैरियर-उन्मुख वैज्ञानिक के हितों में है।

कारण # 1: प्रजनन क्षमता आपदा से बचने में मदद करता है

"कैंसर परीक्षण में एक बड़े वादे की तरह, यह दुर्घटनाग्रस्त हो गया," 2011 [1] की गर्मियों में प्रकाशित द न्यू यॉर्क टाइम्स में एक लेख का शीर्षक है, जो कि कैंसर सेंटर में दो बायोस्टैटिस्ट कीथ बैगरली और केविन कॉम्बब्स के काम पर प्रकाश डालता है। एम। डी। एंडरसन। उन्होंने ड्यूक विश्वविद्यालय के वैज्ञानिकों द्वारा लेखों की एक श्रृंखला में मौत के आंकड़ों के विश्लेषण में समस्याओं की पहचान की, जिसका स्तन कैंसर अनुसंधान [2] पर काफी प्रभाव पड़ा।

Baggerly और Coombs द्वारा खोजी गई समस्याओं को लेख के किसी भी सह-लेखक द्वारा प्रस्तुत करने से पहले आसानी से देखा जा सकता है। डेटा सेट वहाँ बहुत बड़े नहीं हैं, उन्हें आसानी से एक मानक लैपटॉप पर जांचा जा सकता है। आपको यह समझने के लिए एक सांख्यिकीय प्रतिभा होने की आवश्यकता नहीं है कि रोगियों की संख्या भिन्न होती है, लेबल स्थान बदलते हैं या नमूने एक ही डेटा सेट में कई बार परस्पर विरोधी एनोटेशन के साथ प्रस्तुत किए जाते हैं। बहुत देर होने से पहले किसी ने इन समस्याओं को क्यों नहीं नोटिस किया? क्योंकि डेटा और विश्लेषण पारदर्शी नहीं थे और उन्हें समझने के लिए आपराधिक जैव सूचना विज्ञान का आवश्यक ज्ञान था [2]।

यह उदाहरण मुझे अपने काम में अधिक पारदर्शी और प्रतिलिपि प्रस्तुत करने के लिए प्रेरित करता है। यहां तक ​​कि छोटी घटनाएं आपको अजीब स्थिति में डाल सकती हैं।

यहाँ मेरे शोध से एक उदाहरण है। हमारे प्रायोगिक भागीदारों ने हमारे द्वारा बनाए गए ट्रैक मॉडल का परीक्षण किया। हालांकि, लेख लिखते समय, हमें एक गंभीर बाधा का सामना करना पड़ा: कोई फर्क नहीं पड़ता कि हमने कितनी कोशिश की, हम अपने मूल यात्रा मॉडल को पुन: पेश नहीं कर सके। शायद डेटा बदल गया है, शायद कोड अलग था, या हो सकता है कि हम बस हमारे तरीके की पैरामीटर सेटिंग्स को सही ढंग से याद नहीं कर सके। यदि हम इस परिणाम को प्रकाशित करते हैं, तो हम यह प्रदर्शित नहीं कर पाएंगे कि हम स्रोत डेटा से अनुमोदित परिकल्पना के लिए कैसे आए। हम एक चमत्कार प्रकाशित करेंगे।

इस अनुभव ने मुझे दो चीजें दिखाईं। सबसे पहले, एक परियोजना एक सुंदर परिणाम से अधिक है। आपको विस्तार से वर्णन करने की आवश्यकता है कि यह परिणाम कैसे प्राप्त किया गया था।

और इसके अलावा, शुरुआती चरणों में प्रतिलिपि प्रस्तुत करने योग्यता के बारे में सोचकर, आप भविष्य में समय बचाएंगे। हमने अपने समय और अपने सहयोगियों के समय को बिताया, अपने स्वयं के परिणामों को पुन: पेश करने में असमर्थ हैं। यह सब टाला जा सकता था अगर हम समय के साथ डेटा और विश्लेषणों को बेहतर तरीके से ट्रैक करते।

कारण # 2: reproducibility लेख लिखना आसान बनाता है

आपके विश्लेषण में पारदर्शिता लेखन लेखों को बहुत आसान बनाती है। उदाहरण के लिए, डायनेमिक दस्तावेज़ (बॉक्स 1) में, डेटा बदलने पर सभी परिणाम स्वचालित रूप से अपडेट हो जाते हैं। आप यह सुनिश्चित कर सकते हैं कि आपके नंबर, ग्राफ़ और टेबल प्रासंगिक रहेंगे। इसके अलावा, इस तरह के विश्लेषण पारदर्शिता अधिक आकर्षक है, अधिक लोग इसके साथ खुद को परिचित करने में सक्षम होंगे, और त्रुटियों का पता लगाना बहुत आसान हो जाता है।

यहाँ मेरे काम से एक और उदाहरण है। एक अन्य परियोजना [3] में, हमने डॉक्टर के साथ चर्चा की कि बहुसंकेतन अध्ययन में जीवित रहने के कुछ परिणाम हमारी अपेक्षाओं को पूरा क्यों नहीं करते हैं। चूंकि सभी डेटा और विश्लेषणात्मक कोड आसानी से पढ़ने योग्य फ़ाइल में हमारे लिए उपलब्ध थे, इसलिए हम इस मुद्दे का अध्ययन स्वयं करने में सक्षम थे।

बस ट्यूमर के चरण का वर्णन करने वाले एक चर के साथ एक तालिका बनाकर, हम समस्या की पहचान करने में सक्षम थे: हमने 1 से 4 तक चरण संख्याओं को देखने की उम्मीद की, और "XXX", "फ्रेड" और "999" जैसी कुछ चीजें देखीं। जिन लोगों ने हमें डेटा प्रदान किया है, उन्हें लगता है कि उन्हें खराब तरीके से पढ़ा गया है। प्रोजेक्ट पर काम करने वाले पोस्ट-डॉक पर जाने और कहने के लिए यह अपने आप ही डेटा का अध्ययन करने के लिए बहुत तेज़ और आसान हो गया: "हमें यह समझाएं।" मेरे सह-लेखक और मैं निम्न-स्तरीय डेटा सफाई पर समय बिताने के लिए व्यस्त हैं, और एक अच्छी तरह से प्रलेखित विश्लेषण के बिना, हम योगदान नहीं कर पाएंगे। लेकिन चूंकि हमारे पास बहुत पारदर्शी डेटा और कोड था, इसलिए हमें त्रुटि का पता लगाने में केवल पांच मिनट लगे।

कारण # 3: reproducibility समीक्षकों को आपके डेटा को देखने में मदद करता है

हम में से कई लोग सहकर्मी समीक्षा की शिकायत करना पसंद करते हैं। सबसे अधिक बार, मैंने सुना है: "समीक्षकों ने भी लेख नहीं पढ़ा है और हमें पता नहीं है कि हमने वास्तव में क्या शोध किया है।"

यह एक हालिया लेख [4] की समीक्षा करने के मेरे अनुभव के साथ तेजी से विपरीत है, जिसके लिए हमने समीक्षकों के लिए आसानी से सुलभ डेटा और दस्तावेज कोड बनाया। उनमें से एक ने कुछ विश्लेषणों में एक छोटा सा बदलाव करने का सुझाव दिया, और चूंकि उनके पास सभी डेटा तक पहुंच थी, इसलिए वह सीधे अपने विचारों का परीक्षण करने में सक्षम थे और देखें कि परिणाम कैसे बदल गए। समीक्षक पूरी तरह से शामिल था, और चर्चा करने के लिए केवल एक चीज बची थी जो डेटा विश्लेषण का तरीका सबसे अच्छा होगा। तो एक रचनात्मक समीक्षा की व्यवस्था की जानी चाहिए। और यह हमारे विश्लेषण के पारदर्शी और प्रतिलिपि प्रस्तुत करने योग्य प्रतिनिधित्व के बिना संभव नहीं होगा।

कारण # 4: reproducibility आपके काम को जारी रखता है

मुझे आश्चर्य होगा कि यदि आपने पहले टिप्पणी नहीं सुनी है (और शायद उन्हें खुद भी आवाज़ दी है): "मैं इतना व्यस्त हूं कि मैं अपनी सभी परियोजनाओं के विवरण को अच्छी तरह से याद नहीं रख सकता हूं" या मैंने यह विश्लेषण 6 महीने पहले किया था। निश्चित रूप से, मैं इतनी लंबी अवधि के बाद सभी विवरणों को याद नहीं रख सकता ”या“ मेरे शोध पर्यवेक्षक (पीआई) ने कहा कि मुझे पिछले पोस्टडॉक की परियोजना को जारी रखना चाहिए, लेकिन वह पोस्टडॉक लंबे समय तक चला गया और उसने कोई स्क्रिप्ट या डेटा नहीं बचाया। ”

इसके बारे में सोचें: इन सभी समस्याओं को दस्तावेज़ और डेटा और कोड उपलब्ध कराकर हल किया जा सकता है। यह उन प्रमुख शोधकर्ताओं के लिए विशेष रूप से महत्वपूर्ण है जो जटिल दीर्घकालिक परियोजनाओं पर काम करते हैं। यदि आप जिस तरह से प्रगति कर रहे हैं वह प्रजनन योग्य रूप में प्रलेखित नहीं है, तो आप अपनी प्रयोगशाला में काम की निरंतरता कैसे सुनिश्चित कर सकते हैं? मेरे समूह में, यदि वे खराब दस्तावेज हैं, तो मैं छात्रों के साथ परिणामों पर भी चर्चा नहीं करता। प्रतिलिपि प्रस्तुत करने का कोई सबूत नहीं - कोई परिणाम नहीं!

कारण संख्या 5: प्रतिलिपि प्रस्तुत करने योग्यता प्रतिष्ठा में मदद करती है

कई लेखों में, हमने अपना डेटा, कोड, और विश्लेषण बायोकॉन्टर [५] के पैकेज के रूप में उपलब्ध कराया। जब मैं एक अनुबंध पर काम करने के लिए आया था, मैंने अपने प्रयोगशाला अनुसंधान के परिणामों के रूप में इन सभी पैकेजों को प्रदान किया।

आमतौर पर, इस तरह से प्रस्तुत एक विश्लेषण एक ईमानदार और गहन शोधकर्ता के रूप में प्रतिष्ठा बनाने में मदद करता है। यदि आपको कभी भी आपके किसी लेख के साथ कोई समस्या है, तो आपके लिए अपने नाम की रक्षा करना और यह दिखाना बहुत आसान होगा कि आपने ईमानदारी से हर चीज का संचार किया है।

जर्नल साइंस में प्रकाशित एक हालिया लेख साइंटिफिक स्टैंडर्ड्स है। एक ओपन रिसर्च कल्चर को बढ़ावा देना "[6], आठ मानकों और पुनरुत्पादन के लिए सिफारिशों के तीन स्तरों को संक्षेप में प्रस्तुत करता है। आर और निटआर (बॉक्स 1) जैसे उपकरणों का उपयोग करना आपको उच्चतम स्तर के मानकों का आसानी से पालन करने की अनुमति देगा, जो फिर से, आपकी प्रतिष्ठा के लिए अच्छा है।

क्या आप वापस पकड़ रहा है?

क्या मैंने तुम्हें मना लिया? शायद नहीं। यहाँ प्रतिक्रियाओं का एक चयन है जो मुझे अक्सर मिलता है जब मैं प्रतिलिपि प्रस्तुत करने योग्यता पर जोर देता हूं (और मैं इसे कैसे प्रतिक्रिया देता हूं):

• "केवल परिणाम मायने रखता है!" आपसे गलती हुई है।
• "मैं अपने डेटा को चुस्त-दुरुस्त करने के बजाए, वास्तविक विज्ञान का इस्तेमाल करूँगा।" यदि आपके परिणाम प्रतिलिपि प्रस्तुत करने योग्य नहीं हैं, तो आप विज्ञान नहीं कर रहे हैं [7]।
• “अपने व्यापार के बारे में जाओ! मैं अपने डेटा का दस्तावेजीकरण कर रहा हूँ जैसा मैं चाहता हूँ! " हाँ, कृपया! एक तरीके से काम करने के कई तरीके हैं जो कि प्रतिलिपि प्रस्तुत करने योग्य है [8] - आप किसी भी एक को चुन सकते हैं जिसे आप पसंद करते हैं।
• “एक्सेल महान काम करता है। मुझे किसी भी नए आर, पायथन या किसी अन्य चीज़ की ज़रूरत नहीं है। " आपके द्वारा उल्लिखित उपकरण अच्छी तरह से काम कर सकता है यदि आपको कई मैनुअल संपादन करने की आवश्यकता है। लेकिन यदि आप डेटा विश्लेषण करते हैं, तो कम क्लिक और अधिक स्क्रिप्ट सबसे अच्छा समाधान हैं। कल्पना करें कि आपको एक सरल विश्लेषण करने की आवश्यकता है - उदाहरण के लिए, प्रतिगमन ग्राफ बनाएं - 5 (10, 20) बार। एक साधारण लूप लिखने के साथ इसके प्रसंस्करण की तुलना करें जो इसे आपके लिए करेगा। अब कल्पना करें कि आपको 3 सप्ताह के बाद फिर से ऐसा करने की आवश्यकता है, क्योंकि डेटा थोड़ा बदल गया है। इस मामले में, आपको निश्चित रूप से आर और पायथन का उपयोग करना चाहिए।
• "Playability अच्छी लगती है, लेकिन मेरा कोड और डेटा इतने हार्ड ड्राइव और निर्देशिका में बिखरे हुए हैं कि सब कुछ एक ही स्थान पर रखने के लिए बहुत अधिक प्रयास करना पड़ता है।" जैसा आपने अभी कहा वैसा ही सोचें। संगठन की कमी आपको और आपकी परियोजना को नश्वर खतरे में डालती है।
• "हम हमेशा समीक्षा के लिए एक आवेदन जमा करने के बाद कोड और डेटा को सॉर्ट कर सकते हैं।" ऊपर, मेरा ट्रैक मॉडल उदाहरण इस तरह की रणनीति के खतरों को दर्शाता है। इसके अलावा, एक पांडुलिपि तैयार करने में बहुत समय लग सकता है, इसलिए आपको अपने विश्लेषण के सभी विवरण याद नहीं हो सकते हैं जब परिणाम प्रस्तुत करने का समय आता है।
• "मेरे शोध क्षेत्र में बहुत प्रतिस्पर्धा है, और समय बर्बाद करना बहुत अधिक जोखिम है।" और यही कारण है कि आपको प्रारंभिक अवस्था में प्रतिलिपि प्रस्तुतिकरण के साथ काम करना शुरू कर देना चाहिए ताकि आप इस समय को लंबे समय में बर्बाद न करें।

जब प्रतिलिपि प्रस्तुत करने योग्यता के बारे में चिंता करने के लिए?

मान लीजिए कि मैंने आपको आश्वस्त किया कि प्रजनन और पारदर्शिता है
अपने हित में। चिंता करना कब शुरू करें?
लंबे उत्तर:

• एक परियोजना शुरू करने से पहले - क्योंकि आपको आर या गिट जैसे उपकरण सीखने पड़ सकते हैं;
• जब आप विश्लेषण कर रहे हैं - क्योंकि यदि आप बहुत लंबा इंतजार करते हैं, तो आप यह याद करने में बहुत समय गंवा सकते हैं कि आपने दो महीने पहले क्या किया था;
• जब आप एक लेख लिखते हैं - क्योंकि आप चाहते हैं कि आपकी संख्या, तालिका और आंकड़े प्रासंगिक रहें;
• जब आप किसी लेख के सह-लेखक होते हैं - क्योंकि आप यह सुनिश्चित करना चाहते हैं कि आपके नाम के साथ दस्तावेज़ में प्रस्तुत किया गया विश्लेषण सही हो;
• जब आप किसी दस्तावेज़ को देखते हैं - क्योंकि आप परिणामों का न्याय नहीं कर सकते हैं जब तक कि आप नहीं जानते कि लेखक उनके पास कैसे आए।

संक्षिप्त उत्तर: हमेशा!

प्रतिलिपि प्रस्तुत करने योग्यता की संस्कृति प्राप्त करें

किसके लिए प्रतिलिपि प्रस्तुत करने योग्यता और पारदर्शिता महत्वपूर्ण है? जाहिर है, छात्र और पोस्ट-डॉक्स प्रतिलिपि प्रस्तुत करने के काम में महत्वपूर्ण भूमिका निभाते हैं, क्योंकि अधिक बार नहीं वे ऐसे लोग हैं जो वास्तव में इस काम को करते हैं। मेरी सलाह है कि जल्दी से जल्दी (बॉक्स 1) प्रजनन योग्य साधनों का अध्ययन करें और हर परियोजना में उनका उपयोग करें।

प्रयास करने के बाद, आपको बहुत सारे लाभ मिलेंगे:

• आप कम गलतियाँ करेंगे और मौजूदा को सही करने में आसान होंगे;
• आप अधिक प्रभावी होंगे और लंबे समय में बहुत तेजी से बढ़ेंगे;
• अगर आपको लगता है कि आपका शैक्षणिक सलाहकार थोड़ा उलझा हुआ है, तो विश्लेषण को और अधिक समझने के लिए, आप अपने संरक्षक को और अधिक शामिल होने में मदद कर सकते हैं।

अग्रणी शोधकर्ता, समूह और टीमों के नेता, प्रोफेसर - यह आपके तकनीकी आधार के शीर्ष पर "प्रतिलिपि प्रस्तुत करने की संस्कृति" बनाने के लिए है जो आपके छात्रों और पोस्टडॉक का प्रतिनिधित्व करते हैं। अपनी प्रयोगशाला में, मैंने प्रतिलिपि प्रस्तुत करने वाले दस्तावेज़ों में एक प्रमुख तत्व बनाया, जिसे मैं शुरुआती [9] को देता हूं। यदि आप अपने सहयोगियों का समर्थन करना चाहते हैं, तो हर बार टीम के सदस्य आपको कार्य के परिणामों को दिखाने के लिए विश्लेषण प्रलेखन का अनुरोध करते हैं। आपको विवरण में जाने की आवश्यकता नहीं है - एक सरसरी नज़र दिखाएगी कि यह कितनी अच्छी तरह से किया गया है। मेरी अपनी प्रयोगशाला में वास्तव में प्रतिलिपि प्रस्तुत करने योग्यता में क्या सुधार हुआ है, यह आवश्यक है कि टीम के एक सदस्य के साथ एक आवेदन पत्र दाखिल करने से पहले, उनके सहयोगी जो परियोजना में शामिल नहीं हैं, उन्हें स्वतंत्र रूप से हमारे परिणामों का विश्लेषण करने और पुन: पेश करने का प्रयास करना चाहिए।

यदि आप अपनी प्रयोगशाला में एक प्रतिलिपि प्रस्तुत करने योग्य संस्कृति नहीं बनाते हैं, तो आप लंबे समय में होने वाले भारी वैज्ञानिक लाभों को याद करेंगे।

विज्ञान हर दिन अधिक पारदर्शी और प्रतिलिपि प्रस्तुत करने योग्य होता जा रहा है। आप इस प्रक्रिया में नेता बन सकते हैं! उन्नत ट्रेंडसेटर! चलो, मुझे पता है - तुम भी यही चाहते हो।

बॉक्स 1

न्यूनतम स्तर पर, प्रतिलिपि प्रस्तुत करने का मतलब है कि शुरुआती लोगों की गलतियों से बचना। अपनी परियोजना को व्यवस्थित रखें, सूचनाओं को फ़ाइलों और निर्देशिकाओं में असाइन करें, डेटा और कोड को बैकअप के साथ एक स्थान पर सहेजें। विभिन्न सर्वरों, लैपटॉप और हार्ड ड्राइव में डेटा को बिखेरें नहीं।

प्रतिलिपि प्रस्तुत करने योग्यता के निम्नलिखित स्तरों को प्राप्त करने के लिए, आपको कम्प्यूटेशनल reproducibility के कुछ उपकरणों का अध्ययन करने की आवश्यकता है [8]। सामान्य तौर पर, कम क्लिक और आवेषण और अधिक स्क्रिप्ट और कोडिंग के साथ प्रतिलिपि प्रस्तुत करने योग्यता में सुधार होता है। उदाहरण के लिए, आर या पायथन में अपने विश्लेषण करें और इसे निट या आईपीथॉन का उपयोग करके दस्तावेज करें।
ये उपकरण आपको वर्णनात्मक कोड के साथ वर्णनात्मक पाठ को गतिशील दस्तावेज़ों में संयोजित करने में मदद करते हैं जिन्हें हर बार डेटा या कोड बदलने पर स्वचालित रूप से अपडेट किया जा सकता है।

इसके बाद, एक साझा नियंत्रण प्रणाली जैसे कि GitHub जैसे साझा प्लेटफॉर्म पर git का उपयोग करना सीखें। अंत में, यदि आप एक पेशेवर बनना चाहते हैं, तो डॉकर्स का उपयोग करना सीखें जो आपके विश्लेषण को अलग-अलग प्रणालियों में सहज और आसानी से पोर्टेबल बनाते हैं।

धन्यवाद

मैंने गॉर्डन ब्राउन (CRUK कैम्ब्रिज इंस्टीट्यूट) और स्टीफन जे। इगलेन (DAMTP कैम्ब्रिज) के साथ कैम्ब्रिज में गॉरडॉन इंस्टीट्यूट में पढ़ाए जाने वाले "पोस्टडॉक्टरल रिप्रोड्यूसबिलिटी वर्कशॉप" के लिए एक स्वार्थी प्रतिलिपि प्रस्तुत करने योग्य दृष्टिकोण विकसित किया। मैं उनके योगदान के लिए उन्हें धन्यवाद देता हूं।

सभी सामग्री लिंक के माध्यम से गिटहब पर उपलब्ध हैं, और मेरी रिपोर्ट मेरे ब्लॉग पर दर्ज की गई है।