当前位置: 首页 > news >正文

博士毕业答辩流程 注意事项

前言:2023年5月17日14:00-17:00,与实验室其他同学一起旁听了本实验室的博士论文答辩。接下来,我对博士毕业答辩的大致流程进行简要介绍,并对个环节的注意事项进行总结归纳,供毕业生参考。

在这里插入图片描述


目录

  • 1. 准备阶段
  • 2. 汇报期间
  • 3. 提问环节
  • 4. 专家评议

1. 准备阶段

  • 仪容仪表:穿着注意正式端庄,有两位学长特地着正装出席,或选择穿衬衣答辩。
  • 会场布置:预先在墙上张贴横幅,并提前为答辩组专家准备好水果和茶水、矿泉水等,及时为答辩专家添水。(看老师们在学长们汇报期间水果吃得津津有味)

PS:出席答辩的专家都是本市其他高校的大小同行,我在私底下还谷歌学术了一下🤫


2. 汇报期间

汇报时长:控制在每人 30 min 左右。
汇报期间:语速不宜过快,口齿清晰,讲究抑扬顿挫,吸引听众注意力。(坐在角落一边旁听,一边暗中观察,感觉各位答辩组专家都在摸鱼是怎么回事🤔️)


3. 提问环节

来到答辩组的专家提问环节,这一环节可以明显分辨出专家对于当前汇报中研究内容的了解程度。当然,有些问题还是十分专业的,在此不一一列举。下面总结一下提问环节几位专家提到的现场博士毕业论文中存在的一些共性问题。

  • 整体布局层面
    • 博士论文题目范围范围不宜过大,与各个章节的契合程度要足够强;
    • 布局谋篇时不同章节之间的关系(平行还是递进?)要有所体现。
  • 文字表述层面
    • 谨慎使用“首次”等创新性字眼;
    • 数学表达式要具有一定的规范性;(带着批判的眼光去引用现有的表达方式)
    • 最好是引用已发表 / 已录用的参考文献,如果参考文献很多都是 arXiv 预印版,会给人一种不好的印象。
  • 图表描述层面
    • 论文中每个插图的位置要合理,最好与对应的文字描述部分相近。
  • 文章格式层面
    • 有位学长的博士论文每一章开始都会有一段“内容提要”,与其他同学的格式有所差异。在撰写毕业论文时,最好使用学校统一的模板;
    • 在打印成纸质版的毕业论文供答辩组专家翻阅时,纸张的质量和论文字号的大小会对整本博士论文的厚薄有所影响,用答辩组专家的话说,同样是100多页,比较薄的那本论文就比较吃亏……)

4. 专家评议

这一环节,答辩组专家综合答辩者表现,对答辩者博士学位的授予与否进行商讨,若无异议则由答辩主席宣读评议结果。至此,一场完整的博士毕业答辩就结束啦!


后记:回想起之前旁听过的硕士毕业答辩,综合本次的博士论文答辩,总体来说,感觉答辩现场的整体氛围还是比较轻松和谐的,毕竟老师们之间都互相认识,也不好问出太刁钻的问题🤔️

http://www.lryc.cn/news/69373.html

相关文章:

  • 拼多多开放平台订单详情接口解析
  • 如何把ipa文件(iOS安装包)安装到iPhone手机上? 附方法汇总
  • 由浅入深了解 深度神经网络优化算法
  • LIN-报文结构
  • 南京邮电大学通达学院2023c++实验报告(三)
  • ISO9000和ISO9001有哪些区别?
  • 第7章异常、断言和曰志
  • springboot读取和写入csv文件数据
  • 【产品经理】工作交接
  • Springer期刊 latex投稿经验分享
  • Python 文件读取的练习
  • Redis:主从复制_通过此功能实现对内存上的数据更好的保护
  • LoRA:大模型的低秩自适应微调模型
  • 拼多多买家如何导出“个人中心”订单信息
  • 11.计算机基础-计算机网络面试题—基础知识
  • cs109-energy+哈佛大学能源探索项目 Part-1(项目背景)
  • ARM Linux摄像头传感器数据处理全景视野:从板端编码视频到高级应用
  • Fixed Function Shader
  • HTML- 标签学习之- 列表、表格
  • Canal搭建 idea设置及采集数据到kafka
  • CentOS7搭建伪分布式Hadoop(全过程2023)
  • Linux中文件描述符fd和文件指针filp的理解
  • CSS color中常用英文色值
  • Springboot idea 中 maven配置问题,找不到依赖:Could not find artifact xxxx
  • 编译原理笔记(一)引论
  • C++ 类和对象下 [补充]
  • [CTF/网络安全] 攻防世界 PHP2 解题详析
  • 图神经网络:(节点分类)在Cora数据集上动手实现图神经网络
  • RabbitMQ应用问题——消息补偿机制以及代码示例
  • 量化特征贡献度函数:feature_importances_函数/LGBMClassifier/XGBClassifier