在很多學術分享活動中，很多人會出於自身經驗分享自己如何做研究，但實際上，研究通常是基於三個主要角度：靈感驅動、數據驅動和文獻驅動。選擇其中之一通常取決於研究者自身的特質和優勢定位，就像投資一樣，並不是每個人都適合某種交易風格。接下來，我們來看看這三種方法的具體作法及其各自的優缺點。
靈感驅動（Inspiration-Driven）
靈感驅動的研究始於某個突然出現的創意或想法。這些靈感可以來自日常生活、閱讀、討論，甚至是夢境。研究者需要將這些靈感轉化為具體的研究問題和關鍵字，並進行初步的文獻檢索以了解是否已有相關研究。接下來，設計實驗或調查以驗證這些靈感的可行性。然而，將靈感具體化為可操作的研究問題並不容易。靈感驅動的研究者常常在數據和文獻對話方面不夠扎實，導致研究進展困難。靈感可能很有創新性，但也可能脫離現實市場需求，難以證明其價值。
優點：
- 創造性和獨特性強，能提出新穎的觀點和問題。
- 研究者通常對自己產生靈感的問題具有高度興趣和熱情，比較有動力堅持下去。
缺點：
- 將靈感具體化為可操作的關鍵字和研究問題具有挑戰性。
- 容易忽略市場驗證，從發表的角度確認什麼才是市場在意的細節和角度。
數據驅動（Data-Driven）
數據驅動的研究通常從大量數據的收集和分析開始，常見的是使用資料庫或爬蟲得來的大量而多元的資料。研究者需要從可靠的數據庫或調查中獲取數據，進行整理和預處理。通過數據分析技術，研究者可以從中先探索趨勢和模式，並從中推導出具體的研究方向。這些數據分析結果將幫助研究者提出研究假設，通常在步驟上有點先射箭再畫靶的味道，先測試可能有哪些有趣的結果，才反向設計相應的實驗或調查來驗證這些假設。
優點：
- 基於實際的數據，能提供有力的證據支持研究結論。
- 先射箭再畫靶，可免除收了資料卻沒有預期結果的困擾
- 對於分析高手來說，是常見且適合的方法，並且期刊會認為資料庫來源的可信度或代表性比問卷或實驗完整。
缺點：
- 研究品質高度依賴於數據的完整性和準確性，不見得設定的問題所需要的變數都剛好有。
- 數據分析過程複雜，需要研究者具備相關技術和工具。
- 解釋變數取用的合理性和為何是這些變數時依然需要文獻支持。
文獻驅動（Literature-Driven）
文獻驅動的研究始於系統性的文獻檢索和分析。研究者通過學術數據庫（如WoS、Google Scholar）進行廣泛的文獻檢索，找出相關研究。詳細閱讀並整理這些文獻，找到現有研究的空白和潛在問題。基於文獻分析提出具體的研究假設和問題，設計實驗或調查方案。文獻驅動的研究能夠系統地梳理既有研究，但也可能缺乏創新性。過於依賴已有文獻，可能導致研究進展緩慢，需要大量時間和精力。
優點：
- 系統性強，能找到現有研究的明確缺口和問題。
- 研究過程和結果具有較高的可重複性和可靠性。
- 相關文獻對話的能力強。
缺點：
- 可能會過度依賴已有的研究，或被拉走，而難以有開創性的視角。
- 需要大量時間和精力進行文獻檢索和分析，研究進展較慢。
結語
無論選擇哪種研究角度，都需要兼顧其具體作法和潛在挑戰。靈感驅動的研究需要更強化數據和文獻對話來進行研究設計，數據驅動的研究需要保證數據品質和分析能力，同時問自己這些數據為什麼可以代表或回答某個研究問題，否則可能難以突顯其優勢，而文獻驅動的研究則需要耐心和系統性梳理，並注意更多創新的可能。
