Research Paper Writing

• Uuden tutkimusartikkelin aloittaminen olemassa olevasta koodikannasta tai ideasta, mukaan lukien työtilan rakenteen ja versionhallinnan määrittäminen sekä yhden lauseen panosilmoituksen kirjoittaminen ennen varsinaisen kirjoittamisen aloittamista.
• Kokeiden suunnittelu ja suorittaminen siten, että ne vastaavat suoraan artikkelin väitteitä, sisältäen inkrementaalisen tallennuksen, artefaktien säilyttämisen, kustannusten seurannan ja valvonnan cron-ajastettujen tilakatselmusten avulla.
• Minkä tahansa ML/AI-artikkelin osion kirjoittaminen tai muokkaaminen, mukaan lukien LaTeX-koodin tuottaminen virallisia konferenssipohjia käyttäen (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) kaksivaiheisella jalostuskaavalla.
• Lähetyksen tai uudelleenlähetyksen valmistelu, mukaan lukien anonymisointi, muotoilun tarkistus, esikokoamisen validointi, konferenssikohtaiset tarkistuslistat sekä hyväksymisen jälkeiset toimitukset, kuten posterit, esitykset ja koodijulkaisut.

• Ei-ML/AI-tutkimusalat (esim. lääketiede, yhteiskuntatieteet, humanistiset tieteet) — prosessikehikko on kalibroitu erityisesti ML-konferensseja ja niiden normeja varten.
• Erittäin heikot perusmallit (Llama 8B -luokka) iteratiivisiin jalostamistehtäviin — taidossa todetaan, että nämä mallit ovat liian heikkoja monipuoliseen ehdokasgenerointiin, mikä tekee autoreason-silmukasta haitallisen.
• Nopeat kertaluonteiset kirjoitustehtävät ilman kokeellista komponenttia — täyden 8-vaiheisen prosessikehikon kuormitus ylittää hyödyn pienten, itsenäisten kirjoitustöiden kohdalla.

Kattaa projektin aloituksen → kirjallisuuskatsauksen → koeasetelman suunnittelun → toteutuksen ja seurannan → analyysin → artikkelin luonnostelun → itsearvioinnin ja revision → julkaisuvalmistelun iteratiivisena silmukkana, ei lineaarisena sarjana. Tulokset käynnistävät uusia kokeita; arvioinnit käynnistävät uuden analyysin; taito käsittelee nämä palautesilmukat eksplisiittisesti.

Jokainen viittaus haetaan ohjelmallisesti Semantic Scholarin, arXiv:n ja CrossRef DOI -sisältöneuvottelun kautta – ei koskaan muistista generoituna. Vahvistamattomat viittaukset merkitään [CITATION NEEDED] -tunnisteella ja raportoidaan tutkijalle, mikä vastaa tunnettuun noin 40 %:n tekoälyviittausvirheprosenttiin.

Näyttöön perustuva iteratiivinen jalostussilmukka (Kriitikko → Kirjailija B → Syntetisoija → 3 tuomarin Borda-paneeli) empiirisesti validoiduilla parametreilla: k=2 konvergenssi, CoT-tuomarit, lämpötila 0,8 kirjailijoille / 0,3 tuomareille. Sisältää päätöstaulukon, joka kartoittaa mallitason ja tehtävätyypin optimaaliseen jalostusstrategiaan, sekä dokumentoidut vikatilat ja niiden lieventämistoimenpiteet.

Tuottaa N=3–5 itsenäistä arviota negatiivisella vinoumapromptilla, minkä jälkeen ne aggregoidaan aluepuheenjohtajaa mallintavan metaarvioijan roolissa. Sisältää erillisen VLM-pohjaisen visuaalisen arviointivaiheen kuvien laadun ja asettelun ongelmien tarkastamiseksi sekä väitteiden todentamisvaiheen, jossa käytetään uutta osa-agenttiaa vahvistusharhan ehkäisemiseksi.

Sisältää valmiit mallipohjat konferensseille NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 ja COLM 2025, ammattimaisella johdannolla (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), esikääntämisen validointiskripteillä (chktex, viittaus-, kuva- ja otsaketarkistukset) sekä latexdiff-työnkululla vastausvaiheen muokkausten seurantaan.

Suunniteltu Hermes-agentille: käyttää delegate_task-toimintoa rinnakkaiseen osioiden luonnosteluun ja samanaikaiseen lähdeviitteiden tarkistukseen, cronjob-toimintoa kokeiden seurantaan [SILENT]-protokollan kanssa muutoksettomien ilmoitusten unterdrückimiseksi, memory- ja todo-toimintoja pysyvän tilan ylläpitämiseen istuntojen välillä sekä send_message-toimintoa asynkronisiin ilmoituksiin kokeiden valmistuessa.

Lähtien olemassa olevasta repositoriosta, taito tutkii koodipohjan tunnistaakseen kontribuution, suunnittelee kokeita, jotka vastaavat tiettyjä väitteitä, ajaa ne inkrementaalisella tarkistuspisteistyksellä, analysoi tulokset tilastollisen merkitsevyyden testeillä, laatii täydellisen LaTeX-artikkelin kohdepaikan mallipohjaa käyttäen ja valmistelee lopullisen anonymisoidun lähetyspaketin.

Hylkäämisen jälkeen taito muuntaa artikkelin uuden julkaisupaikan muotoon (mukaan lukien sivumäärärajoitusten säädöt ja julkaisupaikan edellyttämät erityisosat), käsittelee arvioijien huomiot muokatussa tekstissä, luo latexdiff-merkityn PDF-tiedoston muutosten näyttämiseksi ja tarkistaa uuden lähetyksen kohdejulkaisupaikan tarkistuslistan mukaisesti – viittaamatta aiempaan lähetykseen.

Artikkeleissa, joissa ihmisarviointi on ensisijainen näyttö (esim. ACL:n tekstintuottamistehtävät), Research Paper Writing suunnittelee annotointiprotokollan – annotoijatyypin, asteikon (paritteinen vs. Likert), otoskoon tehon analyysin avulla, annotoijien välisen yksimielisyysmittarin valinnan, alustan (Prolific, MTurk) sekä IRB-tarkistuslistan – ennen automatisoitujen kokeiden suorittamista, sillä ihmisarvioinneilla on tyypillisesti pidemmät läpimenoajat.

Empiirisen koneoppimisen lisäksi taito tukee teoria-artikkeleita (lause- ja todistusrakenne, jossa todistusluonnokset päätekstissä ja täydelliset todistukset liitteessä), katsausartikkeleita (laaja-alainen kirjallisuushaku ja taksonomian suunnittelu), vertailuartikkeleita (aineiston dokumentointi Datasheets for Datasets -menetelmällä, konstruktiovaliditeettia tukeva näyttö) sekä kantaa ottavia artikkeleita – kullakin on oma rakenteensa ja näyttövaatimuksensa.