Research Paper Writing

• Démarrer un nouvel article de recherche à partir d'une base de code ou d'une idée existante, notamment en configurant la structure de l'espace de travail, le contrôle de version et une déclaration de contribution en une phrase avant de rédiger quoi que ce soit.
• Concevoir et exécuter des expériences qui correspondent directement aux affirmations de l'article, avec une sauvegarde incrémentielle, la préservation des artefacts, le suivi des coûts et la surveillance via des vérifications d'état planifiées par cron.
• Rédiger ou réviser n'importe quelle section d'un article ML/IA, notamment en générant du LaTeX à l'aide de modèles officiels de conférences (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) avec un schéma de raffinement en deux passes.
• Préparer une soumission ou une nouvelle soumission, notamment l'anonymisation, la vérification du formatage, la validation avant compilation, les listes de contrôle spécifiques aux conférences et les livrables post-acceptation tels que les posters, les présentations et les publications de code.

• Les domaines de recherche non liés au ML/IA (par exemple, la médecine, les sciences sociales, les humanités) — le pipeline est spécifiquement calibré pour les conférences ML et leurs normes.
• Les modèles de base très faibles (classe Llama 8B) pour les tâches de raffinement itératif — la note de compétence indique que ces modèles sont trop faibles pour la génération de candidats diversifiés, ce qui rend la boucle autoreason contre-productive.
• Les tâches d'écriture ponctuelles rapides sans composante expérimentale — la surcharge du pipeline complet en 8 phases dépasse le bénéfice pour les travaux d'écriture petits et autonomes.

Couvre la Configuration du projet → la Revue de littérature → la Conception de l'expérience → l'Exécution et le suivi → l'Analyse → la Rédaction de l'article → la Révision et l'auto-évaluation → la Préparation à la soumission sous forme de boucle itérative, et non d'une séquence linéaire. Les résultats déclenchent de nouvelles expériences ; les révisions déclenchent de nouvelles analyses ; la compétence gère ces boucles de rétroaction de manière explicite.

Chaque citation est récupérée de manière programmatique via Semantic Scholar, arXiv et la négociation de contenu CrossRef DOI — jamais générée à partir de la mémoire. Les citations invérifiables sont marquées [CITATION NEEDED] et signalées au chercheur, permettant de remédier au taux d'erreur de citation IA d'environ 40 % connu dans le domaine.

Une boucle de raffinement itératif fondée sur des preuves (Critique → Auteur B → Synthétiseur → panel Borda à 3 juges) avec des paramètres empiriquement validés : convergence k=2, juges CoT, température 0,8 pour les auteurs / 0,3 pour les juges. Comprend un tableau de décision associant le niveau de modèle et le type de tâche à la stratégie de raffinement optimale, ainsi que les modes d'échec documentés et leurs mesures d'atténuation.

Génère N=3–5 évaluations indépendantes avec une invite à biais négatif, puis les agrège via un rôle de méta-réviseur modélisant un responsable de domaine. Comprend une passe d'examen visuel distincte basée sur un VLM pour la qualité des figures et les problèmes de mise en page, ainsi qu'une passe de vérification des affirmations utilisant un sous-agent indépendant pour prévenir les biais de confirmation.

Comprend des modèles prêts à l'emploi pour NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 et COLM 2025, avec un préambule professionnel (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), des scripts de validation avant compilation (chktex, vérifications des citations/figures/étiquettes), ainsi qu'un flux de travail latexdiff pour le suivi des révisions lors des rebuttals.

Conçu pour l'agent Hermes : utilise delegate_task pour la rédaction parallèle de sections et la vérification simultanée des citations, cronjob pour la surveillance des expériences avec un protocole [SILENT] afin de supprimer les notifications en l'absence de changements, memory et todo pour un état persistant entre les sessions, et send_message pour les notifications asynchrones lorsque les expériences sont terminées.

En partant d'un dépôt existant, la compétence explore la base de code pour identifier la contribution, conçoit des expériences correspondant à des affirmations spécifiques, les exécute avec des points de contrôle incrémentiels, analyse les résultats à l'aide de tests de significativité statistique, rédige un article LaTeX complet en utilisant le modèle du lieu de publication cible, et prépare le package de soumission anonymisé final.

Après un rejet, la compétence convertit l'article au format d'un nouveau lieu de publication (y compris les ajustements de limite de pages et les sections obligatoires propres au lieu), répond aux préoccupations des évaluateurs dans le texte révisé, génère un PDF annoté avec des marquages latexdiff montrant les modifications, et vérifie la nouvelle soumission par rapport à la liste de contrôle du lieu cible — sans faire référence à la soumission précédente.

Pour les articles nécessitant une évaluation humaine comme preuve principale (par exemple, les tâches de génération ACL), Research Paper Writing conçoit le protocole d'annotation — type d'annotateur, échelle (par paires vs. Likert), taille de l'échantillon via une analyse de puissance, sélection de la métrique d'accord inter-annotateurs, choix de la plateforme (Prolific, MTurk) et liste de contrôle IRB — avant de lancer les expériences automatisées, étant donné que l'évaluation humaine implique généralement des délais plus longs.

Au-delà du ML empirique, la compétence prend en charge les articles théoriques (structure théorème/preuve avec esquisses de preuves dans le texte principal et preuves complètes en annexe), les articles de synthèse (recherche bibliographique en largeur avec conception d'une taxonomie), les articles de référence (benchmark papers) (documentation des jeux de données via les Datasheets for Datasets, preuves de validité des construits) et les articles de position — chacun avec une structure distincte et des normes de preuve spécifiques.