Research Paper Writing

• Avviare un nuovo articolo di ricerca da una codebase o un'idea esistente, inclusa la configurazione della struttura del workspace, il controllo di versione e una dichiarazione del contributo in una sola frase prima di scrivere qualsiasi cosa.
• Progettare ed eseguire esperimenti che corrispondano direttamente alle affermazioni dell'articolo, con salvataggio incrementale, conservazione degli artefatti, monitoraggio dei costi e controlli di stato pianificati tramite cron.
• Scrivere o revisionare qualsiasi sezione di un articolo ML/AI, inclusa la generazione di LaTeX utilizzando i template ufficiali delle conferenze (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) con un pattern di raffinamento in due passaggi.
• Prepararsi per la submission o la resubmission, inclusa l'anonimizzazione, la verifica della formattazione, la validazione pre-compilazione, le checklist specifiche per conferenza e i materiali post-accettazione come poster, presentazioni e rilasci del codice.

• Domini di ricerca non ML/AI (ad es., medicina, scienze sociali, discipline umanistiche) — la pipeline è calibrata specificamente per le sedi di conferenze ML e le loro norme.
• Modelli base molto deboli (classe Llama 8B) per attività di raffinamento iterativo — le note della skill indicano che questi modelli sono troppo deboli per la generazione di candidati diversificati, rendendo il ciclo autoreason controproducente.
• Attività di scrittura rapide e isolate senza componente sperimentale — il sovraccarico dell'intera pipeline a 8 fasi supera il beneficio per lavori di scrittura piccoli e autonomi.

Copre Configurazione del Progetto → Revisione della Letteratura → Progettazione degli Esperimenti → Esecuzione e Monitoraggio → Analisi → Stesura dell'Articolo → Auto-Revisione e Correzione → Preparazione alla Submission come un ciclo iterativo, non una sequenza lineare. I risultati innescano nuovi esperimenti; le revisioni innescano nuove analisi; la skill gestisce questi cicli di feedback in modo esplicito.

Ogni citazione viene recuperata in modo programmatico tramite Semantic Scholar, arXiv e la negoziazione dei contenuti CrossRef DOI — mai generata dalla memoria. Le citazioni non verificabili sono contrassegnate con [CITATION NEEDED] e segnalate allo scienziato, affrontando il noto tasso di errore delle citazioni AI di circa il 40%.

Un ciclo di raffinamento iterativo basato su evidenze (Critico → Autore B → Sintetizzatore → panel Borda con 3 giudici) con parametri validati empiricamente: convergenza k=2, giudici CoT, temperatura 0,8 per gli autori / 0,3 per i giudici. Include una tabella decisionale che mappa il livello del modello e il tipo di attività alla strategia di raffinamento ottimale, oltre a modalità di errore documentate e relative mitigazioni.

Genera N=3–5 recensioni indipendenti con un prompt orientato alla critica negativa, poi le aggrega tramite un ruolo di meta-revisore che modella un Area Chair. Include un passaggio di revisione visiva separato basato su VLM per la qualità delle figure e i problemi di layout, e un passaggio di verifica delle affermazioni tramite un sotto-agente indipendente per prevenire il bias di conferma.

Include modelli pronti all'uso per NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 e COLM 2025, con un preambolo professionale (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), script di validazione pre-compilazione (chktex, controlli di citazioni/figure/etichette) e un workflow latexdiff per il tracciamento delle revisioni durante la fase di rebuttal.

Progettato per l'agente Hermes: utilizza delegate_task per la redazione parallela delle sezioni e la verifica concorrente delle citazioni, cronjob per il monitoraggio degli esperimenti con un protocollo [SILENT] per sopprimere le notifiche in assenza di modifiche, memory e todo per mantenere uno stato persistente tra le sessioni, e send_message per notifiche asincrone al completamento degli esperimenti.

Partendo da un repository esistente, la competenza esplora il codebase per identificare il contributo, progetta esperimenti che corrispondono a affermazioni specifiche, li esegue con checkpoint incrementali, analizza i risultati con test di significatività statistica, redige un articolo LaTeX completo utilizzando il template della sede target e prepara il pacchetto di sottomissione anonimizzato finale.

Dopo un rifiuto, la competenza converte l'articolo nel formato della nuova sede (incluse le modifiche ai limiti di pagina e le sezioni obbligatorie specifiche della sede), affronta le osservazioni dei revisori nel testo revisionato, genera un PDF con marcatura latexdiff che mostra le modifiche e verifica la nuova sottomissione rispetto alla checklist della sede di destinazione, senza fare riferimento alla precedente sottomissione.

Per i paper che richiedono la valutazione umana come evidenza primaria (ad esempio, i task di generazione ACL), la skill progetta il protocollo di annotazione—tipo di annotatori, scala (comparazione a coppie vs. Likert), dimensione del campione tramite analisi della potenza statistica, selezione della metrica di accordo inter-annotatore, scelta della piattaforma (Prolific, MTurk) e checklist IRB—prima di eseguire gli esperimenti automatizzati, poiché la valutazione umana richiede tipicamente tempi di preparazione più lunghi.

Oltre all'ML empirico, la competenza supporta articoli teorici (struttura teorema/dimostrazione con schizzi di dimostrazione nel testo principale e dimostrazioni complete in appendice), articoli di rassegna (ricerca bibliografica in ampiezza con progettazione di tassonomie), articoli di benchmark (documentazione dei dataset tramite Datasheets for Datasets, prove di validità dei costrutti) e articoli di posizione — ciascuno con struttura e standard di evidenza distinti.