Research Paper Writing

• 既存のコードベースやアイデアから新しい研究論文を開始する作業。ワークスペース構造のセットアップ、バージョン管理、そして何かを書く前に一文の貢献ステートメントを作成することを含む。
• 論文の主張に直接対応する実験の設計と実行。インクリメンタルな保存、成果物の保全、コスト追跡、およびcronスケジュールによるステータスチェックを通じたモニタリングを含む。
• ML/AI論文の任意のセクションの執筆または改訂。公式の学会テンプレート（NeurIPS、ICML、ICLR、ACL、AAAI、COLM）を使用したLaTeXの生成と、二段階の洗練パターンを含む。
• 投稿または再投稿の準備。匿名化、フォーマットの検証、コンパイル前のバリデーション、学会固有のチェックリスト、およびポスター、発表、コードリリースなどの採択後の成果物を含む。

• 非ML/AI研究分野（例：医学、社会科学、人文科学）— このパイプラインはMLカンファレンスの場とその規範に特化して調整されています。
• 反復的な改善タスクに対する非常に弱いベースモデル（Llama 8Bクラス） — このスキルでは、これらのモデルは多様な候補生成には力不足であり、autoreasonループが逆効果になると指摘しています。
• 実験的な要素を含まない、素早い単発のライティングタスク — 小規模で自己完結したライティング作業では、8フェーズのパイプライン全体のオーバーヘッドがメリットを上回ります。

プロジェクト設定 → 文献レビュー → 実験設計 → 実行・モニタリング → 分析 → 論文草稿作成 → 自己レビュー・修正 → 投稿準備を、線形のシーケンスではなく反復ループとしてカバーします。結果は新たな実験を引き起こし、レビューは新たな分析を引き起こします。このスキルはこれらのフィードバックループを明示的に処理します。

すべての引用は、Semantic Scholar、arXiv、およびCrossRef DOIコンテンツネゴシエーションを通じてプログラム的に取得されます。記憶から生成されることは一切ありません。検証不可能な引用は[CITATION NEEDED]としてマークされ、研究者に報告されます。これにより、AIの引用エラー率が約40%に上るという既知の問題に対処しています。

証拠に基づく反復改善ループ（批評者 → 著者B → 合成者 → 3名審査員によるボルダ集計パネル）に、実証的に検証されたパラメータを組み合わせたアプローチです：収束条件 k=2、思考連鎖（CoT）審査員、著者の温度パラメータ 0.8 / 審査員の温度パラメータ 0.3。モデルの性能ティアとタスクの種類を最適な改善戦略にマッピングする意思決定テーブルに加え、文書化された失敗モードとその対策も含まれています。

ネガティブバイアスのプロンプトを用いてN=3〜5件の独立したレビューを生成し、エリアチェアをモデル化したメタレビュアーの役割を通じて集約します。図の品質やレイアウトの問題に対応するVLMベースのビジュアルレビューパスと、確証バイアスを防ぐために新たなサブエージェントを使用した主張検証パスも含まれています。

NeurIPS 2025、ICML 2026、ICLR 2026、ACL、AAAI 2026、COLM 2025向けのすぐに使えるテンプレートを収録しており、プロフェッショナルなプリアンブル（microtype、booktabs、siunitx、cleveref、algorithm2e、TikZ、SciencePlots）、コンパイル前の検証スクリプト（chktex、引用・図・ラベルのチェック）、およびリバッタル修正追跡のためのlatexdiffワークフローを備えています。

Hermesエージェント向けに設計されています：並列セクション草案作成と同時並行の引用検証にdelegate_taskを使用し、変更なし通知を抑制する[SILENT]プロトコルによる実験監視にcronjobを活用し、セッションをまたいだ永続的な状態管理にmemoryとtodoを使用し、実験完了時の非同期通知にsend_messageを使用します。

既存のリポジトリを出発点として、このスキルはコードベースを探索して貢献内容を特定し、具体的な主張に対応する実験を設計し、増分チェックポイントを用いて実行し、統計的有意性検定で結果を分析し、投稿先会場のテンプレートを使用して完全なLaTeXペーパーの草稿を作成し、最終的な匿名化された投稿パッケージを準備します。

却下された後、このスキルは論文を新しい投稿先のフォーマットに変換し（ページ数制限の調整や投稿先固有の必須セクションへの対応を含む）、改訂テキスト内で査読者の指摘事項に対処し、変更箇所を示す latexdiff マークアップ付きPDFを生成し、前回の投稿を参照することなく、投稿先のチェックリストに基づいて新しい原稿を検証します。

人間評価を主要な証拠として必要とする論文（例：ACL生成タスク）に対して、Research Paper Writingはアノテーションプロトコルを設計します。具体的には、アノテーターの種類、評価スケール（ペアワイズ比較対リッカート尺度）、検定力分析によるサンプルサイズの決定、アノテーター間一致度指標の選定、プラットフォームの選択（Prolific、MTurk）、およびIRBチェックリストを、自動化実験の実施前に整備します。これは、人間評価は一般的にリードタイムが長くなるためです。

実証的な機械学習にとどまらず、このスキルは以下のような多様な論文形式をサポートします。理論論文（本文中に証明のスケッチを含む定理・証明の構造と、付録における完全な証明）、サーベイ論文（タクソノミー設計を伴う幅優先の文献調査）、ベンチマーク論文（Datasheets for Datasetsによるデータセットのドキュメント化、構成概念妥当性の根拠）、そしてポジションペーパー——それぞれが独自の構造と証拠基準を持っています。