Research Paper Writing

• Een nieuw onderzoeksartikel starten vanuit een bestaande codebase of idee, inclusief het opzetten van een werkruimtestructuur, versiebeheer en een bijdrageverklaring van één zin voordat er iets wordt geschreven.
• Experimenten ontwerpen en uitvoeren die direct aansluiten op claims in het artikel, met incrementeel opslaan, behoud van artefacten, kostenbewaking en monitoring via cron-geplande statuscontroles.
• Elk onderdeel van een ML/AI-artikel schrijven of herzien, inclusief het genereren van LaTeX met behulp van officiële conferentietemplates (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) met een verfijningspatroon in twee stappen.
• Voorbereiden op indiening of herindiening, inclusief anonimisering, opmaakverificatie, precompilatie-validatie, conferentiespecifieke checklists en leveringen na acceptatie zoals posters, presentaties en code-releases.

• Niet-ML/AI onderzoeksdomeinen (bijv. geneeskunde, sociale wetenschappen, geesteswetenschappen) — de pipeline is specifiek gekalibreerd voor ML-conferentielocaties en hun normen.
• Zeer zwakke basismodellen (Llama 8B-klasse) voor iteratieve verfijningstaken — de skill merkt op dat deze modellen te zwak zijn voor het genereren van diverse kandidaten, waardoor de autoreason-loop contraproductief wordt.
• Snelle eenmalige schrijftaken zonder experimentele component — de overhead van de volledige 8-fasen pipeline weegt niet op tegen het voordeel voor kleine, op zichzelf staande schrijfopdrachten.

Omvat Projectopzet → Literatuuronderzoek → Experimentontwerp → Uitvoering & Monitoring → Analyse → Papier opstellen → Zelfreview & Revisie → Voorbereiding indiening als een iteratieve lus, niet als een lineaire volgorde. Resultaten leiden tot nieuwe experimenten; reviews leiden tot nieuwe analyses; de vaardigheid verwerkt deze feedbacklussen expliciet.

Elke citatie wordt programmatisch opgehaald via Semantic Scholar, arXiv en CrossRef DOI-contentonderhandeling — nooit gegenereerd vanuit het geheugen. Niet-verifieerbare citaties worden gemarkeerd als [CITATION NEEDED] en gerapporteerd aan de wetenschapper, waarmee het bekende foutpercentage van ~40% bij AI-citaties wordt aangepakt.

Een op bewijs gebaseerde iteratieve verfijningslus (Criticus → Auteur B → Synthesizer → 3-rechter Borda-panel) met empirisch gevalideerde parameters: k=2 convergentie, CoT-rechters, temperatuur 0,8 auteurs / 0,3 rechters. Bevat een beslissingstabel die modellaag en taaktype koppelt aan de optimale verfijningsstrategie, aangevuld met gedocumenteerde faalwijzen en mitigerende maatregelen.

Genereert N=3–5 onafhankelijke beoordelingen met een negatief-gerichte prompt, en bundelt deze vervolgens via een meta-reviewerrol die een Area Chair nabootst. Bevat een afzonderlijke VLM-gebaseerde visuele beoordelingsronde voor figurenkwaliteit en opmaakproblemen, en een claimverificatieronde met behulp van een nieuwe subagent om bevestigingsbias te voorkomen.

Inclusief gebruiksklare sjablonen voor NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 en COLM 2025, met een professionele preambule (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), validatiescripts vóór compilatie (chktex, controles voor citaties, figuren en labels) en een latexdiff-workflow voor het bijhouden van revisies tijdens de rebuttalfase.

Ontworpen voor de Hermes-agent: gebruikt delegate_task voor het parallel opstellen van secties en gelijktijdige citaatverificatie, cronjob voor experimentbewaking met een [SILENT]-protocol om meldingen zonder wijzigingen te onderdrukken, memory en todo voor persistente toestand tussen sessies, en send_message voor asynchrone meldingen wanneer experimenten zijn voltooid.

Beginnend vanuit een bestaande repository verkent de skill de codebase om de bijdrage te identificeren, ontwerpt experimenten die aansluiten bij specifieke claims, voert deze uit met incrementele checkpointing, analyseert de resultaten met statistische significantietests, stelt een volledig LaTeX-paper op aan de hand van het sjabloon van het doeltijdschrift, en bereidt het definitieve geanonimiseerde indienpakket voor.

Na een afwijzing converteert de vaardigheid het artikel naar het formaat van een nieuwe locatie (inclusief aanpassingen aan paginalimieten en locatiespecifieke vereiste secties), adresseert beoordelaarscommentaren in de herziene tekst, genereert een latexdiff-PDF met opmaak die de wijzigingen toont, en verifieert de nieuwe indiening aan de hand van de checklist van de doellocatie — zonder te verwijzen naar de eerdere indiening.

Voor papers die menselijke evaluatie als primair bewijs vereisen (bijv. ACL-generatietaken), ontwerpt de skill het annotatieprotocol — type annotator, schaal (paarsgewijs vs. Likert), steekproefgrootte via power-analyse, selectie van inter-annotator overeenstemmingsmetriek, platformkeuze (Prolific, MTurk) en IRB-checklist — voordat geautomatiseerde experimenten worden uitgevoerd, aangezien menselijke evaluatie doorgaans langere doorlooptijden kent.

Naast empirisch ML ondersteunt de vaardigheid theoriepapers (stelling/bewijsstructuur met bewijsschetsen in de hoofdtekst en volledige bewijzen in de appendix), overzichtspapers (breedte-eerst literatuuronderzoek met taxonomieontwerp), benchmarkpapers (datasetdocumentatie via Datasheets for Datasets, construct-validiteitsbewijs) en positiepapers — elk met een eigen structuur en bewijsstandaarden.