Research Paper Writing

• Iniciando um novo artigo de pesquisa a partir de uma base de código ou ideia existente, incluindo configuração da estrutura do workspace, controle de versão e uma declaração de contribuição em uma frase antes de escrever qualquer coisa.
• Projetando e executando experimentos que se mapeiam diretamente para as afirmações do artigo, com salvamento incremental, preservação de artefatos, rastreamento de custos e monitoramento via verificações de status agendadas por cron.
• Escrevendo ou revisando qualquer seção de um artigo de ML/IA, incluindo a geração de LaTeX usando templates oficiais de conferências (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) com um padrão de refinamento em duas etapas.
• Preparando-se para submissão ou resubmissão, incluindo anonimização, verificação de formatação, validação pré-compilação, checklists específicos de conferências e entregáveis pós-aceitação, como pôsteres, apresentações e lançamentos de código.

• Domínios de pesquisa não relacionados a ML/IA (por exemplo, medicina, ciências sociais, humanidades) — o pipeline é especificamente calibrado para eventos de conferências de ML e suas normas.
• Modelos base muito fracos (classe Llama 8B) para tarefas de refinamento iterativo — as notas de habilidade indicam que esses modelos são fracos demais para a geração de candidatos diversos, tornando o loop de autoreason contraproducente.
• Tarefas de escrita rápidas e pontuais sem componente experimental — a sobrecarga do pipeline completo de 8 fases supera o benefício para trabalhos de escrita pequenos e autocontidos.

Abrange Configuração do Projeto → Revisão da Literatura → Design do Experimento → Execução e Monitoramento → Análise → Rascunho do Artigo → Autorrevisão e Revisão → Preparação para Submissão como um loop iterativo, não uma sequência linear. Resultados geram novos experimentos; revisões geram novas análises; a skill lida explicitamente com esses ciclos de feedback.

Cada citação é obtida programaticamente via Semantic Scholar, arXiv e negociação de conteúdo DOI do CrossRef — nunca gerada a partir da memória. Citações não verificáveis são marcadas como [CITATION NEEDED] e reportadas ao cientista, abordando a conhecida taxa de erro de citação de IA de ~40%.

Um loop de refinamento iterativo baseado em evidências (Crítico → Autor B → Sintetizador → painel Borda com 3 juízes) com parâmetros empiricamente validados: convergência k=2, juízes com CoT, temperatura 0,8 para autores / 0,3 para juízes. Inclui uma tabela de decisão que mapeia o nível do modelo e o tipo de tarefa para a estratégia de refinamento ideal, além de modos de falha documentados e suas respectivas mitigações.

Gera N=3–5 revisões independentes com um prompt de viés negativo, depois agrega os resultados por meio de um papel de meta-revisor que modela um Editor de Área. Inclui uma etapa separada de revisão visual baseada em VLM para avaliar a qualidade das figuras e problemas de layout, além de uma etapa de verificação de afirmações utilizando um sub-agente independente para prevenir o viés de confirmação.

Inclui templates prontos para uso para NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 e COLM 2025, com um preâmbulo profissional (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), scripts de validação pré-compilação (chktex, verificações de citações/figuras/rótulos) e um fluxo de trabalho com latexdiff para rastreamento de revisões durante a fase de rebuttal.

Projetado para o agente Hermes: utiliza delegate_task para rascunho paralelo de seções e verificação simultânea de citações, cronjob para monitoramento de experimentos com um protocolo [SILENT] para suprimir notificações sem alterações, memory e todo para estado persistente entre sessões, e send_message para notificações assíncronas quando os experimentos são concluídos.

Partindo de um repositório existente, a habilidade explora a base de código para identificar a contribuição, projeta experimentos que correspondem a afirmações específicas, os executa com checkpointing incremental, analisa os resultados com testes de significância estatística, elabora um artigo completo em LaTeX usando o template do venue alvo e prepara o pacote de submissão anonimizado final.

Após uma rejeição, a skill converte o artigo para o formato de um novo veículo de publicação (incluindo ajustes de limite de páginas e seções obrigatórias específicas do veículo), aborda as preocupações dos revisores no texto revisado, gera um PDF com marcações latexdiff mostrando as alterações e verifica a nova submissão em relação à lista de verificação do veículo de destino — sem fazer referência à submissão anterior.

Para artigos que exigem avaliação humana como evidência primária (por exemplo, tarefas de geração da ACL), o Research Paper Writing projeta o protocolo de anotação — tipo de anotador, escala (comparação pareada vs. Likert), tamanho da amostra por meio de análise de poder estatístico, seleção de métrica de concordância entre anotadores, escolha de plataforma (Prolific, MTurk) e checklist do CEP/IRB — antes de executar experimentos automatizados, uma vez que a avaliação humana normalmente exige prazos mais longos.

Além do ML empírico, a habilidade oferece suporte a artigos de teoria (estrutura de teorema/prova com esboços de prova no texto principal e provas completas no apêndice), artigos de survey (busca bibliográfica em amplitude com design de taxonomia), artigos de benchmark (documentação de conjuntos de dados via Datasheets for Datasets, evidências de validade de constructo) e artigos de posicionamento — cada um com estrutura distinta e padrões de evidência específicos.