Research Paper Writing

• Starta ett nytt forskningspapper från en befintlig kodbas eller idé, inklusive att sätta upp arbetsytestruktur, versionshantering och ett enmenings bidragsutlåtande innan något skrivs.
• Designa och köra experiment som direkt motsvarar påståenden i papperet, med inkrementell sparning, bevarande av artefakter, kostnadsspårning och övervakning via cron-schemalagda statuskontroller.
• Skriva eller revidera valfritt avsnitt i ett ML/AI-papper, inklusive generering av LaTeX med officiella konferensmallar (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) med ett tvåstegs förfikningsmönster.
• Förbereda för inlämning eller återinlämning, inklusive anonymisering, formateringsverifiering, förkompileringsvalidering, konferensspecifika checklistor och leverabler efter acceptans såsom posters, presentationer och kodutgivningar.

• Icke-ML/AI-forskningsdomäner (t.ex. medicin, samhällsvetenskap, humaniora) — pipelinen är specifikt kalibrerad för ML-konferensarenor och deras normer.
• Mycket svaga basmodeller (Llama 8B-klass) för iterativa förfiningsuppgifter — färdighetsanteckningarna påpekar att dessa modeller är för svaga för generering av mångsidiga kandidater, vilket gör autoreason-loopen kontraproduktiv.
• Snabba engångsskrivuppgifter utan experimentell komponent — overhead-kostnaderna för den fullständiga 8-fas-pipelinen överväger fördelarna för små, självständiga skrivjobb.

Täcker Projektuppsättning → Litteraturöversikt → Experimentdesign → Genomförande & Uppföljning → Analys → Pappersutkast → Självgranskning & Revision → Förberedelse för inlämning som en iterativ loop, inte en linjär sekvens. Resultat utlöser nya experiment; granskningar utlöser ny analys; färdigheten hanterar dessa återkopplingsslingor explicit.

Varje citat hämtas programmatiskt via Semantic Scholar, arXiv och CrossRef DOI-innehållsförhandling – aldrig genererat från minnet. Icke-verifierbara citat markeras [CITATION NEEDED] och rapporteras till forskaren, vilket adresserar den kända ~40% felfrekvensen för AI-citat.

En evidensbaserad iterativ förfiningsloop (Kritiker → Författare B → Syntetiserare → 3-domarkollegium med Borda-metoden) med empiriskt validerade parametrar: k=2 konvergens, CoT-domare, temperatur 0,8 för författare / 0,3 för domare. Inkluderar en beslutstabell som kartlägger modellnivå och uppgiftstyp till den optimala förfiningsstrategin, samt dokumenterade fellägen och åtgärder.

Genererar N=3–5 oberoende recensioner med en negativt inriktad prompt, och aggregerar sedan dessa via en metarecensentroll som modellerar en områdesordförande. Inkluderar ett separat VLM-baserat visuellt granskningspass för figurkvalitet och layoutproblem, samt ett påståendeverifieringspass med hjälp av en ny underagent för att förhindra bekräftelsebias.

Inkluderar färdiga mallar för NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 och COLM 2025, med en professionell ingress (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), valideringsskript före kompilering (chktex, kontroller av citat/figurer/etiketter) samt ett latexdiff-arbetsflöde för spårning av revisioner i samband med bemötanden.

Designad för Hermes-agenten: använder delegate_task för parallell sektionsutkastning och samtidig citationsverifiering, cronjob för experimentövervakning med ett [SILENT]-protokoll för att undertrycka meddelanden om oförändrat läge, memory och todo för beständigt tillstånd mellan sessioner, samt send_message för asynkrona aviseringar när experiment slutförs.

Med utgångspunkt i ett befintligt arkiv utforskar färdigheten kodbasen för att identifiera bidraget, utformar experiment som kopplas till specifika påståenden, kör dem med inkrementell checkpointning, analyserar resultaten med statistiska signifikanstest, skriver ett komplett LaTeX-papper med målkonferensens mall och förbereder det slutliga anonymiserade inlämningspaketet.

Efter ett avslag konverterar färdigheten artikeln till ett nytt forums format (inklusive justering av sidgränser och forumspecifika obligatoriska avsnitt), hanterar granskarnas synpunkter i den reviderade texten, genererar en latexdiff-markerad PDF som visar ändringarna, och verifierar den nya inlämningen mot målforumets checklista – utan att referera till den tidigare inlämningen.

För artiklar som kräver mänsklig utvärdering som primärt bevis (t.ex. ACL-genereringsuppgifter) utformar färdigheten annotationsprotokollet – annotatörstyp, skala (parvis jämförelse vs. Likert), urvalsstorlek via effektanalys, val av inter-annotatörsöverensstämmelsemått, val av plattform (Prolific, MTurk) samt IRB-checklista – innan automatiserade experiment genomförs, eftersom mänsklig utvärdering vanligtvis har längre ledtider.

Utöver empirisk ML stödjer färdigheten teoripapper (teorem/bevisstruktur med bevisskisser i huvudtexten och fullständiga bevis i appendix), översiktspapper (breddförst litteratursökning med taxonomidesign), benchmarkpapper (datasetdokumentation via Datasheets for Datasets, bevis för konstruktvaliditet) och positionspapper – var och en med distinkta strukturer och evidensstandarder.