HKUSTDial/Supervisor-Skills

解決する課題

Supervisor-Skills は、学術研究における「最後の1マイル問題」に対処します。学生は理論的なガイドラインを実践的な実行に変換する際にしばしば困難に直面します。強力なLLMを持っていることと、高品質な研究を生み出すことの間のギャップを埋め、シニア研究者の学術的直感、センス、判断力を提供することで、アイデア生成、論文執筆、提出における一般的な落とし穴を回避するのを支援します。

動作方法

このプロジェクトは、理論的ガイドと実行可能なAIスキルの二本立てアーキテクチャを使用しています。

• ハンドブック（理論的ガイド）： 研究ライフサイクル全体をカバーする体系的なフレームワーク。論文の質の評価方法、アイデアの生成と洗練、序論の執筆、科学的図表の設計、トップクラスの会議論文の分析など。
• AIスキル（実行可能なプロンプト）： 学術的経験を凝縮した構造化されたプロンプト。Claude、GPT-4、DeepSeek、KimiなどのLLMにインポート可能。アイデア評価、証拠に基づく論文執筆、言語の洗練、深層的な文献調査などの特定タスクを自動化します。

対象者

主に、SIGMOD、VLDB、ICML、NeurIPSなどのトップクラスのAIおよびデータサイエンス会議向けに研究を進め、論文を執筆するための継続的で高品質な指導が必要な大学院生および若手研究者向けに設計されています。

特徴

• 包括的な研究ライフサイクル： 初期のアイデア評価から最終的な提出前レビューまでをカバー。
• 証拠に基づく執筆： paper-writer スキルは、事実の主張がソース資料や検証済み文献に追跡可能であることを保証し、AIの誤情報（ホールーシュレーション）を防止します。
• 学術レベルの洗練： paper-polish スキルは、「AI風」の表現を除去し、元の意味を忠実に保ちつつ言語を洗練することに焦点を当てます。
• 視覚的補助の統合： drawio-reconstruction スキルにより、参照画像を編集可能なDraw.ioファイルに変換できます。
• 深層的な研究能力： deep-research スキルは、多視点での情報取得と比較分析を備えた、サーベイレベルの文献レビューを実現します。