7 Kemampuan AI untuk Workflow Riset

<aside> 🔬

Bukan 7 prompt terpisah. Ini satu research workflow. Tutorial ini menunjukkan bagaimana AI dapat membantu dari research question sampai submission: mencari dan mensintesis literatur, menguji novelty, memverifikasi claims, merancang eksperimen, mensimulasikan reviewer, menyiapkan rebuttal, lalu menghubungkan semuanya menjadi satu evidence-traced workflow.

</aside>

Prinsip utama

Masalahnya bukan AI dipakai dalam riset. Masalahnya ketika AI mengambil alih proses berpikir researcher.

Gunakan mental model:

Researcher → AI-assisted workflow → Evidence → Researcher judgment → Decision

AI membantu memperluas pencarian, membuat struktur, menemukan kelemahan, membandingkan prior work, dan melakukan pemeriksaan berulang. Researcher tetap memegang research question, scope, keputusan metodologis, interpretasi evidence, dan final claims.

7 kemampuan yang akan dibangun

#	Capability	Fungsi	Output utama
1	Literature Review	Mencari, menyaring, menginspeksi, dan mensintesis prior work.	Source analysis matrix
2	Novelty Check	Membandingkan ide dengan closest prior work dan mencari defensible delta.	Novelty gate
3	Claim Verification	Menelusuri setiap klaim penting kembali ke evidence.	Claim ledger
4	Experiment Planning	Mengubah hypothesis menjadi pilot dan eksperimen yang dapat diuji.	Experiment / pilot protocol
5	Reviewer Simulation	Mencari objection sebelum submission.	Reviewer risk report
6	Reviewer Response / Rebuttal	Men-triage komentar dan menyusun respons berbasis evidence.	Response matrix
7	Research Workflow	Menghubungkan semua capability menjadi lifecycle yang konsisten.	Evidence-traced research system

Diagram 1 — Gambaran besar workflow

flowchart LR
    H["Researcher<br>question, scope, judgment"] --> I["Idea + Scope"]
    I --> L["Literature Review"]
    L --> N["Novelty Check"]
    N --> E["Experiment Planning"]
    E --> V["Claim Verification"]
    V --> R["Reviewer Simulation"]
    R --> W["Writing / Revision"]
    W --> B["Reviewer Response"]
    B --> F["Final Verification"]
    F --> S["Submission"]
    V -. evidence .-> L
    R -. objections .-> E
    B -. revision .-> W
    H -. approval gates .-> N
    H -. final judgment .-> F

Penting: urutan di atas bukan berarti setiap riset harus linear. Reviewer simulation dapat dilakukan lebih awal, claim verification dilakukan berulang, dan novelty dapat memaksa scope kembali ke tahap awal.

0. Repository yang digunakan sebagai fondasi

Tujuh capability di atas bukan tujuh repository yang harus di-install semuanya.

Repository utama yang paling dekat dengan keseluruhan workflow adalah Academic Research Agent Skill oleh ngtiendong. README-nya secara eksplisit mencakup literature review, novelty checks, research reality/feasibility gates, experiment planning, reviewer simulation, dan claim verification. Repository tersebut juga menyediakan SKILL.md, CLAUDE.md, command prompts, agent roles, references, examples, dan Mermaid visualizations. citeturn0search0turn0search3

Untuk manuscript review dan rebuttal, paper-lifecycle menyediakan dua skill terpisah: review-revision dan rebuttal-response. citeturn0search2

Untuk academic writing/revision end-to-end, academic-writing-skills menggunakan open Agent Skills format dan dokumentasinya menyebut Claude Code, ChatGPT, Codex, OpenCode, Hermes Agent, serta agent yang kompatibel dengan format tersebut. citeturn0search1

Repository map

Repository	Dipakai untuk	Posisi dalam tutorial
Academic Research Agent Skill	Scope, literature, novelty, feasibility, experiment, reviewer simulation, claim verification	Fondasi utama
paper-lifecycle	Review/revision dan rebuttal response	Capability 5–6
academic-writing-skills	Manuscript architecture, drafting, review, revision, submission	Writing layer