menhguin/comment-bien-faire-de-la-recherche

Comment bien faire de la recherche

Quand l'utiliser

Charger cette compétence pour une recherche scientifique substantielle ou en apprentissage automatique : choisir ou reformuler un problème, concevoir des expériences, rédiger ou restructurer une proposition ou un article, vérifier si les preuves soutiennent une affirmation, ou décider quoi exécuter ensuite. L'ignorer pour une simple recherche factuelle ou une modification mécanique de fichier.

Il s'agit d'une compétence délibérément courte, centrée sur des références. Son premier rôle est de faire en sorte que le modèle consulte des références à très fort signal avant de planifier des expériences ou d'écrire un article. Ajoutez d'autres sources et principes maison au fur et à mesure que l'utilisateur les développe.

Charger en parallèle

• humanizer dès que cette compétence est activée. Lisez-la avant de rédiger ou de modifier toute proposition, article, résumé, introduction, critique ou note de recherche destiné à l'utilisateur. Appliquez son passage anti-IA au texte final tout en préservant la précision technique et la voix propre de l'utilisateur.
• ai-research-custom lorsque le travail relève du système de recherche de l'utilisateur. Cette compétence gère le routage des artefacts, la forme canonique des projets/expériences, les critères d'arrêt et les registres.
• deep-research-orchestration-custom lorsque la tâche nécessite une revue de la littérature ou une synthèse de sources étendues. La présente compétence régit la qualité de la recherche ; deep-research-orchestration-custom régit le déploiement et la récupération.

Références prioritaires

Lire les parties pertinentes de Hamming, Carlini et Nanda avant de prendre des décisions substantielles sur la conception de la recherche ou la structure de l'article. Consulter également Schwartz/BootLoops lors de la sélection ou de l'exécution de travaux quantitatifs assistés par un agent. Lire Kei en premier lorsque la recherche est effectuée dans une startup ou un autre contexte appliqué, car les quatre autres supposent un cadre universitaire ou de grand laboratoire. Si la tâche est petite, n'extraire que le principe qui change la décision ; ne pas résumer rituellement chaque essai.

1. Richard Hamming, « You and Your Research »
   https://www.cs.virginia.edu/~robins/YouAndYourResearch.html

   Utiliser pour la sélection du problème et l'orientation de la recherche. Se demander si le problème est important et a une attaque raisonnable ; si une contrainte apparente peut être transformée en résultat ; si la tâche isolée peut devenir un résultat réutilisable sur une classe ; et quelles preuves contradictoires doivent rester visibles. Conserver l'équilibre que Hamming décrit : croire suffisamment en l'idée pour l'exécuter, en douter suffisamment pour remarquer où elle échoue.

2. Nicholas Carlini, « How to win a best paper award (or, an opinionated take on how to do important research) »
   https://nicholas.carlini.com/writing/2026/how-to-win-a-best-paper-award.html

   Utiliser pour le goût en recherche, l'exécution et la focalisation de l'article. Énoncer l'idée principale de l'article en aussi peu de mots que possible ; commencer par le sous-problème le plus susceptible de tuer le projet ; mener des expériences précises, des essais multiples et des contrôles pour les objections prévisibles ; rendre l'article localement complet sans exécuter toutes les expériences simplement connexes ; rédiger la conclusion du meilleur cas avant de s'engager lourdement ; connaître le lecteur visé ; et concevoir des figures qui se suffisent à elles-mêmes.

3. Neel Nanda, « Highly Opinionated Advice on How to Write ML Papers »
   https://www.alignmentforum.org/posts/eJGptPbbFPZGLpjsp/highly-opinionated-advice-on-how-to-write-ml-papers

   Utiliser pour les affirmations, les preuves et l'écriture itérative. Compresser le projet en une à trois affirmations concrètes, pourquoi elles comptent, et une à trois expériences décisives par affirmation. Privilégier les expériences qui distinguent des hypothèses concurrentes ; contre-attaquer le récit ; utiliser des bases de référence solides et bien ajustées ; étiqueter l'analyse exploratoire par rapport à l'analyse confirmatoire ; conserver les limites et les nuls ; et développer par étapes : récit compressé à puces -> plan d'introduction -> plan complet de l'article -> figures/résultats -> prose -> modifications répétées.

4. Matthew Schwartz, « Claude-shaped science » (Anthropic Science Blog, 1er octobre 2026)
   https://www.anthropic.com/research/claude-shaped-science
   Boîte à outils et protocoles : https://bootloops.ai/harness.html · https://github.com/BootLoops-ai/bootloops · https://github.com/BootLoops-ai/skills

   Utiliser pour la sélection des problèmes et l'exécution fiable avec des agents de recherche. L'étude de cas BootLoops de Schwartz ajoute une question d'adéquation des capacités au test d'importance-et-d'attaque de Hamming : quels problèmes importants deviennent traitables grâce à l'ampleur du modèle, au codage, à la lecture à l'échelle machine ou au calcul exhaustif ? Chercher dans les disciplines une structure mathématique partagée et des méthodes existantes avant de forcer un agent à imiter le flux de travail d'un chercheur humain. Garder ces distinctions explicites :

   • La correction technique et la valeur scientifique sont des portes distinctes. Vérifier la nouveauté et la pertinence par rapport à la littérature actuelle et à l'expertise du domaine. Dans les exemples d'écologie et de génétique de Schwartz, les experts ont trouvé les premiers calculs corrects inintéressants et les ont redirigés vers des questions utiles. Privilégier les questions nouvellement répondables plutôt que simplement plus de chiffres ou une reproduction plus rapide ; ne pas laisser « façonné par l'IA » devenir une excuse pour optimiser uniquement la traitabilité.
   • Améliorer la méthode avant de passer à l'échelle d'un travail fastidieux. Mesurer un petit essai, inspecter le goulot d'étranglement, et rechercher les outils et algorithmes existants avant de lancer un long calcul. Si une amélioration se généralise, la valider sur des cas connus et conserver son but, son applicabilité, son interface et ses critères de vérification afin que le projet suivant l'hérite, y compris les outils utiles issus de projets ayant échoué.
   • Concevoir des vérifications qui ne peuvent pas certifier leurs propres entrées. Utiliser une voie de référence indépendante et des points/données réservés non utilisés pour ajuster ou sélectionner la réponse ; enregistrer la provenance de la référence. Récupérer des vérités plantées et rejeter des cas délibérément corrompus pour tester le vérificateur lui-même. Utiliser une escalade de précision ou des bornes d'erreur certifiées lorsque cela est approprié. Un accord numérique soutient un calcul mais n'est pas en soi une preuve d'une identité générale.
   • Rendre l'exécution littérale. Conserver les scripts de reproduction exécutables, les critères d'acceptation quantitatifs, les graphiques et les hypothèses non résolues. Un lemme porteur non prouvé, un axiome substitué ou un vague « bon accord » n'est pas un résultat complet. Utiliser des examens critiques indépendants, résoudre les résultats et revérifier l'artefact réel plutôt que d'accepter un résumé rassurant. Conserver le plan actuel et les preuves sur le disque entre les sessions et les compactages.

   Lire le protocole amont pertinent si nécessaire, en particulier acceptance-gate, planted-truth, independence-bookkeeping, timing-discipline, reading-contract, ou tool-stewardship ; consulter prove-protocol pour les travaux de preuve. Ce sont des références indépendantes du modèle, pas des compétences installées automatiquement ou des garanties universelles. Schwartz possède et maintient BootLoops avec le financement d'Anthropic ; les réalisations scientifiques rapportées sont rapportées par l'auteur et nécessitent une validation au niveau du projet. Réévaluer les limites de capacité spécifiques au modèle à mesure que les modèles changent.

5. Kei, « Doing a Research Startup » (5 septembre 2024)
   https://web.archive.org/web/20240920140442/https://keiyuva.ai/posts/type.startup/
   Copie archivée. L'original, keiyuva.ai/posts/type.startup, est devenu hors ligne lorsque le domaine a expiré en 2026.

   Utiliser comme introduction lorsque la recherche est effectuée dans une startup ou un autre contexte appliqué. La recherche expérimentale y fonctionne sous des contraintes qui ressemblent à celles du milieu universitaire ou d'un grand laboratoire et en diffèrent d'une manière qui change les décisions. La plupart des conseils en recherche, y compris les quatre références ci-dessus, supposent un rythme, un cadre et un ensemble d'incitations différents, donc établir à quoi sert le travail et où il est effectué avant d'appliquer l'un d'entre eux. Kei écrit en tant que fondateur d'une startup de recherche. Les investisseurs paient pour la vitesse, mais plus d'argent ne rend pas la recherche plus fiablement plus rapide : « Vous pouvez essayer 50 choses et échouer sur toutes, ou réussir en 1 à 2 tentatives. » Le progrès n'a pas de métriques propres, donc quelqu'un doit agir comme un IP fort qui définit la direction et décide quoi réduire, parce que laisser tout le monde tout essayer est la façon dont l'entreprise coule. Les dépenses sont liées à l'indépendance, ce qui favorise des paris contraints, de petites expériences réussies qui s'appuient les unes sur les autres, et des versions de produits solides de taille modeste entre les retours à la recherche. Des ressources limitées peuvent également forcer une méthode moins chère et meilleure qu'un budget plus important n'aurait acheté. Lors du rapport d'un résultat, dire ce qui a été essayé et pourquoi cela a échoué ; l'essai traite « ça n'a pas marché » sans explication comme un signal d'alarme. Le traiter comme le récit d'un fondateur sur une seule entreprise.

Séquence de travail

1. Choisir le problème. Écrire pourquoi il est important, pourquoi il existe une attaque raisonnable maintenant, et ce que seule cette équipe est en position de faire. Pour un travail assisté par un agent, nommer l'avantage spécifique de l'IA et établir séparément la valeur scientifique. Indiquer le contexte et à quoi sert le travail (un article, un produit, un client, une levée de fonds), car cela détermine lequel des conseils ci-dessus s'applique.
2. Compresser avant d'étendre. Écrire l'idée en une phrase, la conclusion du meilleur cas, et pas plus de trois affirmations.
3. Cartographier les affirmations avec les preuves. Pour chaque affirmation, énoncer l'expérience décisive, l'explication alternative la plus forte, la base de référence la plus forte, et le résultat qui la tuerait ou la restreindrait.
4. Attaquer d'abord l'échec probable. Construire le test le moins cher de l'incertitude la plus porteuse avant de polir le reste.
5. Concevoir les figures de l'article tôt. Chaque figure planifiée a besoin d'un message en une phrase et d'une affirmation nommée qu'elle soutient. Si la légende ne peut pas l'expliquer, la diviser.
6. Garder l'article singulier et l'annexe large. Chaque expérience du texte principal doit faire progresser une idée unique. Mettre les balayages utiles mais non porteurs, les connaissances tacites et les résultats secondaires dans des annexes ou des notes associées.
7. Écrire du point de vue d'un lecteur novice. Contexte -> problème -> affirmation -> preuve -> impact. Définir les termes dont le lecteur a besoin ; ne pas cacher une idée simple derrière un langage formel.
8. Charger et appliquer humanizer. Supprimer les tournures façonnées par l'IA, le rythme du mur de texte, les titres inutiles, les transitions toutes faites, l'abus de tirets cadratins et le langage de signification générique. Lire la prose à haute voix ou utiliser la synthèse vocale lorsque l'artefact est important.
9. Auditer avant la publication. Vérifier l'exactitude factuelle/des citations, la force des preuves, les nuls non signalés, le statut pré/post-hoc, la reproductibilité, et si la conclusion répond réellement à « et alors ? »

Résultat minimal pour un nouveau projet

Produire ces éléments avant une proposition longue :

• Idée en une phrase
• Conclusion du meilleur cas
• Une à trois affirmations
• Cartographie affirmation -> preuve -> falsificateur
• Premier test d'arrêt
• Figure(s) principale(s) planifiée(s)
• Facteurs de confusion connus et bases de référence les plus fortes
• Ce qui est délibérément hors du périmètre

Seulement ensuite étendre en prose.