Akademische Forschungskompetenzen für Claude Code: Eine Mensch-in-der-Schleife-Pipeline für das Verfassen wissenschaftlicher Arbeiten

Academic Research Skills (ARS) für Claude Code ist ein Plugin, das die gesamte Pipeline von der Forschung bis zur Publikation unterstützt: recherche → schreiben → prüfen → überarbeiten → finalisieren. Es ist als Human-in-the-Loop-System konzipiert und lehnt vollständige Automatisierung explizit ab. Das Tool erledigt die Routinearbeit – Referenzsuche, Zitierformatierung, Datenverifizierung, logische Konsistenzprüfungen – während der Forscher die Kontrolle über Fragestellung, Methodenauswahl, Interpretation und das Kernargument behält.

Schnellinstallation (Claude Code v3.7.0+)

/plugin marketplace add Imbad0202/academic-research-skills
/plugin install academic-research-skills

Überprüfen Sie mit /ars-plan, um einen sokratischen Dialog zur Gliederung der Kapitelstruktur zu starten, oder /ars-lit-review "Ihr Thema" für eine einmalige Literaturübersicht.

Warum Human-in-the-Loop?

ARS zitiert Lu et al. (2026, Nature 651:914-919), die The AI Scientist entwickelten – das erste vollständig autonome KI-Forschungssystem, das einen Artikel durch blindes Peer-Review bei einem führenden ML-Forum (ICLR 2025 Workshop, Score 6.33/10 vs. Workshop-Durchschnitt 4.87) veröffentlichte. Deren Abschnitt "Limitations" listet Fehlermodi auf: Implementierungsfehler, halluzinierte Ergebnisse, Abkürzungsabhängigkeit, Fehler-als-Einsicht-Umdeutung, Methodenfabrikation, Frame-Lock und Zitationshalluzinationen. ARS basiert auf der Prämisse, dass ein menschlicher Forscher, der durch KI unterstützt wird, diese Fehlermodi besser vermeidet als beide allein.

Integritätsprüfungen und Kalibrierung

Stufe 2.5 und Stufe 4.5 führen eine 7-Punkte-Blockiercheckliste durch (siehe academic-pipeline/references/ai_research_failure_modes.md). Der Prüfer bietet einen optionalen Kalibrierungsmodus an, der seine eigene Falsch-Negativ-Rate / Falsch-Positiv-Rate anhand eines vom Benutzer bereitgestellten Goldstandards misst.

Funktionen

• Stil-Kalibrierung lernt Ihre Stimme aus früheren Arbeiten.
• Schreibqualitätsprüfung erkennt Muster, die Prosa maschinell generiert wirken lassen.
• Semantic Scholar API-Verifikation (inspiriert von PaperOrchestra, Song, Song, Pfister & Yoon, 2026, Google).
• Anti-Leakage-Protokoll, VLM-Figurenverifikation und Score-Trajektorienverfolgung.

Architektur

Die vollständige Pipeline-Dokumentation befindet sich in docs/ARCHITECTURE.md, einschließlich Flussdiagramm, Stufen-für-Stufen-Matrix, Datenzugriffsfluss, Fähigkeitsabhängigkeitsgraph, Qualitätsprüfungen und Modusliste. Für DOCX-Ausgabe wird pandoc benötigt; für APA 7.0 PDF sind tectonic + Source Han Serif TC-Schriftart erforderlich (Markdown-Ausgabe funktioniert ohne beides).