Habilidades de Investigación Académica para Claude Code: Un Flujo de Trabajo Humano en el Ciclo para la Redacción de Artículos

Academic Research Skills (ARS) para Claude Code es un plugin que respalda el pipeline completo de investigación a publicación: investigar → escribir → revisar → corregir → finalizar. Está diseñado como un sistema humano en el circuito, rechazando explícitamente la automatización total. La herramienta maneja el trabajo pesado — búsqueda de referencias, formateo de citas, verificación de datos, comprobaciones de consistencia lógica — mientras que el investigador mantiene el control sobre la definición de preguntas, la selección de métodos, la interpretación y el argumento central.

Instalación rápida (Claude Code v3.7.0+)

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

Verifica con /ars-plan para iniciar un diálogo socrático que mapee la estructura de capítulos, o /ars-lit-review "tu tema" para una revisión de literatura única.

¿Por qué humano en el circuito?

ARS cita a Lu et al. (2026, Nature 651:914-919) quienes construyeron The AI Scientist — el primer sistema de investigación autónomo completo de IA en publicar un artículo a través de revisión por pares ciega en un congreso top de ML (ICLR 2025 workshop, puntuación 6.33/10 frente a media del workshop 4.87). Su sección de Limitaciones enumera modos de fallo: errores de implementación, resultados alucinados, dependencia de atajos, reinterpretación de errores como ideas, fabricación de metodología, bloqueo en marcos y alucinaciones de citas. ARS se basa en la premisa de que un investigador humano aumentado por IA evita estos modos de fallo mejor que cualquiera de los dos por separado.

Compuertas de integridad y calibración

Las etapas 2.5 y 4.5 ejecutan una lista de verificación de bloqueo de 7 modos (ver academic-pipeline/references/ai_research_failure_modes.md). El revisor ofrece un modo de calibración opcional que mide su propia tasa de falsos negativos / tasa de falsos positivos frente a un conjunto de oro proporcionado por el usuario.

Características

• Calibración de estilo: aprende tu voz a partir de trabajos anteriores.
• Control de calidad de escritura: detecta patrones que hacen que la prosa parezca generada por máquina.
• Verificación mediante API de Semantic Scholar (inspirada en PaperOrchestra, Song, Song, Pfister & Yoon, 2026, Google).
• Protocolo anti-fugas, verificación de figuras VLM y seguimiento de trayectoria de puntuación.

Arquitectura

La documentación completa del pipeline está en docs/ARCHITECTURE.md, incluyendo diagrama de flujo, matriz etapa por etapa, flujo de acceso a datos, gráfico de dependencia de habilidades, compuertas de calidad y lista de modos. Para salida DOCX, se requiere pandoc; para PDF APA 7.0, se requiere tectonic + fuente Source Han Serif TC (la salida Markdown funciona sin ninguno de ellos).