Extract Methodology

Extract Methodology

Overview

Skill ini ditujukan untuk membedah karya ilmiah secara mendalam guna menarik informasi metodologi eksperimen, alur algoritma/sistem, dataset yang digunakan, hyperparameter, dan hasil pengujian performa secara terstruktur dengan tingkat akurasi 100%. Ini sangat berguna ketika peneliti ingin mereproduksi (reproduce) penelitian terdahulu atau membandingkan baseline.

Dependencies

• literature-search-openalex
• literature-search-arxiv
• pubmed-database

Quick Start

Contoh penggunaan: "Gunakan skill extract-methodology untuk mengekstrak arsitektur model, dataset, dan hyperparameter dari paper GPT-3."

Workflow

1. Penentuan Target Ekstraksi

• Tentukan elemen teknis apa saja yang ingin diekstrak (e.g., nama model, dataset, metrik F1-score/Accuracy, optimizer, learning rate, hardware yang digunakan).

2. Pengambilan & Pre-parsing Paper (Mandatory Section Filtering)

• Cari ID paper atau URL paper menggunakan tools pencarian literatur.
• Eksekusi Helper Programatik (WAJIB): Sebelum melakukan ekstraksi manual, jalankan skrip parser seksi untuk memfilter bagian Metode, Setup, dan Hasil guna mencegah context overload pada LLM (Gunakan path absolut dari parse_sections.py di direktori instalasi skill ini):

  python "<PATH_KE_SKILL>/scripts/parse_sections.py" --input paper_text.md --output sections.json
  

• Evaluasi potongan seksi dari sections.json secara mendalam. Jangan berasumsi hanya dari abstrak.

3. Ekstraksi Informasi Terstruktur (10 Komponen Wajib)

Ekstrak informasi secara presisi ke dalam tabel Markdown atau skema JSON yang mencakup komponen berikut:

1. Tujuan Paper: Masalah spesifik yang ingin diselesaikan oleh penulis.
2. Dataset: Nama dataset, ukuran, sumber, label, periode data, pembagian train/val/test, dan teknik augmentasi data (jika ada).
3. Preprocessing: Langkah-langkah pembersihan, normalisasi, tokenisasi, atau ekstraksi fitur.
4. Model/Metode: Algoritma utama yang digunakan serta baseline yang dibandingkan.
5. Arsitektur: Detail arsitektur model, struktur jaringan, fungsi aktivasi, jumlah parameter, atau diagram alur sistem.
6. Parameter: Detail hyperparameter, learning rate, optimizer (e.g., AdamW), batch size, epoch, loss function, dan environment perangkat keras/lunak.
7. Evaluasi: Metrik pengujian (e.g., Accuracy, F1-Score, RMSE), skenario uji, validasi silang (cross-validation).
8. Hasil Utama: Angka performa model yang secara eksplisit dilaporkan dalam tabel/teks hasil eksperimen paper.
9. Keterbatasan: Hambatan/batasan yang diakui oleh penulis atau keterbatasan metodologi yang ditemukan agen secara kritis.
10. Reproducibility: Status ketersediaan repositori kode sumber (link GitHub/GitLab), petunjuk instalasi, dan aksesibilitas dataset (publik vs privat).

4. Analisis Reproduksibilitas (Reproducibility Check)

• Evaluasi apakah paper tersebut menyediakan informasi yang cukup untuk diimplementasikan ulang (reproduced).

5. Pelaporan Hasil Ekstraksi

• Buat rangkuman teknis yang bersih dan to-the-point menggunakan poin-poin terstruktur dan tabel data. Hindari narasi panjang lebar yang tidak perlu.

Few-Shot Guidance (Contoh Benar vs Salah)

❌ [SALAH] Ekstraksi Mengambang / Mengarang

Learning Rate: Umummnya 0.001 menggunakan Adam.
Dataset Size: Tidak disebutkan tetapi terlihat besar.

✅ [BENAR] Ekstraksi Faktual & Presisi

Learning Rate: tidak dilaporkan
Dataset Size: 50,000 sampel transaksi (Tabel 1, Halaman 4)

Common Mistakes & Aturan Kritis (Anti-Halusinasi)

• Hanya Membaca Abstrak: Abstrak jarang memuat detail teknis. Agen wajib menelusuri isi utama paper.
• Klaim Tanpa Bukti & Halusinasi Parameter (FATAL): Dilarang keras mengarang nilai teknis!
  • Jika suatu hyperparameter tidak disebutkan di paper, wajib menuliskan "tidak dilaporkan" (jangan mengarang nilai atau menggunakan nilai default umum).
  • Jika dataset tidak jelas, wajib menuliskan "tidak dijelaskan secara eksplisit".
  • Jika hasil performa disajikan dalam bentuk grafik tanpa angka tabel yang jelas, wajib menuliskan bahwa nilai tersebut ditaksir secara visual dari grafik dan sebutkan estimasi rentangnya.
• Perbandingan Apel-ke-Jeruk (False Equivalence): Dilarang menyamakan atau membandingkan langsung performa antar-paper jika dataset, konfigurasi eksperimen, atau skenario pengujiannya berbeda.
• Kutipan Sumber: Setiap angka atau parameter yang diekstrak harus merujuk pada bagian spesifik dari paper asli (misalnya, Tabel 2, Halaman 5, Kolom 2).