Tiga tugas model dalam alur kerja riset
Riset adalah kasus paling jelas untuk ruang kerja multi-model, karena alur kerjanya punya tiga kebutuhan yang benar-benar berbeda. Anda butuh model yang bisa menampung teks dalam jumlah sangat besar sekaligus, model yang menulis dengan cukup cermat untuk lolos tinjauan sejawat, dan model yang mengembalikan output terstruktur yang ketat tanpa melenceng. Tidak ada satu produk pun yang terbaik dalam ketiganya, dan biaya berpindah antar tiga produk dibayar dengan mengunggah ulang korpus yang sama. Biaya marjinal berpindah di dalam satu ruang kerja kecil dan bisa diketahui: pada indeks biaya model milik Whizi (tarif daftar OpenRouter, diambil 2026-08-20), Gemini 3.7 Flash setara $0.001313 per jawaban standar, Claude Sonnet 5 sebesar $0.007, dan GPT-5.6 Terra sebesar $0.008, semuanya di bawah satu sen per jawaban.
| Tahap | Model | Yang dilakukan |
|---|---|---|
| Membaca korpus makalah | Gemini | Jendela konteks 1 juta token, sehingga 15 hingga 30 PDF muat dalam satu percakapan |
| Membangun tabel bukti | GPT | Skema ketat, nilai kolom konsisten, tanpa melenceng secara editorial |
| Menyusun draf teks dan sintesis | Claude | Register akademik yang hati-hati, setia pada sumber |
| Menemukan karya terbaru dan memeriksa referensi | Model yang terhubung web | Pengambilan dari sumber langsung, bukan dari memori |
| Tinjauan adversarial atas argumen Anda sendiri | Model apa pun yang tidak menyusun draf | Pembaca independen, tanpa biaya tertanam |
Hal terpenting yang perlu dipahami sebelum Anda mulai: model bahasa yang ditanya soal makalah dari memori akan mengarang detail, dan ia melakukannya dengan lancar. Model yang membaca PDF yang Anda unggah bekerja dari teks sebenarnya. Itu adalah dua aktivitas berbeda dengan keandalan berbeda, dan hampir semua kisah horor tentang AI dalam riset berasal dari yang pertama disalahartikan sebagai yang kedua. Unggah sumbernya. Selalu.
Membaca 20 makalah tanpa kehilangan alur
Kesalahannya adalah meminta ringkasan. Ringkasan dari 20 makalah adalah paragraf yang bisa menggambarkan makalah manapun di bidang tersebut. Yang sebenarnya Anda inginkan adalah tabel bukti, karena tabel memaksa model untuk memastikan nilai spesifik per makalah dan membuat celahnya terlihat.
Prompt: tabel bukti
Saya telah mengunggah [n] makalah. Buat tabel dengan satu baris per makalah dan kolom-kolom berikut: sitasi (penulis, tahun), pertanyaan penelitian, desain studi, ukuran sampel dan populasi, hasil utama yang diukur, temuan utama beserta ukuran efek atau statistik kunci, keterbatasan yang disebutkan, dan sumber pendanaan jika diungkapkan. Jika suatu kolom tidak dilaporkan dalam makalah, tulis TIDAK DILAPORKAN. Jangan menyimpulkan nilai. Jangan menyertakan makalah yang tidak saya unggah.
Prompt: tahap sintesis
Dengan hanya menggunakan tabel yang baru Anda buat, jawab: di mana studi-studi ini sepakat, di mana mereka tidak sepakat, dan apa yang menjelaskan ketidaksepakatan itu (desain, populasi, pengukuran, atau periode)? Identifikasi pertanyaan dalam literatur ini yang tidak dijawab oleh studi manapun yang diunggah. Untuk setiap klaim, sebutkan baris spesifik yang menjadi dasarnya.
Prompt: kritik metodologis
Untuk setiap studi dalam tabel, catat ancaman paling serius terhadap validitas: seleksi, pengukuran, perancu, kekuatan statistik, atau generalisabilitas. Bersikaplah spesifik terhadap apa yang dilaporkan makalah, bukan generik. Jika suatu studi secara metodologis kuat, katakan demikian, bukan mengarang kritik.
Instruksi terakhir itu benar-benar berguna. Minta model mencari masalah dan ia akan selalu menemukan masalah, bahkan pada studi yang dilakukan dengan baik, karena permintaan itu menyiratkan bahwa masalah itu ada. Memberinya izin eksplisit untuk mengatakan sebuah makalah sudah solid menjaga kritik tetap jujur.
Untuk mekanisme memasukkan dokumen panjang ke dalam obrolan secara rapi, lihat cara mengobrol dengan PDF dan panduan meringkas PDF dengan AI.
Ekstraksi: mendapatkan data terstruktur dari teks tak terstruktur
Ekstraksi sistematis adalah tugas di mana AI menghemat waktu paling bisa dipertanggungjawabkan, karena outputnya bisa diverifikasi. Anda bisa memeriksa sebuah angka di halaman 7. Anda tidak bisa memeriksa sebuah kesan.
Prompt: ekstraksi skema ketat
Ekstrak setiap statistik yang dilaporkan dari makalah ini sebagai JSON. Skema: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}. Sertakan hanya angka yang muncul di teks, tabel, atau keterangan gambar. Jangan menghitung nilai turunan. Jangan membulatkan. Jika sebuah angka muncul di tabel maupun teks dengan nilai berbeda, kembalikan kedua entri dan tandai perbedaannya.
Kolom location_in_paper adalah bagian yang sering dilewatkan orang, dan itulah bagian yang membuat outputnya bisa dipakai. Ia mengubah tahap verifikasi dari membaca ulang seluruh makalah menjadi pemeriksaan yang tertarget, yang berarti verifikasi itu benar-benar dilakukan.
Prompt: membandingkan antar makalah
Di seluruh makalah yang diunggah, temukan setiap estimasi yang dilaporkan untuk [kuantitas yang Anda pedulikan]. Kembalikan tabel berisi: makalah, estimasi, satuan, populasi, metode estimasi, dan tahun pengumpulan data. Jangan merata-ratakannya. Catat secara eksplisit di mana estimasi tersebut tidak dapat dibandingkan karena perbedaan definisi atau populasi.
Menginstruksikan model untuk tidak merata-ratakan bukanlah kekakuan berlebihan. Merata-ratakan estimasi yang tidak sebanding adalah cara paling umum sebuah tinjauan pustaka berbantuan AI menghasilkan angka yang salah dengan percaya diri, dan ini adalah jenis kesalahan yang langsung tertangkap oleh reviewer.
Verifikasi sitasi, yang bukan opsional
Ini adalah bagian yang paling penting, jadi sengaja dibuat blak-blakan. Model bahasa mengarang referensi. Mereka menghasilkan sitasi dengan nama penulis asli, judul jurnal yang tampak masuk akal, nomor volume dan halaman yang terlihat benar, dan DOI yang mengarah ke tidak ada apa-apa atau ke makalah yang tidak relevan. Makalah yang ditarik kembali telah masuk ke literatur dengan cara ini. Reputasi telah rusak karenanya.
Aturan yang mencegahnya:
- Jangan pernah meminta model untuk "mencari sumber" bagi sebuah klaim dari memori. Minta model yang terhubung web untuk mengambilnya, lalu buka sendiri setiap tautannya.
- Verifikasi setiap DOI dengan meresolusinya. DOI yang tidak bisa diresolusi adalah karangan, bukan salah ketik.
- Periksa bahwa makalah yang disitasi benar-benar mengatakan apa yang diklaim oleh sitasi tersebut. Makalah asli yang dilekatkan pada klaim yang tidak didukungnya adalah kesalahan yang lebih sulit ditangkap, dan ini lebih sering terjadi daripada makalah karangan.
- Jangan pernah menyitasi sesuatu yang belum Anda buka. Aturan ini sudah ada sebelum AI, dan AI membuatnya menjadi krusial.
- Jadikan PDF yang diunggah sebagai sumber kebenaran. Apa pun yang dikatakan model tentang makalah yang tidak Anda unggah tidak terverifikasi secara konstruksi.
Prompt: audit referensi
Untuk setiap referensi dalam daftar ini, nyatakan: apakah Anda bisa mengonfirmasinya dari sumber dalam percakapan ini, atau apakah itu berasal dari data pelatihan Anda dan karena itu tidak terverifikasi. Jangan menebak. Tandai setiap entri yang tidak terverifikasi dengan jelas. Saya akan memeriksanya secara manual.
Prompt itu tidak membuat model menjadi andal. Ia membuat model eksplisit tentang klaim mana yang berlabuh pada sesuatu yang Anda berikan, dan itulah perbedaan yang perlu Anda ketahui untuk menentukan apa yang harus diperiksa.
Apa yang tidak bisa digantikan ini
Ini tidak menggantikan protokol tinjauan sistematis. Jika pekerjaan Anda memerlukan PRISMA, strategi pencarian, penyaringan, dan keputusan inklusi tetap menjadi tanggung jawab Anda untuk mendokumentasikan dan mempertahankannya. AI dapat membantu Anda menyusun draf protokol dan mempercepat ekstraksi dari studi yang disertakan, tetapi ia tidak bisa menjadi pencariannya.
Ini tidak menggantikan pengelola referensi Anda. Simpan Zotero, Mendeley, atau EndNote sebagai catatan resmi apa yang benar-benar telah Anda baca. Obrolan adalah memori kerja, bukan arsip.
Ini tidak menggantikan analisis statistik. Model bisa menjelaskan sebuah metode, menulis kode R atau Python untuknya, dan memeriksa kewarasan interpretasi Anda, tetapi menjalankan analisis Anda di dalam jendela obrolan dan mempercayai perhitungannya bukanlah hal yang bisa dipertanggungjawabkan. Hasilkan kodenya, jalankan di lingkungan Anda sendiri, dan periksa outputnya.
Dan ini tidak menggantikan pengungkapan. Jurnal dan institusi semakin sering mensyaratkan pernyataan tentang bagaimana alat AI digunakan. Catat apa yang Anda gunakan di setiap tahap saat Anda melakukannya, karena merekonstruksinya saat pengajuan itu tidak menyenangkan.
- Unggah makalahnya, bukan bertanya kepada model apa yang diingatnya tentang makalah tersebut
- Bangun tabel bukti dengan satu baris per makalah sebelum meminta sintesis apa pun
- Wajibkan kolom location_in_paper pada setiap angka yang diekstrak agar verifikasi tertarget
- Instruksikan model untuk mempertahankan kehati-hatian bahasa dan jangan pernah menaikkan asosiasi menjadi kausasi
- Resolusi setiap DOI dan buka setiap sumber sebelum masuk ke daftar referensi Anda
- Minta model menandai klaim mana yang berlabuh pada teks yang diunggah dan mana yang berasal dari memori
- Simpan catatan berjalan tentang bagaimana AI digunakan di setiap tahap untuk pernyataan pengungkapan Anda
Pertanyaan Umum
Bisakah Whizi menangani makalah yang sangat panjang?
Ya. Gemini di Whizi memiliki jendela konteks 1 juta token, yang dalam praktiknya berarti sebuah disertasi panjang, dokumen regulasi lengkap, atau kumpulan 15 hingga 30 makalah bisa muat dalam satu percakapan dan ditanyai secara menyeluruh. Itu berbeda dari meringkas dokumen sepotong demi sepotong, karena pertanyaan lintas dokumen seperti "di mana studi-studi ini tidak sepakat" hanya berfungsi ketika semuanya hadir sekaligus.
Apakah Whizi menyitasi sumber?
Ketika Anda menggunakan model yang terhubung web, ia mengembalikan tautan, dan ketika Anda mengunggah dokumen, ia bisa menunjukkan di bagian mana dari sumber Anda sebuah klaim berasal. Tidak satu pun dari keduanya menggantikan verifikasi. Resolusi setiap DOI, buka setiap tautan, dan pastikan karya yang disitasi benar-benar mendukung klaim yang dilekatkan padanya. Referensi yang dikarang dan salah atribusi adalah mode kegagalan paling serius dari riset berbantuan AI, dan satu-satunya pertahanan yang andal adalah membuka sumbernya sendiri.
Mengapa tidak memakai satu model saja untuk semuanya?
Karena ketiga tahap itu menginginkan perilaku yang berlawanan. Membaca korpus besar butuh jendela konteks yang sangat besar. Ekstraksi butuh kepatuhan yang ketat dan kaku pada sebuah skema. Menyusun draf butuh prosa yang cermat dan menjaga kehati-hatian akademik. Menjalankan ketiganya di dalam satu ruang kerja berarti korpusnya diunggah sekali dan konteksnya terbawa melewati perpindahan, alih-alih dijelaskan ulang ke tiga produk terpisah.
Apakah penggunaan AI di karya akademik bisa diterima?
Kebijakan bervariasi menurut jurnal, pemberi dana, dan institusi, dan itu terus berubah dengan cepat, jadi periksa persyaratan spesifik yang berlaku untuk Anda. Pola umumnya adalah menggunakan AI untuk ekstraksi, penyusunan draf, dan penyuntingan umumnya dapat diterima dengan pengungkapan, sementara mencantumkan model sebagai penulis tidak boleh, dan Anda tetap sepenuhnya bertanggung jawab atas setiap klaim dan sitasi dalam karya akhir. Catat apa yang Anda gunakan sambil berjalan.
Bisakah saya mengunggah data yang belum dipublikasikan atau rahasia?
Whizi tidak melatih modelnya dari percakapan Anda, dan kebijakan setiap penyedia bisa ditinjau sebelum Anda mengaktifkan model tersebut, tetapi persetujuan etik Anda dan perjanjian berbagi data apa pun adalah batasan yang mengikat. Data subjek manusia hampir selalu harus dijaga di luar, kecuali persetujuan Anda secara eksplisit mencakup pemrosesan pihak ketiga. Ekstrak yang telah dianonimkan dan draf Anda sendiri adalah kasus aman yang umum.