Research Assistant

AI-платформа для оценки новизны исследовательских идей и анализа научной литературы

О проекте

Research Assistant — это инструмент для академических исследователей, который помогает оценивать новизну исследовательских идей, анализировать насыщенность научных областей и снижать риск дублирования существующих работ. Проект направлен на решение ключевой проблемы: как быстро и уверенно определить, стоит ли инвестировать месяцы работы в исследовательскую идею.

Команда Secondary Hipsters

• Иван Голов
• Иван Мрасов
• Василиса Лукоянова

Проблема

Академические исследователи сталкиваются с критическими вызовами:

• Невозможность уверенно оценить новизну исследовательской идеи на раннем этапе
• Перегруз информацией — тысячи новых публикаций ежедневно
• Страх потерять месяцы работы из-за обнаружения дублирования на поздних этапах
• Отсутствие инструментов, которые дают decision signal, а не просто список статей
• Риски desk reject из-за слабого позиционирования работы относительно prior art

Решение

AI Research Risk Scanner — инструмент, который:

1. Анализирует новизну исследовательской идеи за считанные секунды
2. Предоставляет риск-сигнал (низкий/средний/высокий) вместо бинарного "новое/не новое"
3. Объясняет оценку прозрачным и понятным языком
4. Показывает релевантные работы с контекстом связи с вашей идеей
5. Помогает принимать решения о продолжении, изменении или отказе от направления исследования

Ключевые особенности

🎯 Целевые сегменты

Сегмент 1: Академические исследователи

• PhD-студенты
• Постдоки
• Ассистент-профессора / доценты
• Независимые исследователи
• Сотрудники R&D-подразделений

Job To Be Done: Когда я формулирую исследовательскую идею, я хочу быстро оценить её новизну и насыщенность области, чтобы не инвестировать месяцы работы в направление без публикационного потенциала.

Сегмент 2: Создатели образовательного контента

• Авторы онлайн-курсов
• Образовательные стартапы
• Методисты и instructional designers
• Консультанты и коучи

Job To Be Done: Создавать образовательный контент, основанный на актуальных и достоверных научных исследованиях, с возможностью обосновать каждое утверждение.

💡 Ценностное предложение

Находите только то, что действительно важно, и понимайте это за минуты, а не за недели

Продукт — это decision support tool, а не truth oracle. Мы помогаем принимать обоснованные решения, снижая неопределённость и тревожность на раннем этапе исследования.

Структура проекта

research-assistant/
├── docs/                          # Документация проекта
│   ├── lean_canvas/              # Lean Canvas для разных workflow
│   │   ├── lean_canvas_workflow_1.md
│   │   └── lean_canvas_workflow_2.md
│   └── segment_1/                # Материалы по первому сегменту
│       ├── 1_description.md      # Описание сегмента
│       ├── 1_brief.md            # Бриф продукта
│       ├── 1_guideline.md        # Гайдлайн
│       ├── 1_nfr.md              # Нефункциональные требования
│       └── 1_user_story_map.md   # User Story Map с требованиями
├── segment_2/                     # Материалы по второму сегменту
│   ├── 1_description.md          # Описание сегмента
│   ├── 2_competitors.md          # Конкурентный анализ
│   ├── 3_customer_profile.md     # Профиль клиента
│   ├── 4_interviews.md           # Результаты интервью
│   ├── 5_pain_map.md             # Карта болей
│   ├── 6_jtbd.md                 # Jobs To Be Done
│   ├── 7_value_proposition_canvas.md  # Value Proposition Canvas
│   ├── 8_product_hypothesis.md   # Продуктовые гипотезы
│   └── 9_rice.md                 # RICE приоритизация
├── interviews/                    # Интервью с пользователями
│   ├── interview_2.json
│   └── interview_3.json
├── setup/                         # Настройки и конфигурация
│   └── product_workflow_n8n.json
├── workflow_1.json               # Workflow 1
├── workflow_2.json               # Workflow 2
└── README.md                     # Этот файл

Продуктовые артефакты

📋 Lean Canvas

Разработаны три альтернативных Lean Canvas:

1. AI-платформа для поиска и синтеза научной литературы — персонализированный поиск и AI-синтез статей
2. AI-автоматизация авторской идентификации — для библиотек и research offices
3. Платформа цитатной аналитики — раннее выявление трендов для издательств

🗺️ User Story Map

Подробная карта пользовательских историй включает:

• EPIC-001: Формулирование и ввод исследовательской идеи
• EPIC-002: Получение и интерпретация риск-сигнала
• EPIC-003: Принятие решения о направлении исследования
• EPIC-004: Sharing и использование результатов
• EPIC-005: Доверие и прозрачность

🎯 Метрики успеха MVP

Quantitative:
- Снижение времени принятия решения на 30% vs текущий процесс
- Task completion rate: 80%+ пользователей доходят до результатов
- Explainability test: 70%+ могут пересказать объяснение своими словами

Qualitative:
- Functional: "Теперь я понимаю, стоит ли продолжать эту идею"
- Emotional: "Я чувствую меньше тревоги на раннем этапе"
- Social: "Я покажу это супервизору как аргумент"

Business:
- 30+ уникальных проверок за первую неделю
- 20%+ repeat usage
- 10+ кусков feedback для итерации

Технические требования

MVP (Release 1.0)

Must Have:
- Ввод идеи без регистрации
- Анализ за < 30 секунд
- Чёткий риск-сигнал (low/medium/high)
- Прозрачное объяснение оценки
- Список релевантных работ с контекстом
- Экспорт результата

Производительность:
- Время отклика: < 30 секунд (95th percentile)
- UI загрузка: < 2 секунд
- Целевая нагрузка: 10-50 DAU, 5-10 одновременных пользователей

Безопасность:
- GDPR compliance (базовый уровень)
- Session-based storage (no persistence для MVP)
- Шифрование при передаче

NFR (Нефункциональные требования)

• Availability: 99% (Bronze tier)
• RTO: 4 часа
• RPO: 24 часа
• Scalability: Vertical scaling для MVP, горизонтальное после traction

Подробнее в docs/segment_1/1_nfr.md

Продуктовые гипотезы

Для сегмента "Создатели образовательного контента"

1. Прозрачная научная обоснованность — каждое утверждение с источником, логикой вывода и ограничениями
2. Фильтрация значимого — ключевые выводы в контексте задачи курса
3. Работа с противоречиями — объяснение расхождений вместо "единственно верного ответа"
4. Аргументация для команды — готовые аргументы для обоснования методических решений
5. Фиксация научной логики — централизованная база знаний для снижения зависимости от конкретных людей

Подробнее в segment_2/8_product_hypothesis.md

Конкурентный ландшафт

Существующие альтернативы:
- Google Scholar, PubMed, arXiv — поиск без оценки новизны
- Semantic Scholar, Connected Papers — визуализация связей
- Mendeley, Zotero — менеджеры ссылок
- Ручной просмотр и экспертные панели

Наше отличие:
- Risk-level signal вместо списка статей
- Explainable AI с прозрачной логикой
- Фокус на decision support, а не на organization
- Скорость анализа (секунды, а не часы/дни)

Ограничения MVP

Для первой версии НЕ делаем:
- Полноценный менеджер источников (Zotero replacement)
- Автоматическое написание литобзоров
- Peer-review симуляцию
- Грантовые рекомендации
- Интеграцию с издательскими системами
- Покрытие не-англоязычных публикаций

Дорожная карта

Phase 1: MVP (1 неделя)

• Минимальный UI (одна страница: input → results)
• Session-based (no auth, no DB)
• Базовый анализ новизны
• Риск-сигнал + объяснение + топ-работы
• Экспорт в простом формате

Phase 2: Release 1.1 (Post-MVP)

• Shareable links
• Загрузка файлов с текстом
• Рекомендации по сужению фокуса
• Показ уровня уверенности системы

Phase 3: Release 1.2+

• Alerts на новые публикации
• Визуализация графов связей
• Multi-language support
• Институциональные лицензии

Исследования и валидация

Проведённые интервью

Интервью с представителями целевых сегментов доступны в папке interviews/

Методология

Проект основан на:
- Customer Development подходе
- Jobs To Be Done фреймворке
- Lean Canvas методологии
- RICE приоритизации
- Value Proposition Canvas

Риски и митигация

Продуктовые риски:
- Пользователь интерпретирует сигнал как окончательный вердикт
- Митигация: Явные disclaimers, показ уровня уверенности
- Несовпадение сигнала с мнением супервизора
- Митигация: Позиционирование как "second opinion tool"

Бизнес-риски:
- Низкая готовность платить индивидуально
- Митигация: Фокус на институциональные лицензии
- Медленное органическое распространение
- Митигация: Peer recommendations, shareable results

Технические риски:
- Баланс скорости и качества анализа
- Митигация: Двухуровневая система (Quick/Deep mode)
- Bootstrapped бюджет vs AI API costs
- Митигация: Кэширование, rate limiting, self-hosted models после traction

Начало работы

Для разработчиков

(Секция будет дополнена после технической реализации)

Для продуктовой команды

1. Изучите docs/segment_1/1_brief.md — бриф продукта
2. Ознакомьтесь с docs/segment_1/1_user_story_map.md — детальные требования
3. Просмотрите интервью в папке interviews/ для понимания пользовательских болей

Контакты и участие

Проект разрабатывается командой Secondary Hipsters в рамках AI Talent Camp 2026.

Лицензия

(Будет добавлена)

Статус проекта: Research & MVP Development
Последнее обновление: 2026-02-01