研究结论可信度
系统评估科研严谨性:方法/实验设计/统计效度/偏差/混杂/证据质量,用 GRADE 与 Cochrane ROB 框架。
功能与用途
该技能用于系统性评估科研论文与学术主张的科学严谨性。它以 GRADE 分级系统与 Cochrane 偏倚风险工具(ROB)为分析框架,输入论文的方法、数据与结论文本,输出针对实验设计、统计效度、多重比较、选择性偏倚、混杂因素及逻辑漏洞的详细诊断报告。它帮助研究者准确区分“实验所证”与“作者所称”,适用于文献精读与立项论证,基础分析无需联网环境即可执行。
适用场景
- 论文实验设计与混杂因素审查:对照对照组设置、盲法与样本量估算,分析实验设计能否支持核心假设,排查潜在测量与选择偏差。
- 统计方法与 p 值有效性核查:评估统计检验选择、多重比较校正及效应量大小,识别 p 值操纵、假阳性或将相关性断言为因果的问题。
- 系统综述证据质量等级评定:运用 GRADE 框架对纳入的研究证据进行降级与升级因素评估,确定临床或科研结论的最终可信度等级。
适用人群
- 研究者
- 学术作者
- 评审
使用步骤
- 定位要评估的科研主张。
- 按七大能力区系统评估。
- 用 GRADE/Cochrane ROB 判证据质量。
- 区分显示与断言给结论。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 知识
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 简单
- 版本
- main
- 最近更新
- 2026-09-12
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Evaluate scientific claims and evidence quality. Use for assessing experimental design validity, identifying biases and confounders, applying evidence grading frameworks (GRADE, Cochrane Risk of Bias), or teaching critical analysis. Best for understanding evidence quality, identifying flaws. For formal peer review writing use peer-review.
使用前准备
- 科研论文或主张
- (深评)参考文档
依赖与权限
- OPENROUTER_API_KEY
- 读取用户主动提供的内容