mcpField
D
data-sleuth

data-sleuth

github.com/petekpデータ・データベース1038 回インストール21 週間前に更新
リポジトリ

data-sleuth について

Data Sleuth は、異常検出、パターン分析、複数データセットの相関を通じて構造化データを調査するスキルです。ユーザーが選んだ分析を進め、根拠と確信度を添えて結果を報告します。

主な機能

  1. 01データ項目と型の把握
  2. 02ユーザー主導の分析選択
  3. 03時間・行動パターンの分析
  4. 04複数データセットの相関
  5. 05根拠と確信度を付けた結果

活用シーン

  1. 01タイムスタンプ付き記録から異常な活動を検出
  2. 02異常が誤りか意味のある兆候かを検討
  3. 03複数のデータ出力を比べて裏付けとなるパターンを探す

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/petekp/agent-skills --skill data-sleuth

インストール後、Claude Code で/data-sleuthを入力して読み込まれたか確認します。

同梱ファイルreferences/signal-detection.md

詳細

データ・スルース

データセットから見過ごされがちな洞察を引き出すための、高度なシグナル検出と相関分析。

概要

このスキルは、データジャーナリズム、法廷会計、OSINT 調査の手法を適用し、他の人が見落とすパターンを見つける調査分析を Claude に行わせます。ソーシャルメディアデータからのシグナル抽出を強化するため、personality-profiler と自然に組み合わせられますが、あらゆる構造化データセットで機能します。

基本原則

調査に臨む姿勢

優れたデータジャーナリストや調査員に倣い、次のような認知姿勢を取り入れます。

  1. 健全な懐疑心 — 「きれいなデータも汚れたデータもありません。ただ、理解できていないデータがあるだけです。」あらゆる前提を問い直します。

  2. 危害を中心としたパターン認識 — 異常を取り除くべきノイズとしてではなく、システムのほころびを明らかにする可能性のあるシグナルとして調べます。

  3. 素人の視点を強みにする — 専門家が慣れによって見落としてしまうものを見つけられるよう、十分に素人の視点を保ちます。

  4. 思い込みより証拠を重視する — 証拠を通じて確信を深め、先入観を決して信じません。

インタビューを最初に行うワークフロー

重要：分析を始める前に、AskUserQuestion を使って、どのような分析が考えられるかをユーザーに尋ねます。データの構造に基づき、あらかじめ選択肢を考えて提示してください。

ステップ 1：データの調査

データが提供されたら、次のことを行います。

  1. 利用可能なすべてのフィールド／列を特定する
  2. データ型、カーディナリティ、範囲を記録する
  3. 時間に関する次元を特定する
  4. データセット間の相関に使える可能性のある結合キーを見つける
ステップ 2：分析についてのインタビュー

あらかじめ考えた分析の選択肢を提示するため、AskUserQuestion を使用します。次のカテゴリに沿って質問を構成してください。

インタビュー質問のテンプレート：

AskUserQuestion with options like:
- "Temporal anomaly detection" — Find unusual patterns in when things happen
- "Behavioral clustering" — Group similar patterns to find outlier behaviors
- "Cross-field correlation" — Discover unexpected relationships between fields
- "Absence analysis" — Identify what's NOT in the data that should be
- "Custom analysis" — [Free text option for user-specified direction]

必ず次を含めてください。

  • 具体的でデータに即した分析の選択肢を 2～4 個
  • それぞれで明らかになることの簡単な説明
  • ユーザーが分析の方向性を指定できる自由記述の「その他」選択肢

ソーシャルメディアデータのインタビュー例：

Header: "Analysis Focus"
Question: "What patterns are you most interested in discovering?"
Options:
- "Engagement anomalies" — Posts that performed unusually well/poorly vs your baseline
- "Topic evolution" — How your interests shifted over time
- "Social network signals" — Who you engage with most and patterns in those interactions
- "Behavioral fingerprint" — Your unique timing, vocabulary, and stylistic signatures
ステップ 3：選択された分析を実行

ユーザーの選択に基づいて、リファレンスガイドに記載されたシグナル検出手法を適用します。

ステップ 4：証拠とともに調査結果を提示

各洞察について、次のことを行います。

  1. 調査結果を明確に述べる
  2. 具体的な証拠（引用、データポイント、タイムスタンプ）を示す
  3. 確信度（高／中／低）を評価する
  4. 必要に応じて、追加の分析を提案する

シグナル検出手法

手法の詳しい説明については、references/signal-detection.md を参照してください。

クイックリファレンス
手法見つかるもの使用する場面
時間的フィンガープリント活動のリズム、スケジュールのパターンタイムスタンプ付きのあらゆるデータ
比率分析隠れた行動を示唆する異常な割合エンゲージメント指標、財務データ
欠落検出存在するはずなのに欠けているもの期待されるパターンがあるあらゆるデータセット
データセット横断の三角測量ソース間の裏付けや矛盾複数のデータエクスポート
外れ値の文脈化異常がエラーかシグナルか初期の統計分析後
言語学的フォレンジック語彙の変化、時間経過に伴う語調の変化テキスト主体のデータセット
ネットワークトポロジー接続パターンとクラスタリングソーシャル／関係性データ
行動セグメンテーション明確に異なる行動モードアクティビティログ、エンゲージメントデータ

複数データセットの相関分析

複数のデータセットをまとめて分析する場合：

1. 共通キーを特定する
  • タイムスタンプ（曜日、時間、またはカスタムの期間で整合可能）
  • ユーザー識別子（直接的または推定）
  • コンテンツの重複（共通するトピック、URL、エンティティ）
  • 行動パターン（類似するタイミングの特徴）
2. パターンを相互参照する

データセット A の各調査結果について、次を確認します。

  • データセット B はこれを裏付けているか？
  • データセット B はこれと矛盾しているか？
  • データセット B は文脈を補足しているか？
  • 組み合わせることで、どちらか単独では明らかにならない何かが見えるか？
3. 相関を記録する

次の形式を使用します。

CORRELATION: [brief title]
Source A: [dataset] — [specific finding]
Source B: [dataset] — [supporting/contradicting evidence]
Confidence: [high/medium/low]
Implication: [what this combined insight suggests]

personality-profiler との連携

personality-profiler と組み合わせる場合：

  1. まず personality-profiler を実行して、ベースラインとなるプロフィールを作成します
  2. data-sleuth を使って、そのベースラインから逸脱する異常を見つけます
  3. 調査結果を相互参照します — 性格の次元と行動のシグナルを比較します
  4. 次のような、一見して明らかではない知見でプロフィールを充実させます：
    • 隠れた関心（投稿せずにエンゲージメントしている）
    • 行動の不一致（本人が言うことと実際にすること）
    • 変化の転換点（いつ、なぜ変化が起きたか）
    • ネットワークにおける影響パターン（誰が本人の見方を形成しているか）

出力形式

調査結果は次の2部構成で提示します：

1. エグゼクティブサマリー

最も重要な、一見して明らかではない調査結果を2〜3段落で強調します。

2. 詳細な調査結果
{
  "analysis_type": "data-sleuth",
  "datasets_analyzed": ["list of sources"],
  "findings": [
    {
      "title": "Finding title",
      "category": "temporal|behavioral|linguistic|network|correlation",
      "confidence": 0.0-1.0,
      "description": "What was found",
      "evidence": ["specific data points", "quotes", "timestamps"],
      "implication": "What this suggests",
      "follow_up": "Suggested deeper analysis if warranted"
    }
  ],
  "cross_correlations": [
    {
      "datasets": ["A", "B"],
      "finding": "What the correlation reveals",
      "confidence": 0.0-1.0
    }
  ],
  "methodology_notes": "How the analysis was conducted"
}

積極的に呼び出すタイミング

次のようなことに気づいた場合は、依頼されていなくてもこのスキルを使用します：

  • 何らかのデータ分析中に予想外の外れ値が見つかった
  • 「整いすぎている」パターンが見られる（データが操作されている可能性）
  • 予想されるパターンが興味深い形で見られない
  • 相関関係が、本人の表明した信念や好みと矛盾している
  • 時間的な異常（活動の急増や急減）

簡潔に「興味深い点に気づきました。さらに調査しましょうか？」と伝えます。

コメント

Markdown 対応