mcpField
C
cognitive-fallacies-guard

cognitive-fallacies-guard

github.com/lyndonkl数据与数据库18776 次安装9 周前更新
代码仓库

关于 cognitive-fallacies-guard

用于审查数据可视化中的误导设计、认知偏差利用和数据完整性问题,适合分析师与设计师。它提供分步检查和针对性修正建议,不负责创建设计或评估通用可用性。

主要功能

  1. 01检查图表噪声、3D 效果和截断坐标轴
  2. 02识别框架操纵与认知偏差线索
  3. 03核查坐标轴、背景信息和比较方式
  4. 04评估问题严重程度并提供修正建议

适用场景

  1. 01发布前审查仪表板
  2. 02检查图表编码是否造成误导
  3. 03核实演示是否遗漏数据背景

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/lyndonkl/claude --skill cognitive-fallacies-guard

安装后在 Claude Code 中输入/cognitive-fallacies-guard确认已加载。

包含的文件

除 SKILL.md 外,安装时一起下载的参考资料和脚本。

resources/
detection-patterns.md
fallacies-catalog.md
resources/evaluators/
rubric_cognitive_fallacies.json

详细介绍

认知谬误防护

目录


概览

可视化具有说服力——常见错误会造成系统性误读,而不仅仅是审美缺陷。此技能会扫描视觉误导(图表垃圾、截断坐标轴、3D 失真),检查是否利用认知偏差(强化确认偏差、锚定效应、框架操纵),并验证数据完整性(坐标轴诚实、数据完整、比较公平)。

相关技能:design-evaluation-audit 用于一般设计评估,cognitive-design 用于认知基础,d3-visualization 用于创建可视化,visual-storytelling-design 用于数据叙事。


谬误审查工作流

**用时:**15-30 分钟

复制此清单并跟踪进度:

Fallacy Audit Progress:
- [ ] Step 1: Scan for Visual Misleads
- [ ] Step 2: Check for Cognitive Biases
- [ ] Step 3: Verify Data Integrity
步骤 1:扫描视觉误导

检查图表垃圾、3D 效果、截断坐标轴、体积错觉和不恰当的图表类型。这些是最常见、最明显的谬误。

资源:谬误目录 — 第 1-2 节(视觉噪声、感知失真)

步骤 2:检查认知偏差

留意确认偏差强化、锚定效应和框架操纵。这些更为隐蔽,但可能显著影响解读。

资源:谬误目录 — 第 3 节(利用认知偏差)

步骤 3:验证数据完整性

确认坐标轴诚实、数据完整、比较公平、上下文恰当,并且不存在虚假相关。这是最关键的一层。

资源:检测模式 — 完整性原则和快速扫描清单


路径选择菜单

路径 1:视觉误导扫描

**选择此路径的情况:**检查图表垃圾、3D 效果、截断坐标轴和编码问题。

→ 前往谬误目录 — 第 1-2 节


路径 2:认知偏差检查

**选择此路径的情况:**查找仪表板设计、演示框架或数据选择中的偏差强化。

→ 前往谬误目录 — 第 3 节


路径 3:数据完整性验证

**选择此路径的情况:**验证数据呈现的完整性、诚实性和上下文。

→ 前往检测模式


快速参考

5 项完整性原则
  1. 坐标轴诚实 — 条形图从零开始;刻度间隔均匀;标签清晰
  2. 比较公平 — 被比较项使用相同刻度;不操纵双坐标轴
  3. 上下文完整 — 展示完整时间段;提供基线;明确分母
  4. 编码准确 — 视觉比例与数值相符;没有体积错觉;采用 2D 设计
  5. 透明度 — 注明数据来源;承认局限性;说明方法
快速严重程度指南
  • 严重程度:高 — 完整性违规(未披露的截断条形图、精挑细选的数据、暗示因果关系)
  • **高:**感知失真(3D 效果、体积错觉、缺少分母)
  • **中:**偏差强化(单方面框架、锚定顺序、确认偏差布局)
  • **低:**视觉噪声(过多网格线、装饰元素、装饰性边框)

防护范围

**范围界定:**此技能会检测视觉误导、识别对认知偏差的利用、验证数据完整性,并针对发现的每种谬误提供具体修正方法。它不会创建设计、评估一般可用性、讲授认知理论或评估审美质量。

评论

支持 Markdown