hypothesis-or-proposition-builder

假设或命题构建器

概述

此技能旨在指导研究 Agent 将理论框架和研究空白转化为可检验的陈述（用于定量研究的可检验假设）或逻辑命题（用于定性／概念研究的命题）。其目标是确保数据检验方向具有坚实的理论基础。

依赖项

• research-question-builder

快速开始

使用示例： "使用 hypothesis-or-proposition-builder 技能，构建关于使用 XAI（可解释人工智能）模型与最终用户信任度（用户信任）之间关系的假设。"

工作流

1. 分析理论基础（Theoretical Foundation）

• 找出支持变量／构念之间关系的主要理论（宏大理论）或既有实证研究。
• 说明支撑该关系预期存在的理论机制（例如，解释系统采纳时使用的技术接受模型（TAM））。

2. 梳理逻辑／因果关系（Variables Mapping）

• 确定变量之间的关系方向：
  • 直接因果关系（例如，X 对 Y 有正向影响）。
  • 调节关系（例如，Z 增强／减弱 X 对 Y 的影响）。
  • 中介关系（例如，M 在 X 对 Y 的影响之间起桥接作用）。

3. 可视化概念框架（Conceptual Framework Diagram）

使用文本格式或简洁的 Mermaid Markdown 图表，绘制变量之间关系的示意图。可视化示例：

graph LR
    X[Variabel X: XAI] -->|Hipotesis 1 +| Y[Variabel Y: User Trust]
    Z[Variabel Z: User Literacy] -->|Moderasi: Hipotesis 2| X

4. 拟定假设或命题

• 假设（定量研究）：提出具体、有方向性且可进行统计检验的陈述（例如，H1：模型解释可视化（XAI）的应用对普通用户的信任度（用户信任）具有显著的正向影响）。
• 命题（定性／概念研究）：提出基于定性数据阐明概念间关系的逻辑陈述（例如，P1：解释可视化的感知有用性因不同类型参与者的数字素养水平而异）。

常见错误与关键规则

• 假设不可检验（Untestable Hypothesis）：提出规范性或过于抽象的假设陈述，导致无法通过定量数据进行实证验证。
• 缺乏理论依据：仅凭 Agent 的主观假设构建两个变量之间关系的假设，而未提供基础理论或既有研究的参考依据。
• 陈述含糊不清：在假设中使用无法衡量的语言（例如，"变量 X 可能间接影响变量 Y"）。应明确关系方向（正向、负向或中性／双向）。
• 术语不一致：理论说明、概念框架图和假设列表中使用不同的构念／变量名称。构念名称必须始终保持一致。