mcpField
R
research-claim-map

research-claim-map

github.com/lyndonkl生产力18798 次安装9 周前更新
代码仓库

关于 research-claim-map

Research Claim Map 是用于评估事实主张的技能，通过收集证据、评估来源和校准置信度展开分析。它提供分阶段流程，适用于快速核查和复杂的多来源调查。

主要功能

  1. 01五步主张审查流程
  2. 02证据质量分级
  3. 03来源可信度评估
  4. 04局限与证据缺口分析
  5. 05数值化置信度校准

适用场景

  1. 01核查供应商的性能或客户数量主张
  2. 02审视学术研究结论的证据
  3. 03核实新闻及统计主张

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lyndonkl/claude --skill research-claim-map

安装后在 Claude Code 中输入/research-claim-map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/
methodology.md
template.md
resources/evaluators/
rubric_research_claim_map.json

详细介绍

研究主张图谱

目录

  1. 工作流
  2. 证据质量框架
  3. 来源可信度评估
  4. 常见模式
  5. 护栏
  6. 快速参考

工作流

复制此清单并跟踪进度：

Research Claim Map Progress:
- [ ] Step 1: Define the claim precisely
- [ ] Step 2: Gather and categorize evidence
- [ ] Step 3: Rate evidence quality and source credibility
- [ ] Step 4: Identify limitations and gaps
- [ ] Step 5: Draw evidence-based conclusion

步骤 1：准确界定主张

将主张重述为具体、可检验的断言。避免模糊措辞——使用数字、日期和明确术语。有关主张改写示例，请参阅常见模式。

步骤 2：收集并分类证据

收集支持和反驳该主张的来源。将其整理为“支持证据”和“反对证据”。对于简单的核实任务 → 使用 resources/template.md。对于复杂的多来源调查 → 研读 resources/methodology.md。

步骤 3：评定证据质量和来源可信度

应用证据质量框架评定每个来源（一级／二级／三级）。应用来源可信度评估评估专业能力、偏见和过往记录。

步骤 4：识别局限和缺口

记录哪些内容未知、做出了哪些假设，以及证据薄弱或缺失之处。有关缺口分析技巧，请参阅 resources/methodology.md。

步骤 5：得出基于证据的结论

综合研究结果，得出置信度（0-100%）和可执行的建议（相信／持怀疑态度／否定该主张）。提交前使用 resources/evaluators/rubric_research_claim_map.json 进行自检。最低标准：平均分 ≥ 3.5。

证据质量框架

评级标准：

一级证据（最强）：

  • 直接观察或测量
  • 原始数据或记录
  • 参与者的第一手陈述
  • 原始数据集、交易日志
  • 示例：显示 10,000 个客户 ID 的销售数据库

二级证据（中等）：

  • 对一级来源的分析或解读
  • 专家对多个一级来源的综合分析
  • 经同行评审的研究论文
  • 引用一级来源且经过核实的新闻报道
  • 示例：分析公开申报文件的行业分析师报告

三级证据（最弱）：

  • 对二级来源的摘要
  • 教科书、百科全书、Wikipedia
  • 新闻稿、营销材料
  • 未经核实的传闻报告
  • 示例：声称客户数量的公司博客文章

非证据（不可靠）：

  • 未经核实的社交媒体帖子
  • 匿名说法
  • 未注明出处的“专家表示”
  • 循环引用（A 引用 B，B 引用 A）
  • 示例：没有来源的病毒式传播推文

来源可信度评估

评估每个来源的以下方面：

专业能力（来源是否具备相关知识？）：

  • 高：具备资质且有良好记录的领域专家
  • 中：具备相关知识，但不是专家
  • 低：未展现出专业能力

独立性（来源是否存在偏见或利益冲突？）：

  • 高：独立，没有财务或个人利害关系
  • 中：存在一些潜在偏见，且已披露
  • 低：有直接财务利益，或存在未披露的利益冲突

过往记录（来源此前是否准确？）：

  • 高：一贯准确，出错时会更正
  • 中：记录参差不齐或过往情况未知
  • 低：有错误、撤稿或不可靠的历史记录

方法（来源如何获取信息？）：

  • 高：透明、可复现、严谨
  • 中：披露了部分方法
  • 低：不透明、无法核实、选择性取材

常见模式

模式 1：验证供应商声明

  • 声明类型：产品性能、客户数量、投资回报率
  • 方法：寻找独立验证（分析师、客户），亲自测试相关声明
  • 警示信号：仅有供应商来源、指标含糊、“最高可达 X%”之类的范围

模式 2：学术文献综述

  • 声明类型：研究发现、因果关系声明
  • 方法：检查是否有重复研究、荟萃分析及其他解释
  • 警示信号：单项研究、样本量小、利益冲突、p 值操纵

模式 3：新闻事实核查

  • 声明类型：事件、统计数据、引述
  • 方法：追溯至原始来源，核查多个媒体渠道，确认上下文
  • 警示信号：匿名来源、循环报道、耸人听闻的叙述方式

模式 4：统计声明

  • 声明类型：百分比、趋势、相关性
  • 方法：检查方法、样本量、基准率、置信区间
  • 警示信号：挑选特定时间范围、分母不明确、相关性 ≠ 因果关系

护栏

避免常见偏见：

  • 确认偏误：主动寻找与你的假设相悖的证据
  • 权威偏误：不要仅仅因为来源享有盛誉就接受其声明
  • 近因偏误：较早的证据可能比最新声明更可靠
  • 可得性偏误：生动的轶事 ≠ 代表性数据

质量标准：

  • 用数值（0-100%）评估置信度，而非使用含糊措辞（“大概”“可能”）
  • 明确记录所有假设
  • 区分“未发现证据”和“存在缺失证据”
  • 随着新证据出现更新结论
  • 当证据质量不足以支持有把握的结论时，明确标记

伦理考量：

  • 尊重来源隐私并注明出处
  • 避免挑选证据来支持预期结论
  • 承认局限性和不确定性
  • 发现错误时及时更正

快速参考

资源：

证据层级：一手 > 二手 > 三手

可信度因素：专业能力 + 独立性 + 过往记录 + 方法

置信度校准：

  • 90-100%：几乎确定，有多个一手来源，可信度高
  • 70-89%：较有把握，有可靠的二手来源，但存在一些局限
  • 50-69%：不确定，证据相互矛盾或来源薄弱
  • 30-49%：持怀疑态度，反对证据多于支持证据
  • 0-29%：很可能为假，有强有力的反对证据

评论

支持 Markdown