mcpField
R
research-methodology

research-methodology

github.com/itallstartedwithaidea生产力44105 次安装29 周前更新
代码仓库

关于 research-methodology

面向研究人员的科学研究方法技能,引导从文献综述、假设形成到实验设计和同行评审准备。强调可证伪性、统计功效、预注册及方法学严谨性。

主要功能

  1. 01研究问题与假设形成
  2. 02系统性文献综述
  3. 03实验设计与控制变量
  4. 04统计功效与样本量规划
  5. 05伦理审查和投稿准备

适用场景

  1. 01设计带对照的实验
  2. 02开展系统性文献综述
  3. 03评估论文研究方法
  4. 04准备研究提案或投稿

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/itallstartedwithaidea/agent-skills --skill research-methodology

安装后在 Claude Code 中输入/research-methodology确认已加载。

详细介绍

研究方法论

Agent Skills™ 的一部分,由 googleadsagent.ai™ 提供

描述

研究方法论会引导 Agent 完成科学研究的整个生命周期:从文献空白中提出假设、设计包含适当对照的实验、开展系统性文献综述、制定数据收集方案,以及准备同行评审。Agent 将作为研究协作者,在每个阶段确保方法严谨。

无论分析多么复杂,薄弱的方法论都会使结果失效。这项技能可防止常见的方法论失误:假设无法证伪、实验缺少适当对照、样本量未经统计功效分析,以及结论超出数据所能支持的范围。Agent 会尽早提出关键问题,避免在有缺陷的设计上投入时间和资源。

这项技能还涵盖研究准备的实务方面:使用布尔查询构建文献检索、维护引文数据库、设计可复现的实验方案、准备伦理审查委员会所需材料,以及按照期刊特定要求排版投稿内容。它弥合了了解优秀研究的标准与系统地开展研究之间的差距。

使用场景

  • 制定研究问题和假设
  • 设计具有适当对照和样本量的实验
  • 开展系统性文献综述
  • 准备稿件以提交同行评审
  • 撰写资助申请或研究计划
  • 评估现有论文的方法论

工作原理

graph TD
    A[Research Question] --> B[Literature Review]
    B --> C[Identify Knowledge Gap]
    C --> D[Formulate Hypothesis]
    D --> E[Design Experiment]
    E --> F[Power Analysis: Sample Size]
    F --> G[Define Controls + Variables]
    G --> H[Ethical Review Preparation]
    H --> I[Data Collection Protocol]
    I --> J[Analysis Plan: Pre-registered]
    J --> K[Execute + Collect Data]
    K --> L[Analyze per Pre-registered Plan]
    L --> M[Write Manuscript]
    M --> N[Peer Review Preparation]

方法流程按顺序进行,并设有阶段门槛:假设必须可证伪,才能设计实验;实验必须具备足够的统计功效,才能收集数据;分析计划必须在开始执行前完成预注册。

实现

class ResearchProtocol:
    def formulate_hypothesis(self, observation: str, literature: list[str]) -> dict:
        return {
            "null_hypothesis": "There is no significant difference between...",
            "alternative_hypothesis": "Treatment X increases Y by at least Z...",
            "falsifiability": "This hypothesis is falsifiable because...",
            "variables": {
                "independent": ["Treatment type (A vs B vs control)"],
                "dependent": ["Measured outcome Y"],
                "controlled": ["Age, sex, baseline Z"],
                "confounding": ["Prior exposure to X"],
            },
        }

    def power_analysis(self, effect_size: float, alpha: float = 0.05, power: float = 0.80) -> dict:
        from statsmodels.stats.power import TTestIndPower
        analysis = TTestIndPower()
        n = analysis.solve_power(effect_size=effect_size, alpha=alpha, power=power)
        return {
            "required_n_per_group": int(np.ceil(n)),
            "total_n": int(np.ceil(n)) * 2,
            "effect_size": effect_size,
            "alpha": alpha,
            "power": power,
            "recommendation": f"Recruit {int(np.ceil(n * 1.2))} per group to account for 20% attrition",
        }

    def literature_search(self, topic: str) -> dict:
        return {
            "databases": ["PubMed", "Scopus", "Web of Science"],
            "query": f'("{topic}") AND (randomized OR controlled) AND ("2020"[Date] : "2026"[Date])',
            "inclusion_criteria": [
                "Peer-reviewed original research",
                "English language",
                "Human subjects",
                "Published 2020-2026",
            ],
            "exclusion_criteria": [
                "Review articles (captured separately)",
                "Case reports (n < 10)",
                "Non-peer-reviewed preprints",
            ],
            "prisma_flow": "Record screening, eligibility, and inclusion counts per PRISMA 2020",
        }

    def experimental_design(self, hypothesis: dict) -> dict:
        return {
            "design": "Randomized controlled trial, double-blind, parallel group",
            "randomization": "Block randomization with variable block sizes (4, 6, 8)",
            "blinding": "Participants and assessors blinded; unblinded statistician",
            "primary_outcome": hypothesis["variables"]["dependent"][0],
            "secondary_outcomes": [],
            "timeline": "Baseline → 4 weeks intervention → 8 weeks follow-up",
            "analysis_plan": "Pre-registered at OSF.io before data collection",
        }

最佳实践

  • 在收集数据前预注册分析计划,以防止 p 值操纵
  • 在设计阶段进行统计功效分析,而不是在收集数据后进行
  • 系统性综述使用 PRISMA 指南,临床试验使用 CONSORT 指南
  • 使用引文管理工具(Zotero、Mendeley)维护持续更新的文献数据库
  • 在报告中区分探索性分析和验证性分析
  • 设置局限性部分,坦诚说明方法论上的不足

平台兼容性

平台支持情况备注
Cursor完全支持方案 + 分析代码
VS Code完全支持LaTeX + Python 集成
Windsurf完全支持支持研究工作流
Claude Code完全支持方法论指导
Cline完全支持生成研究方案
aider部分支持代码级支持

相关技能

关键词

research-methodology hypothesis-generation experimental-design literature-review power-analysis pre-registration peer-review prisma


© 2026 googleadsagent.ai™ | Agent Skills™ | MIT License

评论

支持 Markdown