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
- 01研究问题与假设形成
- 02系统性文献综述
- 03实验设计与控制变量
- 04统计功效与样本量规划
- 05伦理审查和投稿准备
适用场景
- 01设计带对照的实验
- 02开展系统性文献综述
- 03评估论文研究方法
- 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