scientific-brainstorming

科学头脑风暴

目的与边界

使用本技能来创建、组织、质疑并以透明方式对候选研究方向进行优先级排序。将每一项输出都视为 提案，而非发现。创造力方法可以改变参与度和想法产出，但没有任何方法能普遍提升原创性、实用性或科学有效性。证据基础及其局限性总结于 references/sources.md。

将以下活动严格区分开来：

• 构思 产生问题、机制、替代方案或研究概念。
• 证据评估 核查可靠文献和数据支持什么。
• 假设验证 需要观察、预测、合适的设计、分析和独立审查；头脑风暴无法验证假设。
• 伦理、生物安全、两用、监管和机构审查 需要相关获授权的审查人员。头脑风暴永远不是批准。
• 临床建议 需要合格的临床医生和针对具体患者的情境。不要将研究想法转化为诊断或治疗指导。

对于由观察驱动的可检验假设，移交给 hypothesis-generation。对于研究架构，使用 experimental-design； 对于样本量，使用 statistical-power；对于现有证据， 使用 literature-review；对于分析，使用 statistical-analysis。

操作规则

1. 将主张标注为 想法、假设、预测、已定位 证据 或 决策。绝不要模糊这些类别。
2. 在让参与者接触他人或 AI 生成的想法之前，先独立生成。面对面轮流发言可能阻碍产出，而 示例可能对后续输出产生锚定。
3. 保留少数观点、负面证据、不确定性和弃权。共识不是真理，票数不是效应量。
4. 记录来源，但不暴露机密、个人、受控或 未发表的信息。
5. 在评分之前定义评估标准和方向。保持原始评分、 理由、范围和分歧可见。
6. 在可行的情况下，在初始独立轮次之后 再检索文献， 然后有意重新开启构思。这可以减少早期锚定，同时避免将 不完整的检索误认为研究空白。
7. 不要自动选择“赢家”。评分是可追溯的决策辅助； 定性判断、不确定性、可行性和伦理关卡仍然具有控制作用。

可复现工作流

1. 界定会话范围

写下一个焦点问题并记录：

• 目的、受众、决策负责人和时间范围；
• 范围内和范围外的主题；
• 真实、假设、可协商或未知的约束；
• 当前知识、未解决的观察和禁止的输出；
• 是否可能涉及人类参与者、动物、临床护理、敏感数据、 病原体、受控技术或环境释放。

如果请求寻求针对具体患者的护理、规避监督、有害 优化，或具有操作可行性的两用细节，停止构思并 转交至相应的专业或机构流程。

2. 有意识地多元化视角

邀请相关的方法学、领域、实施、统计、安全、 伦理、利益相关者和亲身经验视角。多样性并不是 创造力的保证：说明代表了谁的视角、缺失了谁的视角，或在 结构上处于不利地位的是谁。使用可及的参与方式和 适当的匿名参与者 ID。

主持人应披露利益冲突，避免首先提出偏好答案， 防止资深成员主导，并要求领导者在独立轮次之后贡献意见。

3. 独立生成

给每个人相同的中立提示词、约束条件和固定时间窗口。 参与者在讨论前私下并平行地撰写想法。对于每个想法，记录：

• 一个稳定的 ID 和一句话陈述；
• 贡献者 ID 和阶段（independent、discussion 或 post-check）；
• 来源（human、AI-assisted、literature-inspired、mixed 或 other）；
• 假设、预测观察、不确定性，以及可能的反驳证据；
• 受文献启发的想法的来源标识符，以及 AI 辅助的工具/用途披露。

在这一轮之前不要展示示例解决方案，除非示例是必要的； 如果是必要的，将它们记录为潜在锚点。

4. 分享而不立即评估

使用轮流发言或汇集式静默分享。澄清措辞而不进行倡导。 允许私密或匿名渠道。询问每位参与者缺少什么、 什么与主流框架相矛盾，以及听完小组发言后哪个想法变得不那么明显。

5. 结构化聚类

按明确的关系对想法进行分组，例如共同结果、机制、 人群、规模或方法。保留原始 ID 和文本。记录合并和拆分。措辞相似并不证明语义等价；当想法的假设、干预、人群或预测不同时，保留不同的想法。 参见 references/facilitation_workflows.md。

6. 定义透明标准

在评分之前，定义每个标准、方向、量表锚点、所需证据、冲突和明确权重。常见维度包括：

• 潜在信息增益和具有区分力的预测；
• 与限定问题的相关性；
• 相对于已核查文献的原创性，而不仅仅是相对于在场者；
• 可行性、资源和可逆性；
• 方法学严谨性和对偏差的脆弱性；
• 伦理、安全、公平、双重用途和监管负担；
• 如果结果为无效或与偏好机制相矛盾时的价值。

在评估者不确定时使用范围或置信标签。不要将否决隐藏在平均分中。参见 references/idea_evaluation.md。

7. 进行对抗性审查

为每个入围想法指派一名并非其提出者的审查者。询问：

• 什么观察会使这个想法错误或缺乏信息量？
• 哪种替代解释符合同样的预测结果？
• 什么隐藏依赖、测量失败、混杂因素或选择效应可能占主导？
• 权威、锚定、群体忠诚、发表激励或一项有吸引力的技术是否在驱动偏好？
• 这是否可能造成伤害、加剧不平等、暴露敏感信息或助长滥用？

记录回应、缓解措施、剩余不确定性，以及该想法是否被修订——而不仅仅是通过/未通过。

8. 检查文献和证据

搜索权威数据库、原始研究、方法指南、阴性结果和相邻领域。在来源处核实每一条引用。对于每个想法，记录查询/日期、筛选的来源、支持与反对的证据，以及搜索限制。使用诸如 not-checked、search-incomplete、support-located、challenge-located 或 mixed 的状态。

限定搜索中的缺失并不确立新颖性，支持性文献也不验证新机制。在证据检查后重新开启一轮简短独立的生成。

9. 应用可行性、严谨性和伦理审查关口

推进一个构想之前，先确定适用的领域审查：

• 对生物医学研究，应考虑既往研究的严谨性、稳健的设计、相关生物学变量和资源认证。适用 NIH 政策时，应从研究问题到设计、分析和报告全过程考虑性别作为生物学变量；如研究范围仅限单一性别，应以相关证据说明理由。
• 将涉及人体受试者、动物、生物安全、数据治理、出口管制、临床、环境及其他受监管工作的项目转交相关部门。
• 尽早筛查生命科学和赋能技术构想是否具有双重用途或被滥用的可能。目前美国的监督政策仍在演变；应咨询所在机构并查阅现行机构政策，不要依赖一份固定不变的检查清单。
• 不要将敏感、未发表、专有、受管制或个人信息上传至外部 AI 服务。

伦理或可行性方面的顾虑可能需要重新设计、受控处理或停止推进。创造力评分再高，也不能凌驾于审查关口之上。

10. 作出决定并记录

由承担决策责任的人记录：

• 考虑过的候选方案以及使用的标准／权重；
• 原始评分、不确定性范围、异议、弃权和敏感性分析结果；
• 文献检索和审查日期；
• 审查关口的结论及所需批准；
• 决策、理由、未采用的替代方案、尚未解决的风险、负责人和重新审议的触发条件。

正确标注下一步行动：进一步检索、咨询、模拟、试点设计、方案制定、预注册或不采取行动。如果计划开展验证性研究，应在结果揭晓前预注册假设和分析决策；之后应透明报告偏离预注册的情况和探索性工作。预注册有助于提高透明度，但它不是同行评审、伦理批准，也不能证明研究有效。

偏差与失败防范措施

• 生产阻塞： 口头讨论前，先进行私下并行构思。
• 锚定效应与设计固着： 独立构思环节结束前，不公布负责人给出的答案或 AI 示例；证据审查后重新开放构思。
• 权威与地位效应： 由负责人最后发言、匿名提交意见、独立评分，并明确呈现异议。
• 群体迷思： 指定专门负责提出真正替代方案的角色，邀请外部审查，并记录未采用的选项。应将“群体迷思”视为一类风险，而非公认且普遍确立的单一诊断。
• 评价焦虑： 尽可能将贡献与身份归属分开；批评构想，而不是提出者。
• 过早趋同： 设定固定的发散阶段时长，随后明确切换阶段并采用预先声明的标准。
• 虚假精确： 使用有明确锚点的量表、不确定性范围、敏感性分析和文字审查。
• 夸大研究空白： 记录检索范围，并使用“未找到直接证据”，而非“从未研究过”。
• AI 幻觉或同质化： 先由人类构思，记录来源，独立核实，采用多种非 AI 观点，并比较是否出现可疑的重复框架。参见 references/responsible_ai.md。

可选的本地 CLI

这些脚本是确定性的标准库工具，不会调用网络服务、大模型或科学数据库，也不会得出科学结论。

python scripts/session_scaffold.py --help
python scripts/validate_register.py --help
python scripts/evaluate_matrix.py --help

创建会话登记表：

python scripts/session_scaffold.py \
  --session-id "microbiome-01" \
  --title "Microbiome mechanism ideation" \
  --question "Which mechanisms could explain the scoped observation?" \
  --participant P01 --participant P02 \
  --output session.json

验证结构和来源信息：

python scripts/validate_register.py session.json --output validation.json

从 CSV 计算完全公开权重的加权矩阵，包括评分区间和逐项权重敏感性分析：

python scripts/evaluate_matrix.py scores.csv \
  --config criteria.json \
  --weight-delta 0.10 \
  --output matrix.json

除非明确指定 --force，否则输出操作会拒绝符号链接和已存在的文件；输入和集合大小均设有上限。验证器检查的是结构，而非真实性。矩阵会保留定性审查和不确定性，并将 decision 留空。输入格式和解读方式见 references/idea_evaluation.md。

参考索引

• references/brainstorming_methods.md — 基于证据校准的方法选择、名义小组法、德尔菲法、结构化引导和创意提示。
• references/facilitation_workflows.md — 可直接运行的个人、小组和异步会议流程，以及溯源模板。
• references/idea_evaluation.md — 评估标准、评分公式、不确定性、敏感性分析、关卡和决策日志。
• references/responsible_ai.md — 负责任的 AI 辅助、保密性、幻觉、同质化、披露、双重用途和诚信。
• references/sources.md — 本版本参考的、注明日期的主要研究和官方指南。

Agent 操作流程

1. 检查环境。 明确研究目标、约束（预算、时间、伦理）以及用户需要做出的决策。
2. 明确输入。 确认数据或用户提供的格式、标识符和参数。对于会影响结果的值，应询问而非猜测。
3. 先运行小规模版本。 在展开任何方案之前，提出一份简短的候选方案清单，并明确列出假设。
4. 使用上述说明和参考资料执行完整任务。
5. 验证结果。 明确说明假设，依据明确的标准比较替代方案，并在统计计划中纳入功效和分析选择。
6. 报告。 说明运行了什么（版本、命令、参数）、检查了什么，以及仍有哪些不确定之处。

如果发生这种情况	请这样做
设计选择取决于未知的效应量或成本	提供不同情景（乐观、预期、悲观），而非只给出一个猜测。
这些说明中的函数、标志或端点在已安装版本中不存在	查阅已安装版本自己的文档（help()、--help、官方文档），调整做法并告知用户。切勿虚构 API。
必需的输入、标识符或参数含糊不清	询问用户，或在运行前明确说明假设。

诚信规则

• 切勿捏造结果、参数、标识符、引文或统计数据。如果无法运行或验证某项内容，请直言说明。
• 将推测标注为推测；区分已有证据与新假设。
• 此处的版本特定细节可能已过时：请对照已安装版本的官方文档进行确认。
• 对于会产生费用、占用共享 GPU 或云配额、涉及个人或患者数据，或无法撤销的操作，请先征得同意。

相关技能

• brainstorming-research-ideas：通过结构化构思框架，引导研究人员发现具有高影响力的研究方向。
• hypothesis-generation：提出受证据约束的科学问题、候选假设、竞争性解释、因果或关联性主张，以及具有区分力的 p…
• peer-review：准备受证据约束的建设性同行评审草稿和结构化稿件评估。