Communitygithub.com

1anj/academic-integrity-skill

Fähigkeit zur Durchführung eines Selbst-Audits zur akademischen Integrität, inspiriert von Gen Tongxue, für Manuskripte, Revisionen, Bedenken nach der Veröffentlichung und interne Laborüberprüfungen, auch für Nature/Nature Portfolio-Einreichungen.

Was ist academic-integrity-skill?

Diese Fähigkeit ermöglicht Autoren, Redakteuren, Gutachtern und Forschungsgruppen, eine gründliche Selbstprüfung der akademischen Integrität durchzuführen. Sie deckt den gesamten Prozess ab – von der Manuskript- und Bildanalyse bis zur Überprüfung von Methoden, Daten und Zitaten. Das besondere Merkmal ist der ausgewogene Ansatz, der klare Beweise von bloßem Verdacht trennt und stets den Dialog sowie eine Korrektur anstelle von öffentlichen Anschuldigungen fördert. Der Arbeitsablauf ist modular aufgebaut und umfasst eine Reihe von Skripten (z. B. für numerische Bildschirme, Bildähnlichkeitsprüfungen, Blot-Tests, statistische Konsistenz), die in jeder CI/CD-Pipeline oder direkt über die Befehlszeile ausgeführt werden können. Die Ergebnisse werden in einem standardisierten JSON-Format ausgegeben und können in einem einheitlichen Markdown-Bericht zusammengefasst werden. Diese Fähigkeit eignet sich ideal für KI-Agenten wie Claude Code, Cursor oder Codex, die durch eine API gesteuert werden oder in einer lokalen Entwicklungsumgebung laufen. Sie hilft, die Einhaltung der Richtlinien von Nature/Nature Portfolio zu gewährleisten und gleichzeitig das Risiko von Herstellungs-, Fälschungs- oder Bildmanipulationsvorwürfen zu minimieren.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add 1anj/academic-integrity-skill

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Geng Academic Integrity Audit

Nutzen Sie diese Fähigkeit, um Autoren, Herausgebern, Gutachtern oder Forschungsgruppen bei der Durchführung von Selbstprüfungen zur akademischen Integrität für Manuskripte, Revisionen, Bedenken nach der Veröffentlichung und interne Laborüberprüfungen, einschließlich Einreichungen bei Nature/Nature Portfolio, zu unterstützen. Ziel ist die korrekte Selbstkontrolle, nicht die öffentliche Anschuldigung. Berichten Sie Beweise präzise, trennen Sie bestätigte Fakten von Verdachtsmomenten und unterscheiden Sie zwischen ehrlichen Fehlern, unzureichender Berichterstattung, fragwürdigen Forschungspraktiken und möglicher Herstellung oder Fälschung.

Kernhaltung

  • Seien Sie gründlich, bevor Sie scharf werden: Jeder Bedenken benötigt eine Stelle, eine Beobachtung, eine Regel, einen Schweregrad und eine plausible alternative Erklärung.
  • Nennen Sie niemanden Betrüger. Sagen Sie: "Dieses Beweismuster ist vereinbar mit ...", "erfordert eine Erklärung des Autors" oder "erfüllt die Schwelle für eine formelle Untersuchung".
  • Verwenden Sie die Stimme "Gen Tongxue" nur als kurze optionale Schlussbemerkung. Halten Sie sich an Beweise und vermeiden Sie persönliche Beleidigungen.
  • Wenn nur Text verfügbar ist, geben Sie an, dass Bildintegrität und Rohdatenkonsistenz nicht vollständig überprüft werden können.
  • Wenn öffentlicher Webzugang verfügbar ist und das Manuskript veröffentlicht wurde, überprüfen Sie die DOI/den Titel anhand der offiziellen Zeitschriftenseiten, PubPeer, Retraction Watch, Korrekturen, Besorgniserklärungen sowie Daten-/Code-Repositories. Bevorzugen Sie Primär- oder offizielle Quellen.

Aufnahme

Fragen Sie nach oder leiten Sie das Prüfungspaket ab:

  • Manuskript/PDF, ergänzende Informationen, Bildlegenden, Methoden, Berichtszusammenfassung sowie Daten-/Code-Verfügbarkeitserklärung.
  • Endgültige Abbildungen plus unbeschnittene Quellbilder für Gele/Blots/Mikroskopie/Durchflusszytometrie.
  • Aus Grafiken/Tabellen extrahierte numerische Werte als CSV/XLSX, wo möglich.
  • Ethikgenehmigungen, Studienregistrierung, Begründung des Stichprobenumfangs/der statistischen Power, Randomisierungs-/Verblindungsprotokolle, Reagenzienkennungen sowie Autorenbeitrags-/Interessenkonflikterklärungen.
  • Jegliches Bedenken-Schreiben, Gutachtervermerk, PubPeer-Thread, Korrekturentwurf oder Zeitschriftenanfrage.

Wenn der Benutzer eine numerische CSV/XLSX-Datei bereitstellt, führen Sie die integrierte Überprüfung durch:

python3 scripts/geng_numeric_screen.py pfad/zu/daten.csv --format markdown --output geng-numeric-screen.md

Verwenden Sie die Skriptausgabe nur als Screening-Nachweis; interpretieren Sie sie im wissenschaftlichen Kontext.

Wenn der Benutzer ein vollständiges Manuskriptpaket-Verzeichnis bereitstellt, erfassen Sie zunächst, was verfügbar ist: Manuskript, ergänzende Informationen, Quelldaten, endgültige Abbildungen, Quellbilder, Ethik-/Genehmigungsdateien, Studienregistrierungen, Code, Protokolle und Korrespondenz. Fehlende Materialien müssen im endgültigen Bericht erscheinen.

Kombinierter Prüfungsrahmen

Führen Sie die Prüfung über diese integrierten Regelgruppen durch:

  • Geng-Stil sechs Schritte: Bildwiederverwendung, fabriziert wirkende numerische Daten, Bildspleißen, statistische Anomalie, Publikationsoutput-Anomalie und Zitier-/Methodenanomalie.
  • Fünf-Domänen-Überprüfung: Daten/Ergebnisse, Bilder/Abbildungen, Methodenstrenge, Struktur/Zitate, Autoren/Zeitschrift.
  • Drei numerische Bildschirme: Endziffernverteilung, Dezimalmusterkonsistenz und exakte/nahe Datenduplikation.

Absolvieren Sie immer alle Domänen. Wenn keine Nachweise verfügbar sind, markieren Sie die Domäne als "nicht bewertbar" und geben Sie an, welche Dateien benötigt würden.

Zeitschriften- und Nature Policy Gates

Verwenden Sie diese als Einreichungsbereitschafts- und Korrekturbereitschafts-Checkliste:

  1. Bildintegrität: Abbildungen minimal bearbeitet; keine undeklarierten Klon-/Heilungs-/Retuschen; nur globale Anpassungen; keine versteckten Spuren-Spleiße; Gel-/Blot-Quellbilder aufbewahrt und mit endgültigen Panels abgeglichen; Legenden geben Zuschneiden, Spuranordnung, Pseudofarbe, Gamma/Thresholding, Dekonvolution und nicht-adjazente Gegenüberstellung an.
  2. Daten, Code, Materialien und Protokolle: Eine Datenverfügbarkeitserklärung existiert; Mindestdaten zur Überprüfung und Erweiterung der Behauptungen sind zugänglich oder Einschränkungen sind begründet; Zugangs-IDs/Repository-Links funktionieren; Code und Protokolle sind verfügbar, wenn sie für die Replikation benötigt werden.
  3. Berichtsstandards: Randomisierung, Verbindung, Ausschlüsse, Stichprobenumfangsbestimmung, Replikation, statistische Tests, Softwareversionen und Schlüsselreagenzien-/Materialkennungen werden berichtet.
  4. Ethik und Registrierung: Human-/Tier-/Klinik-/Biosicherheitsgenehmigungen sind vorhanden und mit der Arbeit konsistent; klinische Studien sind prospektiv registriert, wo erforderlich; Einwilligung und Datenschutzgrenzen werden erläutert.
  5. Autorenschaft und Verantwortlichkeit: Alle Autoren haben das Manuskript genehmigt, Autorenbeiträge sind spezifisch, die Verantwortlichkeiten des korrespondierenden Autors sind klar, und alle Autoren können bei der Klärung von Integritätsfragen helfen.
  6. Interessenkonflikte und Finanzierung: Finanzielle und nicht-finanzielle Interessen werden erklärt; die Rolle des Geldgebers wird angegeben; undeklarierte Industrie-, Patent-, Beratungs- oder Herausgebergremien-Konflikte werden gekennzeichnet.
  7. Plagiat, Überlappung und doppelte Veröffentlichung: Überlappung mit in-Review-, in-Press-, Preprint-, Konferenz- oder früheren Gruppenarbeiten wird offengelegt; wiederverwendeter Text/Daten/Abbildungen haben Genehmigung und Zitierung.
  8. Korrekturen und Rücknahmen: Wenn ein wesentlicher Fehler gefunden wird, klassifizieren Sie, ob er eine Autorenkorrektur, Benachrichtigung des Herausgebers, Diskussion einer Besorgniserklärung oder Rücknahme/institutionelle Untersuchung erfordert.

Detaillierte Prüfungen

1. Daten und Ergebnisse

Überprüfen Sie:

  • Mittelwert/SD/SEM/n-Konsistenz; p-Werte kompatibel mit berichteten Tests und Stichprobengrößen.
  • Zu perfekte Dosis-Wirkungs-Kurven, unplausibel kleine Varianzen, identische SDs, konstante Unterschiede zwischen Spalten, unmögliche Konfidenzintervalle und gerundete p-Werte bei verdächtigen Schwellenwerten.
  • P-Hacking-Muster: viele p-Werte knapp unter 0,05, keine Nullergebnisse, selektive Subgruppenberichterstattung, multiple Tests ohne Korrektur.
  • Basistabellen, die unmöglich ausgewogen sind oder alle nicht signifikant sind, obwohl das Gleichgewicht variieren sollte.
  • Biologische oder physikalische Plausibilität: Effektgröße vs. bekanntes Assay-Rauschen, Instrumentengrenzen, Nachweisgrenzen und Zeitpunkt.
  • Verfügbarkeit von Rohdaten und ob Quelldaten geplottete Werte reproduzieren.

Numerische Screening-Schwellenwerte:

  • Endziffern-Chi-Quadrat über dem kritischen Wert von 0,05 für 9 df ist verdächtig; für Spalten mit mindestens 20 Werten auch Cramer's V größer als 0,3 oder eine Endziffernhäufigkeit von mehr als dem 2-fachen Erwartungswert.
  • Dezimalpräfix-Duplikation: mehr als 5 wiederholte Gruppen, maximale Wiederholungszahl mindestens 3 oder Wiederholungsrate über 15 % ist verdächtig.
  • Exakte doppelte Werte: mehr als 5 duplizierte Werte oder jeder Wert, der mindestens 3 Mal in unabhängigen kontinuierlichen Messungen wiederholt wird, ist verdächtig.
  • Eskalieren Sie, wenn mehrere unabhängige Bildschirme auf dieselbe Abbildung/Tabelle oder eine Kernschlussfolgerung hinweisen.

Skriptgestützte Prüfungen

Verwenden Sie deterministische Skripte, wenn ihre Eingaben verfügbar sind. Skripte liefern Screening-Nachweise, keine Fehlverhaltensfeststellungen. Bewahren Sie Befehl, Eingabepfad, Ausgabepfad und Interpretationsgrenzen im Bericht auf.

Verfügbare Skriptsuite:

SkriptVerwenden, wennAusgabe
scripts/geng_numeric_screen.pyNumerische Werte aus Abbildungen/Tabellen als CSV/TSV/XLSX/stdin verfügbar sind.Markdown/JSON-Bildschirm für Endziffern, Dezimalpräfix-Wiederholung und exakte doppelte Werte.
scripts/package_audit.pyEin Manuskriptpaket-Verzeichnis verfügbar ist.Checkliste für fehlende Materialien für Manuskript, SI, Quelldaten, Quellbilder, Ethikdateien, Code und Verfügbarkeitserklärungen.
scripts/figure_manifest_builder.pyEndgültige Abbildungen, ergänzende Abbildungen oder Quellbilder verfügbar sind.Abbildungs-/Quellbild-Manifest mit Dateinamen, Abmessungen, Hashes, Kategorien und optionalem CSV-Export.
scripts/image_similarity_screen.pyMehrere wissenschaftliche Bilder einer Duplikats-/Wiederverwendungsprüfung bedürfen.Kandidaten für wiederholte Bilder, transformierte Wiederverwendungspaare, Ähnlichkeitswerte und Beweisdateien.
scripts/blot_gel_lane_audit.pyWestern-Blot- oder Gelbilder verfügbar sind.Bericht zur Spurgrenzen- und wiederholten Spurenprüfung.
scripts/graph_source_consistency.pyQuelldaten und berichtete zusammenfassende Diagrammdaten verfügbar sind.Mittelwert/SD/SEM/n-Diskrepanzen zwischen Quelle und berichteten Werten.
scripts/stats_consistency_check.pyRohdaten verfügbar sind.Neuberechnete deskriptive Statistiken und Nullvarianz-Flags.
scripts/microscopy_reuse_screen.pyMikroskopiebilder verfügbar sind.Kachel-Level-Wiederverwendungs-/Lokalklon-Kandidatenbericht.
scripts/flow_plot_duplicate_screen.pyDurchflusszytometrie-Plotbilder verfügbar sind.Bericht über duplizierte Punktwolken-/Gatebild-Kandidaten.
scripts/citation_integrity_check.pyReferenztext, BibTeX, RIS oder DOI-Listen verfügbar sind.Offline-DOI-, Doppelreferenz- und Rücknahmekennzeichen-Bildschirm.
scripts/report_assembler.pyMehrere Skript-JSON-Ausgaben verfügbar sind.Einheitliches Markdown-Beweisregister und Skript-Level-Prüfungsbericht.

Geteilter Vertrag für alle Skripte:

  • Bevorzugen Sie --format markdown|json und --output.
  • JSON-Ausgaben sollten tool, input, findings, risk_level, evidence_files und limitations enthalten, wenn das Skript diese unterstützt.
  • Wenn eine erforderliche Eingabe nicht verfügbar ist, führen Sie die entsprechende Prüfung manuell durch, wo möglich, und markieren Sie sie als "manuell/nicht skriptgestützt".

2. Bilder und Abbildungen

Überprüfen Sie:

  • Panelübergreifende Wiederverwendung: Dasselbe oder fast dasselbe Bild repräsentiert unterschiedliche Proben, Gruppen, Zeitpunkte, Behandlungen, Vergrößerungen, Färbungen, Kanäle, Replikate oder Arbeiten.
  • Transformationsgetarnte Wiederverwendung: Duplizierte Panels nach Rotation, Spiegelung, Größenänderung, Streckung, Kontraständerungen, Zuschneiden, lokaler Maskierung, Pseudofarbenkonvertierung oder teilweiser Überlappung.
  • Hintergrund-Fingerabdrücke: Identischer Staub, Kratzer, Kammerrauschen, Gel-Sprenkel, Blot-Hintergrundtextur, Mikroskop-Felddefekte, Blasen, Ablagerungen oder Zellcluster in angeblich unabhängigen Bildern.
  • Western-Blots/Gele: Wiederverwendete Ladekontrollen, wiederholte Banden, geklonte Spuren, nicht-adjazentes Spurenspleißen, vertikale Grenzlinien, inkonsistenter Hintergrund, abrupte Belichtungsänderungen, fehlende Molekulargewichtsmarker, zugeschnittene Quellscans, die relevante Banden auslassen, und endgültige Panels, die nicht auf unbeschnittene Originale zurückverfolgt werden können.
  • Blot-Spurintegrität: Banden sollten mit der korrekten Probenreihenfolge, Quellmembranen, Belichtung, Normalisierung und Quantifizierung übereinstimmen. Kennzeichnen Sie duplizierte Beta-Actin/GAPDH/Tubulin-Kontrollen in nicht verwandten Experimenten, es sei denn, die Wiederverwendung ist ausdrücklich gültig und offengelegt.
  • Mikroskopie: Dieselben Zellen/der gleiche Hintergrund, die/der unter Bedingungen wiederverwendet wird; rotierte/gespiegelte Felder; geklonte Zellen oder Geweberegionen; inkonsistente Kanalüberlagerung; undeklariertes Thresholding, Entrauschen, Dekonvolution, Gamma-Änderungen, Pseudofarbe oder selektive Feldwahl.
  • Durchflusszytometrie: Duplizierte Punktwolken, kopierte Quadranten/Gates, zu regelmäßige Verteilungen, inkonsistente Kompensation, fehlende Gating-Hierarchie, wiederverwendete Isotyp-/FMO-Kontrollen und Populationsprozentsätze, die nicht mit den angezeigten Plots übereinstimmen.
  • Kolonie-, Wundheilungs-, Migrations-, Invasions-, Tier-, Histologie- und Mikroskopie-Panels: Wiederholte Kolonien, wiederholte Wundränder, wiederholte Gewebearchitektur, duplizierte Tierbilder, inkonsistente Maßstabsbalken und Sichtfeldabweichungen.
  • Diagramme und statistische Abbildungen: Diagrammwerte inkonsistent mit Quelltabellen, irreführende Achsen, fehlende Einheiten, nicht-nullte Baseline zur Übertreibung von Effekten, ungleicher Teilungsabstand, fehlende Fehlerbalkendefinitionen, asymmetrische oder unplausibel winzige Fehlerbalken und duplizierte Punkte über Panels hinweg.
  • Offenlegung von zusammengesetzten Abbildungen: Jeder Zuschnitt, jede Spurenentfernung, jede nicht-adjazente Gegenüberstellung, jede Vergrößerungsänderung und jede repräsentative Bildauswahl sollte in der Legende oder den Methoden offengelegt werden.
  • Publikations-/Preprint-übergreifende Wiederverwendung: Vergleichen Sie Abbildungen mit Ergänzungen, früheren Versionen, Preprints, Thesenkapiteln, Konferenzzusammenfassungen und früheren Gruppenpublikationen, wenn der Benutzer sie bereitstellt oder nach öffentlichen Prüfungen fragt.

Überprüfungsverfahren:

  1. Erstellen Sie eine Abbildungskarte: Listen Sie jede Abbildung/Unterabbildung, Probenidentität, Bedingung, Vergrößerung, Kanal, Quelldateinamen und Legendenaussage auf.
  2. Vergleichen Sie innerhalb jeder Abbildung, über alle Abbildungen hinweg und über ergänzende Elemente hinweg auf wiederholte Formen, Hintergründe, Kontrollen und geplottete Werte.
  3. Fragen Sie nach Quellbildern, wenn Duplikation, Spleißen oder Bearbeitung aus dem PDF nicht aufgelöst werden können. Bewahren Sie Dateinamen und Metadaten, wenn sie bereitgestellt werden.
  4. Behandeln Sie eine einzelne mehrdeutige Ähnlichkeit als Flag, das eine Quelldatenüberprüfung erfordert; eskalieren Sie nur, wenn die Wiederverwendung materiell, undeklariert und inkonsistent mit dem behaupteten Experiment ist.

Schweregradleitfaden:

  • Geringfügig: unvollständige Legendenoffenlegung, fehlende Quellbildbeschriftung, mehrdeutiger Zuschnitt.
  • Schwerwiegend: undeklariertes Spleißen, wiederholte Ladekontrollen über verschiedene Experimente hinweg, endgültige Abbildung nicht auf Rohbild zurückverfolgbar.
  • Kritisch: Dasselbe Bild oder dieselbe Datenplatte stellt unterschiedliche experimentelle Bedingungen ohne Offenlegung dar, lokales Klonen/Retuschieren verbirgt oder erzeugt Signal.

3. Methodenstrenge

Überprüfen Sie:

  • Experimentelle Kontrollen, Randomisierung, Verbindung, Ausschlusskriterien, biologische vs. technische Replikate und unabhängige Replikation.
  • Begründung des Stichprobenumfangs/der statistischen Power und ob n sich zwischen Ergebnissen ohne Erklärung ändert.
  • Annahmen des statistischen Modells, Korrektur für multiples Testen, Logik von gepaart/ungepaart, Handhabung von Kovariaten, Umgang mit fehlenden Daten und vorgegebene Analysen.
  • Reagenzien/Antikörper/Zelllinien: Katalognummern, RRIDs, Chargen, Validierung, STR-Profilierung, Mykoplasmentests, Spezies/Stamm/Geschlecht/Alter.
  • Code/Softwareversionen, Parameter, Seeds, Vorverarbeitung, Normalisierung, Ausreißerregeln und Pipeline-Herkunft.
  • Interne Konsistenz: Methoden stimmen mit Ergebnissen, Abbildungen, Ergänzungen, Daten, Ethikgenehmigungen und verfügbaren Materialien überein.

4. Struktur, Zitate und Behauptungen

Überprüfen Sie:

  • Jede Hauptbehauptung ist einem Ergebnis zugeordnet und jedes Ergebnis Daten.
  • Zitate stützen die genannte Behauptung, nicht nur das Thema.
  • Zurückgezogene oder mit Besorgniserklärung versehene Arbeiten werden identifiziert und angemessen behandelt.
  • Überzitierung, irrelevante Zitataufblähung, übermäßige Selbstzitierung oder Zitierkartellmuster.
  • Sprachliche Übertreibung: "erster", "endgültig", "paradigmenwechselnd" oder klinische Behauptungen ohne ausreichende Beweise.
  • Überlappung mit früheren/Preprint-/Konferenzarbeiten und ob die Neuheit übertrieben dargestellt wird.

5. Autoren, Zeitschrift und Zeitplan

Überprüfen Sie:

  • Anzahl und Expertise der Autoren.
  • ...

[aus Platzgründen gekürzt]

Verwandte Skills