Communitygithub.com

Wissenschaftliche Evaluierung

Strukturierte Bewertung wissenschaftlicher Arbeiten wie Paper, Vorschläge, Literaturübersichten, Methodenteile, Evidenzqualität, Zitierunterstützung und Forschungsschreibfeedback. Verwenden Sie diese Fähigkeit, wenn Sie akademische oder wissenschaftliche Arbeiten – Paper, Vorschläge, Methodenteile oder Evidenzqualität – anhand eines wiederholbaren Bewertungsrasters evaluieren.

Was ist Wissenschaftliche Evaluierung?

Diese Fähigkeit ermöglicht eine systematische und reproduzierbare Evaluierung wissenschaftlicher Arbeiten, basierend auf einem detaillierten Kriterienkatalog. Sie bewertet neun Dimensionen wie Problemstellung, Methodik, Datenqualität, Analyse, Ergebnisse und Zitierungen auf einer Skala von 1 bis 5. Entwickelt für Forschende, Gutachter und Autoren, bietet sie eine konsistente Bewertungsstruktur, die sowohl umfassende als auch zielgerichtete Analysen unterstützt. Die Fähigkeit eignet sich für diverse Artefakte – von empirischen Forschungsarbeiten über systematische Reviews bis hin zu Förderanträgen und Dissertationen – und kann auf vergleichende Reviews oder tiefgehende Einzelkritiken angewendet werden. Sie ist plattformunabhängig und als Skill für KI-gestützte Codierungsassistenten wie Claude Code, Cursor oder Codex konzipiert.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/scientific-thinking-scholar-evaluation

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Wissenschaftliche Evaluierung?

Verwenden Sie diese Fähigkeit, um akademische oder wissenschaftliche Arbeiten mit einem wiederholbaren Bewertungsraster zu evaluieren.

Verwendung

  • Überprüfung eines Forschungsartikels, Vorschlags, Dissertationskapitels oder einer Literaturübersicht.
  • Prüfung, ob Behauptungen durch zitierte Belege gestützt werden.
  • Bewertung der Methodik, des Studiendesigns, der Analyse oder der Einschränkungen.
  • Vergleich von zwei oder mehr Artikeln hinsichtlich Qualität oder Relevanz.
  • Erstellung strukturierten Feedbacks zur Überarbeitung.

Evaluierungsumfang

Beginnen Sie mit der Identifizierung des Artefakts:

  • empirischer Forschungsartikel
  • theoretischer Artikel
  • technischer Bericht
  • systematische oder narrative Literaturübersicht
  • Forschungsvorschlag
  • Kapitel einer Dissertation oder Abschlussarbeit
  • Konferenzabstract oder Kurzbeitrag

Wählen Sie dann den Umfang:

  • umfassend: alle Bewertungsdimensionen
  • zielgerichtet: eine oder zwei Dimensionen, z. B. Methodik oder Zitierungen
  • vergleichend: mehrere Arbeiten anhand desselben Rasters bewerten

Bewertungsraster

Bewerten Sie jede zutreffende Dimension von 1 bis 5:

  • 5: hervorragend; klar, rigoros und publikationsreif
  • 4: gut; geringfügige Verbesserungen nötig
  • 3: ausreichend; bedeutende Lücken, aber nutzbar
  • 2: schwach; erhebliche Überarbeitung nötig
  • 1: mangelhaft; schwerwiegende Validitäts- oder Klarheitsprobleme

Verwenden Sie N/V für Dimensionen, die nicht zutreffen.

1. Problemstellung und Forschungsfrage

  • Ist das Problem klar und spezifisch?
  • Ist der Beitrag bedeutsam?
  • Sind Umfang und Annahmen explizit?
  • Passt die Frage zum beanspruchten Beitrag?

2. Literatur und Kontext

  • Wird relevante Vorarbeit abgedeckt?
  • Synthetisiert die Arbeit, anstatt nur Quellen aufzulisten?
  • Werden Lücken genau identifiziert?
  • Sind aktuelle und grundlegende Quellen ausgewogen?

3. Methodik

  • Beantwortet die Methode die Forschungsfrage?
  • Sind Designentscheidungen gerechtfertigt?
  • Sind Variablen, Datensätze, Teilnehmer oder Materialien klar beschrieben?
  • Könnte ein anderer Forscher die Arbeit reproduzieren?
  • Werden ethische und praktische Einschränkungen anerkannt?

4. Daten und Evidenz

  • Sind Datenquellen glaubwürdig und angemessen?
  • Ist die Stichprobengröße oder Korpusabdeckung ausreichend?
  • Sind Entscheidungen zu Einschluss, Ausschluss und Vorverarbeitung dokumentiert?
  • Werden fehlende Daten und Verzerrungsrisiken diskutiert?

5. Analyse

  • Sind statistische, qualitative oder computergestützte Methoden angemessen?
  • Sind Baselines und Kontrollen fair?
  • Werden bei Bedarf Unsicherheits-, Sensitivitäts- oder Robustheitsprüfungen durchgeführt?
  • Werden alternative Erklärungen in Betracht gezogen?

6. Ergebnisse und Interpretation

  • Sind Ergebnisse klar dargestellt?
  • Bleiben Behauptungen im Rahmen der Evidenz?
  • Sind Abbildungen, Tabellen und Metriken verständlich?
  • Werden negative oder Nullergebnisse ehrlich behandelt?

7. Einschränkungen und Gefahren für die Validität

  • Sind Einschränkungen spezifisch statt allgemein?
  • Werden Risiken für interne, externe, Konstrukt- und Schlussfolgerungsvalidität angesprochen?
  • Unterscheidet das Papier zwischen Spekulation und nachgewiesenen Ergebnissen?

8. Schreiben und Struktur

  • Ist das Argument leicht nachvollziehbar?
  • Sind Abschnitte um die Forschungsfrage organisiert?
  • Sind Definitionen und Notation klar?
  • Ist der Ton präzise und wissenschaftlich?

9. Zitierungen

  • Unterstützen die zitierten Arbeiten die ihnen zugeordneten Behauptungen?
  • Werden nach Möglichkeit Primärquellen verwendet?
  • Werden Übersichtsarbeiten als solche gekennzeichnet?
  • Werden Preprints als Preprints gekennzeichnet?
  • Sind Zitierungsmetadaten und Links korrekt?

Überprüfungsprozess

  1. Lesen Sie Abstract, Einleitung, Abbildungen und Fazit für den beanspruchten Beitrag.
  2. Lesen Sie Methoden und Ergebnisse für die Evidenzqualität.
  3. Überprüfen Sie die stärksten Behauptungen anhand der zitierten Quellen.
  4. Bewerten Sie jede zutreffende Dimension.
  5. Trennen Sie kritische Hindernisse von Überarbeitungsvorschlägen.
  6. Enden Sie mit konkreten nächsten Schritten.

Ausgabevorlage

# Wissenschaftliche Evaluierung: <Artefakt>

## Gesamtbewertung

- Gesamtpunktzahl: <1-5 oder N/V>
- Konfidenz: <hoch | mittel | niedrig>
- Zusammenfassung: <3-5 Sätze>

## Dimensionsbewertungen

| Dimension | Punktzahl | Evidenz | Überarbeitungspriorität |
| --- | ---: | --- | --- |
| Problem und Frage |  |  |  |
| Literatur und Kontext |  |  |  |
| Methodik |  |  |  |
| Daten und Evidenz |  |  |  |
| Analyse |  |  |  |
| Ergebnisse und Interpretation |  |  |  |
| Einschränkungen |  |  |  |
| Schreiben und Struktur |  |  |  |
| Zitierungen |  |  |  |

## Kritische Probleme

## Empfohlene Überarbeitungen

## Erforderliche Evidenzprüfungen

Fallstricke

  • Verwenden Sie die Punktzahl nicht als Ersatz für konkretes Feedback.
  • Bestrafen Sie ein Papier nicht für das Fehlen einer Dimension außerhalb seines Rahmens.
  • Behandeln Sie Zitierzahl, Veröffentlichungsort oder Autorenreputation nicht als Qualitätsnachweis.
  • Akzeptieren Sie keine unbelegten Behauptungen, nur weil sie im Abstract erscheinen.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills