Communitygithub.com

Scholar-Evaluation

Strukturierte Bewertung wissenschaftlicher Arbeiten für Paper, Anträge, Literaturüberblicke, Methodenteile, Evidenzqualität, Zitierunterstützung und Rückmeldungen zum wissenschaftlichen Schreiben. Verwenden Sie diese Fähigkeit, wenn Sie akademische oder wissenschaftliche Arbeiten – Paper, Anträge, Methodenteile oder Evidenzqualität – anhand einer wiederholbaren Bewertungsmatrix bewerten.

Was ist Scholar-Evaluation?

Diese Fähigkeit ermöglicht eine systematische und wiederholbare Bewertung wissenschaftlicher Arbeiten wie Forschungsartikel, Anträge, Thesenkapitel und Literaturüberblicke. Sie bietet eine detaillierte Rubrik mit neun Bewertungsdimensionen – darunter Problemstellung, Methodik, Evidenz und Zitierungen – die jeweils auf einer Skala von 1 bis 5 bewertet werden. Die Fähigkeit unterstützt sowohl umfassende als auch gezielte Bewertungen sowie vergleichende Analysen mehrerer Arbeiten. Sie ist für Plattformen wie Claude Code, Cursor und Codex geeignet und folgt einem klaren Überprüfungsprozess, der von der Lektüre der Zusammenfassung bis zur konkreten Überarbeitungsempfehlung reicht. Entwickler und KI-Agenten-Nutzer können diese Fähigkeit nutzen, um qualitativ hochwertiges, strukturiertes Feedback zu generieren, das Publikationsreife, methodische Strenge und Evidenzqualität objektiv beurteilt.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 Scholar-Evaluation?

Verwenden Sie diese Fähigkeit, um akademische oder wissenschaftliche Arbeiten mit einer wiederholbaren Bewertungsmatrix zu bewerten.

Wann verwenden

  • Überprüfung eines Forschungsartikels, Antrags, Thesenkapitels oder Literaturüberblicks.
  • Prüfung, ob Behauptungen durch zitierte Nachweise gestützt werden.
  • Bewertung von Methodik, Studiendesign, Analyse oder Einschränkungen.
  • Vergleich von zwei oder mehr Arbeiten hinsichtlich Qualität oder Relevanz.
  • Erstellung strukturierten Feedbacks zur Überarbeitung.

Bewertungsumfang

Identifizieren Sie zunächst das Artefakt:

  • empirischer Forschungsartikel
  • theoretischer Artikel
  • technischer Bericht
  • systematischer oder narrativer Literaturüberblick
  • Forschungsantrag
  • Abschlussarbeit oder Dissertationskapitel
  • Konferenzabstract oder Kurzbeitrag

Wählen Sie dann den Umfang:

  • umfassend: alle Rubrik-Dimensionen
  • gezielt: eine oder zwei Dimensionen, z. B. Methode oder Zitierungen
  • vergleichend: mehrere Arbeiten gegen dieselbe Rubrik bewerten

Rubrik

Bewerten Sie jede anwendbare Dimension von 1 bis 5:

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

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

1. Problem 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 begründet?
  • Werden Variablen, Datensätze, Teilnehmer oder Materialien klar beschrieben?
  • Könnte eine andere Forscherin die Arbeit reproduzieren?
  • Werden ethische und praktische Einschränkungen anerkannt?

4. Daten und Evidenz

  • Sind die 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 rechnerische Methoden angemessen?
  • Sind Baselines und Kontrollen fair?
  • Werden gegebenenfalls Unsicherheits-, Sensitivitäts- oder Robustheitsprüfungen durchgeführt?
  • Werden alternative Erklärungen berücksichtigt?

6. Ergebnisse und Interpretation

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

7. Einschränkungen und Bedrohungen der Gültigkeit

  • Sind Einschränkungen spezifisch und nicht allgemein?
  • Werden Risiken für interne, externe, Konstrukt- und Schlussfolgerungsvalidität adressiert?
  • Unterscheidet das Papier zwischen Spekulation und demonstrierten 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 daran geknüpften Behauptungen?
  • Werden wo möglich Primärquellen verwendet?
  • Sind Übersichtsarbeiten als solche gekennzeichnet?
  • Sind Preprints als Preprints gekennzeichnet?
  • Sind Zitationsmetadaten 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 anwendbare Dimension.
  5. Trennen Sie kritische Hindernisse von Überarbeitungsvorschlägen.
  6. Enden Sie mit konkreten nächsten Änderungen.

Ausgabevorlage

# Scholar-Evaluation: <Artefakt>

## Gesamtbewertung

- Gesamtpunktzahl: <1-5 oder N/A>
- Vertrauen: <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 dafür, dass es eine Dimension außerhalb seines Rahmens weglässt.
  • Behandeln Sie Zitierhäufigkeit, Publikationsort oder Autorenreputation nicht als Qualitätsnachweis.
  • Akzeptieren Sie unbelegte Behauptungen nicht nur, weil sie im Abstract auftauchen.

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Verwandte Skills