Hypothesengenerierung

Wissenschaftliche Hypothesengenerierung

Verwandle eine Beobachtung in einen transparenten Satz von Kandidatenerklärungen und Tests. Eine Hypothese ist ein Vorschlag, der hinterfragt werden soll, kein Ergebnis, keine Tatsache, keine Diagnose oder Empfehlung.

Nicht-verhandelbare Grenzen

Bevor du unveröffentlichtes, sensitives, kontrolliertes, persönliches, proprietäres, exportkontrolliertes oder sicherheitsrelevantes Material verwendest:

1. Bestätige die Autorisierung und die geltenden institutionellen, fördernden, verlegerischen, datenschutzrechtlichen, privatsphärenbezogenen und KI-Richtlinien.
2. Halte das Material lokal, es sei denn, eine autorisierte Person genehmigt ausdrücklich ein benanntes externes Ziel und den Datenumfang.
3. Minimiere die Eingaben. Gib sensitive oder unveröffentlichte Daten nicht ohne Autorisierung in Websuchen oder externe KI-Systeme.
4. Halte an der entsprechenden Human-, Tier-, Biosicherheits-, Dual-Use-, Daten-Governance- oder Regulierungspforte an.

Verwende niemals:

• eine Hypothese, einen Mechanismus, einen Kausaleffekt, ein Zitat oder ein offensichtliches Muster als etablierte Evidenz darzustellen;
• Neuheit zu behaupten, weil eine schnelle Suche nichts gefunden hat;
• Kausalität aus einer Assoziation, zeitlicher Abfolge allein, Vorhersagegenauigkeit oder Modellausgabe abzuleiten;
• patientenspezifische Diagnosen, Behandlungen, Dosen, Prognosen oder andere klinische Ratschläge zu geben;
• schädliche experimentelle Optimierungen oder Betriebsdetails für Krankheitserreger, Toxine, Waffen, Umgehungen oder andere Missbräuche bereitzustellen;
• die IRB/REC-, IACUC-, IBC-, Biosicherheits-, Dual-Use-, Datenschutz-, Rechts- oder Regulierungsprüfung zu umgehen;
• Quellen, Identifikatoren, Suchabdeckungen, Daten, Ergebnisse, Genehmigungen oder Vorregistrierungen zu fabrizieren;
• wissenschaftliche Hypothesen automatisch zu bewerten, zu ordnen, auszuwählen, zu akzeptieren oder abzulehnen.

Wenn eine Anfrage eine Sicherheitspforte überschreitet, erstelle nur eine allgemeine Risiko-/Überwachungsnotiz und leite sie an die zuständige lokale Behörde weiter. Fahre nicht mit Betriebsdetails fort.

Halte die Objekte unterscheidbar

Objekt	Bedeutung
Beobachtung	Was gemessen, bemerkt oder berichtet wurde, mit Herkunft und Unsicherheit
Forschungsfrage	Die beantwortbare Frage, die den Umfang definiert
Hypothese	Ein Kandidat für eine erklärende oder relationale Aussage
Mechanismus	Der vorgeschlagene Prozess, der Bedingungen mit einem Ergebnis verbindet
Kausales Schätzobjekt (Estimand)	Der präzise definierte kausale Kontrast, der geschätzt werden soll
Vorhersage	Eine beobachtbare Implikation, die vor der Überprüfung des Zielergebnisses abgeleitet wurde
Alternative Erklärung	Eine rivalisierende Darstellung, einschließlich Verzerrungen oder nicht-kausaler Erklärungen
Nullhypothese	Ein spezifisches Null-Effekt/Null-Unterschied-Modell, das in einer Analyse verwendet wird
Negativkontrolle	Eine Kontrolle, von der erwartet wird, dass sie nicht über den vorgeschlagenen Mechanismus wirkt
Operationalisierung	Wie ein Konstrukt zu einer Variable, Messung, Intervention oder Kategorie wird
Analyseplan	Vorab festgelegte Transformationen, Modelle, Kontraste, Unsicherheiten und Entscheidungsregeln
Evidenz	Beobachtungen oder Quellen, die für eine Behauptung relevant sind; niemals die Behauptung selbst

Diese Bezeichnungen nicht vermischen. Eine mechanistische Geschichte ist keine Vorhersage; eine Vorhersage ist keine Evidenz; die Ablehnung einer Nullhypothese beweist keinen Mechanismus; die Unterstützung eines Kandidaten beseitigt nicht nicht berücksichtigte Rivalen.

Arbeitsablauf

1. Führe die Umfangs- und Sicherheitspforte durch

Halte fest:

• verantwortlicher menschlicher Eigentümer und beabsichtigte Verwendung;
• Datensensitivität, Autorisierung, Aufbewahrung und zulässige Verarbeitung;
• betroffene Personen, Tiere, Ökosysteme, Gemeinschaften oder Sicherheitsinteressen;
• erforderliche ethische, Machbarkeits-, Biosicherheits-, Dual-Use- und Regulierungsprüfungen;
• ungelöste Blockaden und benötigte Fachkenntnisse.

Keine Skriptgenehmigung ist eine ethische, sicherheitstechnische, behördliche oder wissenschaftliche Genehmigung.

2. Friere die Beobachtung ein

Schreibe die Beobachtung vor der Interpretation auf:

• Messung oder Quelle;
• Population, System, Ort und Zeit;
• Beobachtungseinheit und Analyseeinheit;
• Unsicherheit, Fehlen, Ausschlüsse und Vorverarbeitung;
• ob das Muster erwartet, explorativ oder nach dem Betrachten der Ergebnisse ausgewählt wurde.

Verwende „berichtet“, „beobachtet“ oder „assoziiert“, keine kausale Sprache, es sei denn, ein kausales Design und Schätzobjekt (Estimand) rechtfertigen dies.

3. Formuliere die Forschungsfrage

Wähle einen Rahmen nur, wenn er passt:

• PICO/PICOT für Interventions-/Wirksamkeitsfragen: Population, Intervention, Vergleich, Ergebnis und optional Zeit.
• PECO für Expositionsfragen.
• Population–Indextest–Referenzstandard–Zielbedingung für diagnostische Genauigkeit.
• Population–Prognosefaktor–Ergebnis–Zeit für Prognosen.
• Ein domänenspezifischer Konstrukt–Kontext–Ergebnis-Rahmen für qualitative, deskriptive, mechanistische oder theoretische Arbeiten.

PICO ist keine universelle Vorlage. Definiere Stakeholder, Kontext, Grenzen, Machbarkeit und welche Antwort das Wissen oder die Praxis verändern würde. FINER ist eine Gedächtnisstütze zur Verfeinerung von Fragen – Durchführbar, Interessant, Neuartig, Ethisch, Relevant – kein Bewertungssystem. Behandle „Neuartig“ als ungeklärt, bis eine dokumentierte, zweckmäßige Suche und Expertenprüfung dies unterstützen.

4. Lege eine datierte Evidenzgrenze fest

Suche, bevor du literaturabhängige Aussagen triffst. Bevorzuge Primärforschung, offizielle Richtlinien, primäre Methodenarbeiten, aktuelle Berichtsrichtlinien und systematische Übersichtsarbeiten, die zur Orientierung verwendet werden.

Halte fest:

• Suchdatum und -grenze;
• Datenbanken/Indizes, Abfragen, Filter und Screening-Grenze;
• einbezogene und ausgeschlossene Quellentypen;
• Quellen, die jede Behauptung stützen, in Frage stellen oder kontextualisieren;
• bekannte Zugriffs-, Sprach-, Datenbank- und Zeitbeschränkungen.

Eine Suche kann feststellen, was durchsucht wurde, nicht das universelle Fehlen. Sage „im Rahmen der dokumentierten Suchgrenze nicht gefunden“, niemals „es existiert keine frühere Arbeit“. Verwende assets/search_boundary_template.json, assets/evidence_ledger_template.csv und references/literature_search_strategies.md.

5. Generiere Rivalen, bevor du Tests auswählst

Erstelle mehrere Kandidaten aus wirklich unterschiedlichen Erklärungsklassen, wenn dies plausibel ist:

• vorgeschlagener Mechanismus;
• Mess- oder Verarbeitungsartefakt;
• Confounding oder gemeinsame Ursache;
• Selektion oder Attrition;
• Konditionierung auf einen Collider;
• umgekehrte Kausalität;
• zeitliche, kontextuelle oder Randbedingungsunterschiede;
• stochastische Variation;
• konkurrierende Mechanismen auf einer anderen Skala.

Generiere einen anfänglichen Rivalensatz unabhängig, bevor du KI-unterstützt erweiterst, um Ankerung und Homogenisierung zu reduzieren. Erzwinge keine feste Anzahl oder falsche Symmetrie. Beschrifte jeden Kandidaten als candidate.

Platts Strong-Inference-Muster motiviert Alternativhypothesen und entscheidende Tests, aber gescheiterte Alternativen machen den Überlebenden nicht wahr. Unbekannte Alternativen, Hilfsannahmen, Messfehler und gemischte Mechanismen bleiben möglich.

6. Erkläre den Behauptungstyp und das Schätzobjekt (Estimand)

Klassifiziere jedes Ziel als:

• beschreibend;
• assoziativ;
• vorhersagend;
• kausal;
• mechanistisch.

Definiere für ein kausales Ziel vor der Analyse:

• Zielpopulation oder -system;
• Intervention/Exposition und Vergleich;
• Ergebnis und Zeithorizont;
• populationsbezogene Zusammenfassung;
• Behandlungsversionen und Handhabung von interkurrenten Ereignissen, wo relevant;
• Identifikationsannahmen und Zielstudien-/Design-Analogon.

Dokumentiere Confounding-, Selektions-, Collider-, Mess- und Umkehrkausalitätsrisiken getrennt. Eine beobachtende kausale Schätzung bleibt annahmenabhängig. Verwende references/causal_inference_and_claims.md.

7. Leite unterscheidende Vorhersagen ab

Für jeden Kandidaten:

1. Gib Bedingungen und Randbedingungen an.
2. Benenne das Beobachtbare und die Messung.
3. Gib das erwartete Muster und die Unsicherheit an.
4. Gib ein Ergebnis an, das mit dem Kandidaten unter den erklärten Annahmen unvereinbar ist.
5. Vergleiche das erwartete Ergebnis mit mindestens einem Rivalen.
6. Definiere unbestimmte Ergebnisse und was daraus gelernt würde.

Bevorzuge Tests, bei denen Rivalen bedeutungsvoll unterschiedliche Ergebnisse vorhersagen. Füge positive, prozedurale und negative Kontrollen hinzu, wenn dies wissenschaftlich angemessen ist. Eine Negativkontrolle muss nicht in der Lage sein, über den Zielmechanismus zu wirken, während sie relevante Bias-Pfade teilt; sie ist keine dekorative unbehandelte Gruppe.

Verwende assets/prediction_rival_matrix_template.csv und assets/falsification_controls_template.json.

8. Operationalisiere und validiere die Messung

Für jedes Konstrukt halte fest:

• Variablenrolle und operationelle Definition;
• Population/System, Einheit, Zeitpunkt und Bedingungen;
• Instrument/Methode, Kalibrierung, Qualitätskontrolle und Maskierung;
• Reliabilität/Wiederholbarkeit;
• Validitätsevidenz und Anwendbarkeit;
• Fehlen, Nachweisgrenzen, Transformationen, Trennwerte und deren Begründungen;
• Messinvarianz oder Vergleichbarkeit zwischen Gruppen, wenn relevant;
• vorhersehbare Messverzerrungen und -einschränkungen.

Behandle einen bequemen Proxy nicht als das Konstrukt selbst. Validiere mit:

python3 scripts/check_operationalization.py local-operationalization.json

9. Passe Design und Analyse an die Behauptung an

Gib an:

• Stichprobenziehung, Versuchseinheit, Zuordnung, Randomisierung, Maskierung und Kontrollen;
• Ein-/Ausschluss- und Stoppregeln;
• Stichprobengrößen-, Präzisions- oder Informationsbegründung basierend auf erklärten Annahmen;
• Ergebnisse, Kontraste, Schätzobjekte (Estimands), Modelle, Effektmaße und Unsicherheit;
• Handhabung fehlender Daten und interkurrenter Ereignisse;
• Multiplizität über Ergebnisse, Modelle, Untergruppen, Looks und Hypothesen hinweg;
• Annahmen, Diagnostik, Robustheit und Sensitivitätsanalysen;
• Replikations- oder unabhängiger Validierungsplan;
• was konfirmatorisch versus explorativ ist.

Verwende keine universellen Mindeststichprobengrößen. Interpretiere einen grenzwertigen p-Wert nicht als Wahrscheinlichkeit, dass eine Hypothese wahr ist, oder als Effektwichtigkeit. Siehe references/experimental_design_patterns.md.

Für Interventionsstudien verwende wo anwendbar die aktuelle SPIRIT 2025-Protokollrichtlinie und die CONSORT 2025-Berichtsrichtlinie. Diese verbessern die Vollständigkeit; sie bescheinigen keine Designqualität, Ethik oder regulatorische Konformität.

10. Verhindere HARKing und lege Abweichungen offen

Bevor du auf die Zielergebnisse zugreifst, zeichne die Frage, Kandidaten, Vorhersagen, Ergebnisse, Ausschlüsse, Transformationen, Analyse, Multiplizität, Plan für fehlende Daten und Stoppregel zeitlich fest, wenn machbar.

Danach:

• kennzeichne datenabhängige Ideen und Analysen als explorativ;
• bewahre geplante Analysen auf und berichte sie;
• liste Abweichungen mit Datum, Begründung, wer entschieden hat und erwarteter Auswirkung auf;
• schreibe ein beobachtetes Muster niemals als a priori Vorhersage um.

Vorregistrierung ist ein transparenter Plan, kein Verbot von Anpassungen. Registered Reports fügen ergebnisblinde Peer-Review und eine In-Principle-Acceptance unter der Zeitschriftenrichtlinie hinzu. Siehe references/preregistration_and_open_science.md.

11. Plane Replikation und Aktualisierung

Unterscheide:

• Reproduzierbarkeit: konsistente Berechnungsergebnisse aus denselben Daten/Code/Bedingungen;
• Replizierbarkeit: Konsistenz über Studien hinweg, die neue Daten für dieselbe Frage sammeln.

Bewahre Herkunft, Versionen, Code, Materialien und Entscheidungsprotokolle auf, wenn die Weitergabe autorisiert ist. Plane unabhängige Replikation oder Transporttests über relevante Grenzen hinweg. Aktualisiere den Kandidatenstatus, wenn gegensätzliche, Null- oder Replikationsevidenz eintrifft; verstecke negative Ergebnisse nicht.

12. Wende menschliche Verantwortlichkeit an

Die verantwortliche Person muss überprüfen:

• jedes Zitat und jede Quellen-Behauptungs-Verbindung;
• fachliche Plausibilität und Messvalidität;
• kausale Annahmen und statistisches Design;
• Ethik, Machbarkeit, Sicherheit, Datenschutz und regulatorischen Status;
• alle KI-gestützten Texte, Ideen und Zitate;
• ob breitere Expertise oder Community-Input erforderlich ist.

KI kann Zitate erfinden, das Denken verankern und Kandidatensets homogenisieren. Halte die erlaubte KI-Nutzung und den materiellen Einfluss fest. Bewahre unabhängiges menschliches Ideenfinden und die Generierung von Rivalen im Prozess.

Lokaler Werkzeugindex

Alle CLIs sind beschränkt, abhängigkeitsfrei, lokal, deterministisch und bewerten nicht:

Aufgabe	Asset	Befehl
Hypothese-Aufzeichnungs-Schema	assets/hypothesis_record_template.json	python3 scripts/validate_hypothesis_schema.py record.json
Messungs-Checkliste	assets/operationalization_template.json	python3 scripts/check_operationalization.py checklist.json
Vorhersage-/Rivalen-Matrix	assets/prediction_rival_matrix_template.csv	python3 scripts/validate_prediction_matrix.py matrix.csv
Behauptungssprachen-Lint	Annotiertes Markdown	python3 scripts/lint_causal_claims.py draft.md
Falsifikation/Kontrollen	assets/falsification_controls_template.json	python3 scripts/check_falsification_controls.py controls.json
Evidenz-/Quellenprüfung	assets/evidence_ledger_template.csv + assets/search_boundary_template.json	python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json
Vorregistrierungsgerüst	assets/preregistration_scaffold_template.md	python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md

Exit-Codes sind 0 für strukturell gültige Ausgabe, 1 für abgeschlossene Validierung mit Fehlern und 2 für fehlerhafte/unsichere Eingabe. Berichte validieren nur Deklarationen und interne Konsistenz; sie überprüfen keine wissenschaftliche Wahrheit oder wählen eine Hypothese aus. Vollständige Schemas befinden sich in references/tool_reference.md.

Referenzen

• references/concepts_and_workflow.md — Objektmodell, Strong Inference, Unsicherheit und Kandidatenlebenszyklus
• references/hypothesis_quality_criteria.md — Nicht bewertende menschliche Überprüfungskriterien
• references/literature_search_strategies.md — Nachvollziehbare, abgegrenzte Evidenzsuche
• references/causal_inference_and_claims.md — Schätzobjekte (Estimands) und Kausal-Bias-Risiken
• references/experimental_design_patterns.md — Design, Kontrollen, Messung, Multiplizität und Replikation
• references/preregistration_and_open_science.md — Vorregistrierung, Registered Reports, Abweichungen und Open Science
• references/ethics_safety_and_ai.md — Überwachungspforten, Dual-Use, Datenhandhabung und verantwortungsvolle KI
• references/tool_reference.md — CLI-Schemas, Grenzen und Beispiele
• references/source_ledger.md — Datierte, maßgebliche Quellennotizen
• references/security_validation.md — Basisergebnisse und Validierungsdatensatz

Das gebündelte Quellenverzeichnis ist assets/source_ledger.csv, verifiziert bis 2026-07-23. Überprüfe zeitkritische Richtlinien und Leitlinien vor einer späteren oder...

[gekürzt für die Übersetzung]