CommunityRecherche & Datenanalysegithub.com

syrius2000/agentic-evidence-analysis

Beweisgesteuerte kategoriale Datenanalysefähigkeiten für KI-Codierungsagenten und R-Benutzer.

Was ist agentic-evidence-analysis?

Diese Fähigkeit befähigt KI-Codierungsagenten (wie Claude Code, Cursor, Codex) und R-Benutzer, hypothesengetriebene, evidenzbasierte kategoriale Datenanalysen durchzuführen. Sie integriert sich nahtlos in LLM-basierte Entwicklungsumgebungen und unterstützt R-Skripte, die auf statistischen Methoden wie Chi-Quadrat-Tests, logistischen Regressionsmodellen und Bayes'schen Ansätzen basieren. Der zentrale Mehrwert liegt in der Automatisierung der schrittweisen Datenexploration, Hypothesentests und Ergebnisinterpretation – von der Rohdatenbereinigung bis zur präzisen Berichterstattung. Die Fähigkeit erkennt automatisch kategoriale Variablen, wählt geeignete Testverfahren aus und generiert kontextbezogene Zusammenfassungen mit Effektstärken und Konfidenzintervallen. Entwickler und Datenwissenschaftler sparen dadurch erhebliche Zeit bei Routineanalysen und erhalten reproduzierbare, dokumentierte Ergebnisse. Die Skill-Definition enthält detaillierte R-Code-Snippets und Richtlinien für die Ausführung in sicheren Sandbox-Umgebungen, wobei Datenschutz und Korrektheit priorisiert werden.

Funktioniert mit~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add syrius2000/agentic-evidence-analysis

Installed? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht agentic-evidence-analysis?

Beweisgesteuerte kategoriale Datenanalysefähigkeiten für KI-Codierungsagenten und R-Benutzer.

Überblick

Diese Fähigkeit befähigt KI-Codierungsagenten (Claude Code, Cursor, Codex) und R-Benutzer, hypothesengetriebene, evidenzbasierte kategoriale Datenanalysen durchzuführen.

Hauptmerkmale

  • Automatische Variablenerkennung: Identifiziert und klassifiziert kategoriale Variablen aus bereitgestellten Datensätzen.
  • Hypothesentests: Führt Chi-Quadrat-Unabhängigkeitstests, exakte Fisher-Tests und logistische Regression durch.
  • Ergebnisinterpretation: Generiert natürlichsprachliche Zusammenfassungen mit Effektstärken, Konfidenzintervallen und p-Werten.
  • Berichtsgenerierung: Erstellt reproduzierbare R-Markdown-Berichte und zusammenfassende Tabellen.
  • Plattformunterstützung: Optimiert für KI-Codierungsagenten und R-Umgebungen (RStudio, Jupyter, R-Skript).

Verwendung mit KI-Agenten

# Beispiel: Daten laden und Analyse starten
daten <- read.csv("umfragedaten.csv")
agentic_evidence_analysis(daten, ziel_variable = "zufriedenheit")

Erwartete Eingabe

  • Ein strukturierter Datensatz (CSV, Excel, R-Datenframe) mit kategorialen Variablen.
  • Optional: Spezifikation der Zielvariablen und Kovariaten für angeleitete Analysen.

Erwartete Ausgabe

  • Ergebnisse statistischer Tests mit Interpretation.
  • Visualisierungen (Balkendiagramme, Kontingenztabellen) als Basis64-kodierte Bilder oder URLs.
  • Zusammenfassungsbericht im Markdown- oder HTML-Format.

R-Code-Beispiele

# Bibliotheken laden
library(dplyr)
library(ggplot2)

# Datensatz laden
daten <- read.csv("studie.csv")

# Kategoriale Analyse durchführen
analyse_ergebnis <- agentic_evidence_analysis(
  daten, 
  ziel_variable = "kaufabsicht",
  kovariaten = c("alter", "geschlecht")
)

# Ergebnisse anzeigen
print(analyse_ergebnis$test)
cat(analyse_ergebnis$interpretation)

Sicherheits- und Datenschutzhinweise

  • Führen Sie Analysen in einer isolierten Umgebung (Sandbox) durch.
  • Vermeiden Sie die Weitergabe sensibler Daten in unverschlüsselten Anfragen.
  • Validieren Sie Datensätze auf persönliche Informationen, bevor Sie diese an einen KI-Agenten übergeben.

Lizenz

MIT

Verwandte Skills