Communitygithub.com

evaluación-académica

Evaluación estructurada de trabajos académicos o científicos, como artículos, propuestas, revisiones de literatura, secciones de métodos, calidad de evidencia, apoyo de citas y retroalimentación para redacción científica.

¿Qué es evaluación-académica?

Este skill proporciona una rúbrica reproducible para evaluar trabajos académicos o científicos. Es útil para investigadores, revisores, editores y estudiantes que necesitan retroalimentación estructurada y consistente. Soporta la evaluación de artículos empíricos, teóricos, informes técnicos, revisiones sistemáticas o narrativas, propuestas de investigación, capítulos de tesis y resúmenes de conferencias. El proceso de evaluación cubre nueve dimensiones (problema, literatura, metodología, datos, análisis, resultados, limitaciones, escritura y citas) puntuadas del 1 al 5, y permite alcances integrales, dirigidos o comparativos. El skill se basa en una rúbrica detallada y un proceso de revisión en seis pasos, ofreciendo una plantilla de salida para documentar puntuaciones, evidencia y revisiones prioritarias. Evita sesgos comunes como usar el puntaje como sustituto de retroalimentación concreta o penalizar dimensiones fuera del alcance del trabajo.

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Evaluación Académica

Usa este skill para evaluar trabajos académicos o científicos con una rúbrica reproducible.

Cuándo Usarlo

  • Al revisar un artículo de investigación, propuesta, capítulo de tesis o revisión bibliográfica.
  • Para verificar si las afirmaciones están respaldadas por evidencia citada.
  • Al evaluar metodología, diseño de estudio, análisis o limitaciones.
  • Para comparar dos o más artículos en cuanto a calidad o relevancia.
  • Para producir retroalimentación estructurada con fines de revisión.

Alcance de la Evaluación

Empieza identificando el artefacto:

  • artículo de investigación empírica
  • artículo teórico
  • informe técnico
  • revisión sistemática o narrativa de la literatura
  • propuesta de investigación
  • capítulo de tesis o disertación
  • resumen de conferencia o artículo corto

Luego elige el alcance:

  • completo: todas las dimensiones de la rúbrica
  • dirigido: una o dos dimensiones, como método o citas
  • comparativo: clasificar múltiples trabajos contra la misma rúbrica

Rúbrica

Puntúa cada dimensión aplicable del 1 al 5:

  • 5: excelente; claro, riguroso y listo para publicar
  • 4: bueno; necesita mejoras menores
  • 3: adecuado; tiene brechas significativas pero es utilizable
  • 2: débil; requiere revisión sustancial
  • 1: malo; problemas graves de validez o claridad

Usa N/A para dimensiones que no aplican.

1. Problema y Pregunta de Investigación

  • ¿El problema es claro y específico?
  • ¿La contribución es significativa?
  • ¿El alcance y los supuestos son explícitos?
  • ¿La pregunta coincide con la contribución declarada?

2. Literatura y Contexto

  • ¿Se cubre el trabajo previo relevante?
  • ¿El trabajo sintetiza en lugar de simplemente listar fuentes?
  • ¿Se identifican con precisión las brechas?
  • ¿Hay un equilibrio entre fuentes recientes y fundamentales?

3. Metodología

  • ¿El método responde a la pregunta de investigación?
  • ¿Las decisiones de diseño están justificadas?
  • ¿Las variables, conjuntos de datos, participantes o materiales están descritos claramente?
  • ¿Otro investigador podría reproducir el trabajo?
  • ¿Se reconocen las limitaciones éticas y prácticas?

4. Datos y Evidencia

  • ¿Las fuentes de datos son creíbles y apropiadas?
  • ¿El tamaño de la muestra o la cobertura del corpus son adecuados?
  • ¿Las decisiones de inclusión, exclusión y preprocesamiento están documentadas?
  • ¿Se discuten los riesgos de datos faltantes y sesgo?

5. Análisis

  • ¿Los métodos estadísticos, cualitativos o computacionales son apropiados?
  • ¿Las líneas base y los controles son justos?
  • ¿Se incluyen comprobaciones de incertidumbre, sensibilidad o robustez cuando es necesario?
  • ¿Se consideran explicaciones alternativas?

6. Resultados e Interpretación

  • ¿Los resultados se presentan claramente?
  • ¿Las afirmaciones se mantienen dentro de la evidencia?
  • ¿Las figuras, tablas y métricas son comprensibles?
  • ¿Los resultados negativos o nulos se manejan honestamente?

7. Limitaciones y Amenazas a la Validez

  • ¿Las limitaciones son específicas en lugar de genéricas?
  • ¿Se abordan los riesgos de validez interna, externa, de constructo y de conclusión?
  • ¿El trabajo distingue entre especulación y resultados demostrados?

8. Escritura y Estructura

  • ¿El argumento es fácil de seguir?
  • ¿Las secciones están organizadas en torno a la pregunta de investigación?
  • ¿Las definiciones y la notación son claras?
  • ¿El tono es preciso y académico?

9. Citas

  • ¿Los artículos citados respaldan las afirmaciones a las que se adjuntan?
  • ¿Se utilizan fuentes primarias cuando es posible?
  • ¿Las revisiones se etiquetan como revisiones?
  • ¿Las preprints se etiquetan como preprints?
  • ¿Los metadatos de citas y los enlaces son correctos?

Proceso de Revisión

  1. Lee el resumen, la introducción, las figuras y la conclusión para conocer la contribución declarada.
  2. Lee los métodos y resultados para evaluar la calidad de la evidencia.
  3. Verifica las afirmaciones más sólidas contra las fuentes citadas.
  4. Puntúa cada dimensión aplicable.
  5. Separa los bloqueos críticos de las sugerencias de revisión.
  6. Termina con las siguientes ediciones concretas.

Plantilla de Salida

# Evaluación Académica: <Artefacto>

## Evaluación General

- Puntaje general: <1-5 o N/A>
- Confianza: <alta | media | baja>
- Resumen: <3-5 oraciones>

## Puntuaciones por Dimensión

| Dimensión | Puntaje | Evidencia | Prioridad de revisión |
| --- | ---: | --- | --- |
| Problema y pregunta |  |  |  |
| Literatura y contexto |  |  |  |
| Metodología |  |  |  |
| Datos y evidencia |  |  |  |
| Análisis |  |  |  |
| Resultados e interpretación |  |  |  |
| Limitaciones |  |  |  |
| Escritura y estructura |  |  |  |
| Citas |  |  |  |

## Problemas Críticos

## Revisiones Recomendadas

## Comprobaciones de Evidencia Necesarias

Errores Comunes

  • No usar el puntaje como sustituto de retroalimentación concreta.
  • No penalizar un artículo por omitir una dimensión fuera de su alcance.
  • No tratar el número de citas, la revista o la reputación del autor como prueba de calidad.
  • No aceptar afirmaciones no respaldadas solo porque aparecen en el resumen.

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.

Skills relacionados