Communitygithub.com

evaluación-académica

Evaluación estructurada de trabajos académicos: artículos, propuestas, revisiones bibliográficas, metodologías, calidad de evidencia y soporte de citas. Úsalo al evaluar trabajos académicos o científicos con una rúbrica repetible.

¿Qué es evaluación-académica?

Esta habilidad proporciona un marco sistemático para la evaluación de trabajos académicos y científicos, basado en una rúbrica detallada que cubre nueve dimensiones clave: problema y pregunta de investigación, literatura y contexto, metodología, datos y evidencia, análisis, resultados e interpretación, limitaciones y amenazas a la validez, redacción y estructura, y citas. Es útil para revisores, editores, supervisores de tesis y estudiantes que necesitan producir retroalimentación objetiva y estructurada. La habilidad permite evaluaciones integrales, específicas o comparativas, y guía al usuario a través de un proceso de revisión en seis pasos, desde la identificación del artefacto hasta la generación de un informe final con puntuaciones, problemas críticos y recomendaciones de revisión. Está diseñada para su uso en plataformas de agentes de IA como Claude Code, Cursor o Codex, y se activa proporcionando el trabajo a evaluar y especificando el alcance deseado.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 esta habilidad para evaluar trabajos académicos o científicos con una rúbrica repetible.

Cuándo Usarla

  • Revisar un artículo de investigación, propuesta, capítulo de tesis o revisión bibliográfica.
  • Verificar si las afirmaciones están respaldadas por las pruebas citadas.
  • Evaluar metodología, diseño de estudio, análisis o limitaciones.
  • Comparar dos o más artículos en calidad o relevancia.
  • Producir retroalimentación estructurada para revisión.

Alcance de la Evaluación

Comienza identificando el artefacto:

  • artículo de investigación empírica
  • artículo teórico
  • informe técnico
  • revisión bibliográfica sistemática o narrativa
  • propuesta de investigación
  • capítulo de tesis o disertación
  • resumen de conferencia o artículo breve

Luego elige el alcance:

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

Rúbrica

Puntúa cada dimensión aplicable de 1 a 5:

  • 5: excelente; claro, riguroso y listo para publicación
  • 4: bueno; mejoras menores necesarias
  • 3: adecuado; brechas significativas pero utilizable
  • 2: débil; necesita revisión sustancial
  • 1: pobre; 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 las suposiciones 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 enumerar 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?
  • ¿Se justifican las decisiones de diseño?
  • ¿Las variables, conjuntos de datos, participantes o materiales están descritos claramente?
  • ¿Podría otro investigador 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 muestra o la cobertura del corpus es adecuada?
  • ¿Se documentan las decisiones de inclusión, exclusión y preprocesamiento?
  • ¿Se discuten los datos faltantes y los riesgos de sesgo?

5. Análisis

  • ¿Los métodos estadísticos, cualitativos o computacionales son apropiados?
  • ¿Las líneas base y los controles son justos?
  • ¿Se incluyen verificaciones 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 artículo distingue entre especulación y resultados demostrados?

8. Redacción y Estructura

  • ¿El argumento es fácil de seguir?
  • ¿Las secciones están organizadas en función de 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 prepublicaciones se etiquetan como prepublicaciones?
  • ¿Los metadatos de las citas y los enlaces son correctos?

Proceso de Revisión

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

Plantilla de Salida

# Evaluación Académica: <Artefacto>

## Evaluación General

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

## Puntuaciones por Dimensión

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

## Problemas Críticos

## Revisiones Recomendadas

## Verificaciones de Evidencia Necesarias

Errores Comunes

  • No uses la puntuación como sustituto de retroalimentación concreta.
  • No penalices un artículo por omitir una dimensión fuera de su alcance.
  • No trates el número de citas, la revista o la reputación del autor como prueba de calidad.
  • No aceptes afirmaciones sin respaldo 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/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.

Skills relacionados