Communitygithub.com

scholar-evaluation

Évaluation structurée de travaux académiques : articles, propositions, revues de littérature, méthodes, qualité des preuves, soutien par les citations et feedback de rédaction scientifique. À utiliser pour évaluer des travaux académiques ou scientifiques à l'aide d'une grille reproductible.

Qu'est-ce que scholar-evaluation ?

Cette compétence, destinée aux agents d'IA comme Claude Code ou Cursor, permet d'évaluer de manière structurée et reproductible des travaux académiques ou scientifiques. Elle est utile pour les chercheurs, étudiants, réviseurs ou éditeurs souhaitant obtenir un retour objectif sur la qualité d'un article, d'une proposition, d'un chapitre de thèse ou d'une revue de littérature. La compétence s'appuie sur une grille d'évaluation à neuf dimensions (problématique, littérature, méthodologie, données, analyse, résultats, limites, écriture, citations) avec un score de 1 à 5 pour chaque dimension. Elle prend en charge trois portées : complète, ciblée (sur une ou deux dimensions) ou comparative (entre plusieurs travaux). Le processus inclut une lecture structurée, une vérification des citations, et produit un template de sortie détaillé incluant scores, preuves, priorités de révision, et prochaines modifications concrètes. La compétence évite les biais courants comme la substitution du score au feedback ou la confiance aveugle dans le titre ou la réputation de l'auteur.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Évaluation Académique

Utilisez cette compétence pour évaluer des travaux académiques ou scientifiques à l'aide d'une grille reproductible.

Quand l'Utiliser

  • Examiner un article de recherche, une proposition, un chapitre de thèse ou une revue de littérature.
  • Vérifier si les affirmations sont soutenues par les preuves citées.
  • Évaluer la méthodologie, la conception de l'étude, l'analyse ou les limites.
  • Comparer deux ou plusieurs articles en termes de qualité ou de pertinence.
  • Produire un retour structuré pour la révision.

Portée de l'Évaluation

Commencez par identifier l'artefact :

  • article de recherche empirique
  • article théorique
  • rapport technique
  • revue de littérature systématique ou narrative
  • proposition de recherche
  • chapitre de thèse ou de mémoire
  • résumé de conférence ou article court

Choisissez ensuite la portée :

  • complète : toutes les dimensions de la grille
  • ciblée : une ou deux dimensions, par exemple méthode ou citations
  • comparative : classer plusieurs travaux selon la même grille

Grille d'Évaluation

Attribuez un score de 1 à 5 à chaque dimension applicable :

  • 5 : excellent ; clair, rigoureux et prêt pour publication
  • 4 : bon ; quelques améliorations mineures nécessaires
  • 3 : adéquat ; lacunes significatives mais utilisable
  • 2 : faible ; révision substantielle nécessaire
  • 1 : médiocre ; problèmes majeurs de validité ou de clarté

Utilisez N/A pour les dimensions qui ne s'appliquent pas.

1. Problématique et Question de Recherche

  • La problématique est-elle claire et spécifique ?
  • La contribution est-elle significative ?
  • La portée et les hypothèses sont-elles explicites ?
  • La question correspond-elle à la contribution revendiquée ?

2. Littérature et Contexte

  • Les travaux antérieurs pertinents sont-ils couverts ?
  • Le travail synthétise-t-il plutôt que de simplement lister des sources ?
  • Les lacunes sont-elles identifiées avec précision ?
  • Les sources récentes et fondatrices sont-elles équilibrées ?

3. Méthodologie

  • La méthode répond-elle à la question de recherche ?
  • Les choix de conception sont-ils justifiés ?
  • Les variables, jeux de données, participants ou matériels sont-ils clairement décrits ?
  • Un autre chercheur pourrait-il reproduire le travail ?
  • Les contraintes éthiques et pratiques sont-elles reconnues ?

4. Données et Preuves

  • Les sources de données sont-elles crédibles et appropriées ?
  • La taille de l'échantillon ou la couverture du corpus est-elle adéquate ?
  • Les décisions d'inclusion, d'exclusion et de prétraitement sont-elles documentées ?
  • Les données manquantes et les risques de biais sont-ils discutés ?

5. Analyse

  • Les méthodes statistiques, qualitatives ou computationnelles sont-elles appropriées ?
  • Les bases de référence et les contrôles sont-ils équitables ?
  • Des vérifications d'incertitude, de sensibilité ou de robustesse sont-elles incluses si nécessaire ?
  • Des explications alternatives sont-elles envisagées ?

6. Résultats et Interprétation

  • Les résultats sont-ils présentés clairement ?
  • Les affirmations restent-elles dans les limites des preuves ?
  • Les figures, tableaux et métriques sont-ils compréhensibles ?
  • Les résultats négatifs ou nuls sont-ils traités honnêtement ?

7. Limites et Menaces à la Validité

  • Les limites sont-elles spécifiques plutôt que génériques ?
  • Les risques de validité interne, externe, de construit et de conclusion sont-ils abordés ?
  • L'article distingue-t-il la spéculation des résultats démontrés ?

8. Écriture et Structure

  • L'argumentation est-elle facile à suivre ?
  • Les sections sont-elles organisées autour de la question de recherche ?
  • Les définitions et la notation sont-elles claires ?
  • Le ton est-il précis et académique ?

9. Citations

  • Les articles cités soutiennent-ils les affirmations qui leur sont associées ?
  • Les sources primaires sont-elles utilisées lorsque c'est possible ?
  • Les revues sont-elles étiquetées comme revues ?
  • Les prépublications sont-elles étiquetées comme prépublications ?
  • Les métadonnées et les liens de citation sont-ils corrects ?

Processus de Révision

  1. Lire le résumé, l'introduction, les figures et la conclusion pour la contribution revendiquée.
  2. Lire les méthodes et les résultats pour la qualité des preuves.
  3. Vérifier les affirmations les plus fortes par rapport aux sources citées.
  4. Noter chaque dimension applicable.
  5. Séparer les blocages critiques des suggestions de révision.
  6. Terminer par les prochaines modifications concrètes.

Modèle de Sortie

# Évaluation Académique : <Artefact>

## Évaluation Globale

- Score global : <1-5 ou N/A>
- Confiance : <élevée | moyenne | faible>
- Résumé : <3-5 phrases>

## Scores par Dimension

| Dimension | Score | Preuve | Priorité de révision |
| --- | ---: | --- | --- |
| Problématique et question |  |  |  |
| Littérature et contexte |  |  |  |
| Méthodologie |  |  |  |
| Données et preuves |  |  |  |
| Analyse |  |  |  |
| Résultats et interprétation |  |  |  |
| Limites |  |  |  |
| Écriture et structure |  |  |  |
| Citations |  |  |  |

## Problèmes Critiques

## Révisions Recommandées

## Vérifications de Preuves Nécessaires

Pièges à Éviter

  • Ne pas utiliser le score comme substitut à un retour concret.
  • Ne pas pénaliser un article pour l'omission d'une dimension hors de son champ.
  • Ne pas traiter le nombre de citations, la revue ou la réputation de l'auteur comme une preuve de qualité.
  • Ne pas accepter des affirmations non étayées simplement parce qu'elles apparaissent dans le résumé.

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 associés