affaan-m/évaluation-scientifique

Évaluation structurée de travaux académiques : articles, propositions, revues de littérature, sections méthodologiques, qualité des preuves, soutien par les citations et retour sur l'écriture de recherche.

Qu'est-ce que évaluation-scientifique ?

Cette compétence permet une évaluation rigoureuse et structurée de travaux scientifiques, couvrant les articles, propositions de recherche, revues de littérature, sections méthodologiques, qualité des preuves, soutien par les citations et retours sur l'écriture académique. Elle est utile pour les chercheurs, relecteurs, ou étudiants souhaitant un feedback objectif et systématique sur leurs manuscrits ou propositions. La compétence s'appuie sur des critères standardisés (comme les grilles d'évaluation par les pairs) et génère des rapports détaillés mettant en évidence les forces, faiblesses, et suggestions d'amélioration. Elle fonctionne avec les agents IA prenant en charge le protocole Skills (comme Claude Code, Cursor ou Codex), et son utilisation nécessite simplement de fournir le texte du travail à évaluer. Le processus suit un guide intégré (SKILL.md) qui définit les sections d'évaluation : clarté de l'argumentation, méthode, preuves, citations, et style d'écriture, garantissant une analyse complète et reproductible.

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

Installed? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/literature-review, affaan-m/everything-claude-code · View all 6 →

Demander à votre IA préférée

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

Documentation

Que fait évaluation-scientifique ?

Évaluation structurée de travaux académiques : articles, propositions, revues de littérature, sections méthodologiques, qualité des preuves, soutien par les citations et retour sur l'écriture de recherche.

Aperçu

Cette compétence fournit un cadre systématique pour évaluer des travaux scientifiques et académiques. Elle est conçue pour aider les chercheurs, universitaires et étudiants à obtenir des retours objectifs et détaillés sur divers aspects de leurs écrits.

Évaluations prises en charge

  • Articles de recherche : Évaluation complète de la structure, de l'argumentation, de la méthode et des conclusions.
  • Propositions de recherche : Évaluation de la faisabilité, de l'originalité, de la méthodologie et des résultats attendus.
  • Revues de littérature : Analyse de l'exhaustivité, de la synthèse et de la pertinence des sources.
  • Sections méthodologiques : Évaluation de la rigueur, de la reproductibilité et de l'adéquation des méthodes.
  • Qualité des preuves : Vérification de la solidité, de la pertinence et de la fiabilité des preuves présentées.
  • Soutien par les citations : Analyse de l'adéquation, de la précision et de la représentativité des citations.
  • Retour sur l'écriture de recherche : Suggestions sur la clarté, la concision, le ton académique et la structure des phrases.

Comment utiliser

  1. Préparez votre texte : Copiez le travail académique que vous souhaitez évaluer.
  2. Invoquez la compétence : Utilisez la commande appropriée pour votre agent IA (par exemple, @affaan-m/évaluation-scientifique dans le chat).
  3. Spécifiez le type d'évaluation : Indiquez le type d'évaluation souhaité (article, proposition, etc.).
  4. Recevez le rapport : La compétence générera un rapport structuré avec forces, faiblesses et recommandations.

Exemple de commande

Évaluez mon article de recherche en utilisant la compétence d'évaluation scientifique. 
Texte de l'article : [insérez votre texte]

Configuration

Aucune configuration spéciale requise. La compétence fonctionne avec les agents IA prenant en charge les compétences au format SKILL.md.

Remarques

  • Les évaluations sont générées par IA et doivent être utilisées comme un outil d'amélioration, pas comme une décision finale.
  • Pour des évaluations sensibles ou à enjeux élevés, une relecture humaine est recommandée.

Pour des questions ou des suggestions, veuillez consulter le dépôt : https://github.com/affaan-m/scholar-evaluation

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/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.

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.

Skills associés