과학적 가설 생성은(는) 무엇을 하나요?
관찰을 투명한 후보 설명 및 테스트 세트로 전환하세요. 가설은 도전받아야 할 제안이며, 발견, 사실, 진단 또는 권장 사항이 아닙니다.
양보할 수 없는 경계
미공개, 민감, 통제, 개인, 독점, 수출 통제 또는 보안 관련 자료를 사용하기 전에:
- 해당 기관, 자금 제공자, 출판사, 데이터 사용, 개인 정보 보호 및 AI 정책에 대한 승인을 확인합니다.
- 승인된 인간이 명시적으로 지정된 외부 대상과 데이터 범위를 명시적으로 승인하지 않는 한 자료를 로컬로 유지합니다.
- 입력을 최소화합니다. 승인 없이 민감하거나 미공개 데이터를 웹 검색이나 외부 AI 시스템에 배치하지 마십시오.
- 적절한 인간, 동물, 생물 안전, 이중 용도, 데이터 거버넌스 또는 규제 게이트에서 중단합니다.
절대:
- 가설, 메커니즘, 인과 효과, 인용 또는 명백한 패턴을 확립된 증거로 제시하지 마십시오.
- 빠른 검색에서 아무것도 찾지 못했다는 이유로 참신성을 주장하지 마십시오.
- 연관성, 시간적 순서만, 예측 정확도 또는 모델 출력에서 인과 관계를 추론하지 마십시오.
- 환자 특정 진단, 치료, 용량, 예후 또는 기타 임상 조언을 제공하지 마십시오.
- 병원체, 독소, 무기, 회피 또는 기타 오용을 위한 유해한 실험 최적화 또는 운영 세부 정보를 제공하지 마십시오.
- IRB/REC, IACUC, IBC, 생물 안전, 이중 용도, 개인 정보 보호, 법률 또는 규제 검토를 우회하지 마십시오.
- 출처, 식별자, 검색 범위, 데이터, 결과, 승인 또는 사전 등록을 조작하지 마십시오.
- 과학적 가설을 자동으로 점수화, 순위 지정, 선택, 수락 또는 거부하지 마십시오.
요청이 안전 게이트를 위반하는 경우, 고위험/감독 메모만 생성하고 자격을 갖춘 현지 기관에 전달하십시오. 운영 세부 정보를 계속 제공하지 마십시오.
객체를 구별하여 유지
| 객체 | 의미 |
|---|---|
| 관찰 | 출처와 불확실성을 포함하여 측정, 발견 또는 보고된 것 |
| 연구 질문 | 범위를 정의하는 답변 가능한 질문 |
| 가설 | 후보 설명 또는 관계 명제 |
| 메커니즘 | 조건을 결과에 연결하는 제안된 과정 |
| 인과 추정량 | 추정할 정밀하게 정의된 인과 대비 |
| 예측 | 대상 결과를 확인하기 전에 도출된 관찰 가능한 함의 |
| 대안 설명 | 편향 또는 비인과적 설명을 포함한 경쟁 설명 |
| 귀무 가설 | 분석에서 사용되는 지정된 효과 없음/차이 없음 모델 |
| 음성 대조군 | 제안된 메커니즘을 통해 작동하지 않을 것으로 예상되는 대조군 |
| 조작적 정의 | 구성 개념이 변수, 측정, 개입 또는 범주가 되는 방법 |
| 분석 계획 | 사전 지정된 변환, 모델, 대비, 불확실성 및 결정 규칙 |
| 증거 | 주장과 관련된 관찰 또는 출처; 그 자체가 주장이 아님 |
이러한 레이블을 혼동하지 마십시오. 메커니즘 이야기는 예측이 아닙니다. 예측은 증거가 아닙니다. 하나의 귀무 가설을 기각한다고 메커니즘이 입증되는 것은 아닙니다. 하나의 후보를 지지한다고 고려되지 않은 경쟁자가 배제되는 것은 아닙니다.
워크플로우
1. 범위 및 안전 게이트 실행
기록:
- 책임 있는 인간 소유자 및 의도된 사용;
- 데이터 민감도, 승인, 보존 및 허용된 처리;
- 영향을 받는 사람, 동물, 생태계, 커뮤니티 또는 보안 이익;
- 필요한 윤리, 타당성, 생물 안전, 이중 용도 및 규제 검토;
- 해결되지 않은 장벽 및 필요한 도메인 전문 지식.
스크립트 승인은 윤리, 안전, 규제 또는 과학적 승인이 아닙니다.
2. 관찰 고정
해석 전에 관찰을 작성하십시오:
- 측정 또는 출처;
- 모집단, 시스템, 장소 및 시간;
- 관찰 단위 및 분석 단위;
- 불확실성, 누락, 제외 및 전처리;
- 패턴이 예상되었는지, 탐색적이었는지, 결과를 본 후 선택되었는지.
인과적 설계와 추정량이 정당화되지 않는 한 "보고된", "관찰된" 또는 "연관된"을 사용하고 인과적 언어는 사용하지 마십시오.
3. 연구 질문 구성
적합할 때만 프레임워크를 선택하십시오:
- PICO/PICOT: 중재/효과 질문: 모집단, 중재, 비교자, 결과, 선택적으로 시간.
- PECO: 노출 질문.
- 모집단-지표 검사-참조 표준-대상 상태: 진단 정확도.
- 모집단-예후 인자-결과-시간: 예후.
- 도메인별 구성-맥락-결과 프레임: 질적, 기술적, 메커니즘적 또는 이론적 작업.
PICO는 보편적인 템플릿이 아닙니다. 이해 관계자, 맥락, 경계, 타당성 및 어떤 답변이 지식이나 관행을 바꿀 것인지 정의하십시오. FINER은 질문 개선 니모닉입니다—실현 가능함(Feasible), 흥미로움(Interesting), 참신함(Novel), 윤리적임(Ethical), 관련성 있음(Relevant)—채점 시스템이 아닙니다. "참신함"은 문서화되고 목적에 적합한 검색과 전문가 검토가 뒷받침할 때까지 미해결 상태로 취급하십시오.
4. 날짜가 표시된 증거 경계 설정
문헌 의존적 진술을 하기 전에 검색하십시오. 1차 연구, 공식 정책, 1차 방법론 논문, 현재 보고 지침 및 방향 설정에 사용된 체계적 검토를 선호하십시오.
기록:
- 검색 날짜 및 마감일;
- 데이터베이스/색인, 쿼리, 필터 및 스크리닝 경계;
- 포함 및 제외된 출처 유형;
- 각 주장을 지지, 도전 또는 맥락화하는 출처;
- 알려진 접근, 언어, 데이터베이스 및 시간 제한.
검색은 검색된 것을 설정할 수 있으며, 보편적인 부재는 아닙니다. "문서화된 검색 경계 내에서 찾을 수 없음"이라고 말하고 "이전 연구가 존재하지 않음"이라고 말하지 마십시오. assets/search_boundary_template.json, assets/evidence_ledger_template.csv 및 references/literature_search_strategies.md를 사용하십시오.
5. 테스트를 선택하기 전에 경쟁자 생성
그럴듯할 때 진정으로 다른 설명 클래스에서 여러 후보를 생성하십시오:
- 제안된 메커니즘;
- 측정 또는 처리 인공물;
- 교란 또는 공통 원인;
- 선택 또는 탈락;
- 충돌체 조건;
- 역인과;
- 시간적, 맥락적 또는 경계 조건 차이;
- 확률적 변동;
- 다른 규모의 경쟁 메커니즘.
앵커링 및 균질화를 줄이기 위해 AI 지원 확장 전에 독립적으로 초기 경쟁자 세트를 생성하십시오. 고정된 숫자나 거짓 대칭을 강요하지 마십시오. 모든 후보를 후보로 레이블링하십시오.
Platt의 강력한 추론 패턴은 대안 가설과 결정적 테스트를 동기 부여하지만, 실패한 대안이 생존자를 사실로 만드는 것은 아닙니다. 알려지지 않은 대안, 보조 가정, 측정 오류 및 혼합 메커니즘이 여전히 가능합니다.
6. 주장 유형 및 추정량 선언
각 대상을 다음과 같이 분류하십시오:
- 기술적;
- 연관성;
- 예측적;
- 인과적;
- 메커니즘적.
인과적 대상의 경우 분석 전에 정의하십시오:
- 대상 모집단 또는 시스템;
- 중재/노출 및 비교자;
- 결과 및 시간 지평;
- 모집단 수준 요약;
- 관련된 치료 버전 및 중간 사건 처리;
- 식별 가정 및 대상 시험/설계 유사성.
교란, 선택, 충돌체, 측정 및 역인과 위험을 별도로 문서화하십시오. 관찰적 인과 추정치는 가정에 의존합니다. references/causal_inference_and_claims.md를 사용하십시오.
7. 변별적 예측 도출
각 후보에 대해:
- 조건 및 경계 조건을 명시합니다.
- 관찰 가능한 것과 측정을 지정합니다.
- 예상 패턴과 불확실성을 명시합니다.
- 선언된 가정 하에서 후보와 양립할 수 없는 결과를 명시합니다.
- 적어도 하나의 경쟁자와 예상 결과를 대조합니다.
- 불확정 결과와 그로부터 배울 수 있는 것을 정의합니다.
경쟁자가 의미 있게 다른 결과를 예측하는 테스트를 선호하십시오. 과학적으로 적절한 경우 양성, 절차 및 음성 대조군을 추가하십시오. 음성 대조군은 관련 편향 경로를 공유하면서 대상 메커니즘을 통해 작동할 수 없어야 합니다. 장식적인 치료되지 않은 그룹이 아닙니다.
assets/prediction_rival_matrix_template.csv 및 assets/falsification_controls_template.json을 사용하십시오.
8. 측정 조작화 및 검증
각 구성에 대해 기록:
- 변수 역할 및 조작적 정의;
- 모집단/시스템, 단위, 시기 및 조건;
- 도구/방법, 교정, 품질 관리 및 마스킹;
- 신뢰도/재현성;
- 타당도 증거 및 적용 가능성;
- 누락, 검출 한계, 변환, 절단점 및 그 근거;
- 관련성이 있을 때 측정 불변성 또는 집단 간 비교 가능성;
- 예측 가능한 측정 편향 및 한계.
편리한 대리 변수를 구성 개념 자체로 취급하지 마십시오. 다음을 사용하여 검증하십시오:
python3 scripts/check_operationalization.py local-operationalization.json
9. 주장에 맞게 설계 및 분석 일치
지정:
- 표본 추출, 실험 단위, 할당, 무작위 배정, 마스킹 및 대조군;
- 포함/제외 및 중단 규칙;
- 선언된 가정에 기반한 표본 크기, 정밀도 또는 정보 근거;
- 결과, 대비, 추정량, 모델, 효과 측정 및 불확실성;
- 누락 데이터 및 중간 사건 처리;
- 결과, 모델, 하위 그룹, 중간 분석 및 가설 전반의 다중성;
- 가정, 진단, 강건성 및 민감도 분석;
- 재현 또는 독립적 검증 계획;
- 확인적 대 탐색적 요소.
보편적인 표본 크기 최소값을 사용하지 마십시오. 임계값이 있는 p-값을 가설이 참일 확률이나 효과 중요성으로 해석하지 마십시오. references/experimental_design_patterns.md를 참조하십시오.
중재 시험의 경우, 해당되는 경우 현재 SPIRIT 2025 프로토콜 지침 및 CONSORT 2025 보고 지침을 사용하십시오. 이는 완전성을 향상시키지만 설계 품질, 윤리 또는 규제 준수를 인증하지는 않습니다.
10. HARKing 방지 및 편차 노출
대상 결과에 접근하기 전에, 가능할 때 질문, 후보, 예측, 결과, 제외, 변환, 분석, 다중성, 누락 데이터 계획 및 중단 규칙에 타임스탬프를 찍습니다.
이후:
- 데이터 의존적 아이디어와 분석을 탐색적이라고 레이블링합니다.
- 계획된 분석을 보존하고 보고합니다.
- 날짜, 근거, 결정자 및 예상 영향을 포함한 편차를 나열합니다.
- 관찰된 패턴을 사전 예측으로 다시 작성하지 마십시오.
사전 등록은 투명한 계획이지 적응 금지가 아닙니다. 등록 보고서는 결과 블라인드 동료 검토와 저널 정책에 따른 원칙적 수락을 추가합니다. references/preregistration_and_open_science.md를 참조하십시오.
11. 재현 및 업데이트 계획
구분:
- 재현성: 동일한 데이터/코드/조건에서 일관된 계산 결과;
- 재현 가능성: 동일한 질문에 대한 새로운 데이터를 수집하는 연구 간의 일관성.
공유가 승인된 경우 출처, 버전, 코드, 자료 및 결정 로그를 보존합니다. 관련 경계를 넘어 독립적인 재현 또는 이전 테스트를 계획합니다. 반대, 귀무 또는 재현 증거가 도착하면 후보 상태를 업데이트하고 부정적 결과를 숨기지 마십시오.
12. 인간 책임 적용
책임 있는 인간은 다음을 확인해야 합니다:
- 모든 인용 및 출처-주장 링크;
- 도메인 타당성 및 측정 타당성;
- 인과 가정 및 통계 설계;
- 윤리, 타당성, 안전, 개인 정보 보호 및 규제 상태;
- 모든 AI 지원 텍스트, 아이디어 및 인용;
- 더 넓은 전문 지식이나 커뮤니티 입력이 필요한지 여부.
AI는 인용을 조작하고, 추론을 고정시키며, 후보 세트를 균질화할 수 있습니다. 허용된 AI 사용 및 실질적 영향을 기록합니다. 프로세스에서 독립적인 인간 아이디어 창출 및 경쟁자 생성을 유지합니다.
로컬 도구 인덱스
모든 CLI는 범위가 제한되고, 의존성이 없으며, 로컬, 결정론적이며, 점수를 매기지 않습니다:
| 작업 | 자산 | 명령어 |
|---|---|---|
| 가설 기록 스키마 | assets/hypothesis_record_template.json | python3 scripts/validate_hypothesis_schema.py record.json |
| 측정 체크리스트 | assets/operationalization_template.json | python3 scripts/check_operationalization.py checklist.json |
| 예측/경쟁자 행렬 | assets/prediction_rival_matrix_template.csv | python3 scripts/validate_prediction_matrix.py matrix.csv |
| 주장 언어 린트 | 주석 처리된 Markdown | python3 scripts/lint_causal_claims.py draft.md |
| 반증/대조군 | assets/falsification_controls_template.json | python3 scripts/check_falsification_controls.py controls.json |
| 증거/출처 감사 | assets/evidence_ledger_template.csv + assets/search_boundary_template.json | python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json |
| 사전 등록 스캐폴드 | assets/preregistration_scaffold_template.md | python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md |
종료 코드는 구조적으로 유효한 출력의 경우 0, 오류가 있는 검증 완료의 경우 1, 잘못된 형식/안전하지 않은 입력의 경우 2입니다. 보고서는 선언 및 내부 일관성만 검증합니다. 과학적 진리를 확인하거나 가설을 선택하지 않습니다. 전체 스키마는 references/tool_reference.md에 있습니다.
참고 자료
references/concepts_and_workflow.md— 객체 모델, 강력한 추론, 불확실성 및 후보 수명 주기references/hypothesis_quality_criteria.md— 점수를 매기지 않는 인간 검토 기준references/literature_search_strategies.md— 추적 가능하고 범위가 제한된 증거 검색references/causal_inference_and_claims.md— 추정량 및 인과 편향 위험references/experimental_design_patterns.md— 설계, 대조군, 측정, 다중성 및 재현references/preregistration_and_open_science.md— 사전 등록, 등록 보고서, 편차 및 개방형 과학references/ethics_safety_and_ai.md— 감독 게이트, 이중 용도, 데이터 처리 및 책임 있는 AIreferences/tool_reference.md— CLI 스키마, 제한 사항 및 예제references/source_ledger.md— 날짜가 표시된 권위 있는 출처 노트references/security_validation.md— 기준 조사 결과 및 검증 기록
번들로 제공되는 출처 원장은 assets/source_ledger.csv이며 2026-07-23까지 확인되었습니다. 이후 날짜나 관할권에 대해서는 시간에 민감한 정책 및 지침을 다시 확인하십시오.