Communitygithub.com

Avaliação Acadêmica

Avaliação estruturada de trabalhos acadêmicos para artigos, propostas, revisões de literatura, seções de métodos, qualidade de evidências, suporte de citações e feedback sobre escrita científica. Use ao avaliar trabalhos acadêmicos ou científicos — artigos, propostas, seções de métodos ou qualidade de evidências — contra uma rubrica repetível.

O que é Avaliação Acadêmica?

Esta skill, 'Avaliação Acadêmica', oferece um framework estruturado e repetível para a avaliação crítica de trabalhos acadêmicos e científicos. Ela é projetada para uso por agentes de IA (como Claude Code, Cursor ou Codex) e desenvolvedores que precisam analisar artigos de pesquisa, propostas, capítulos de tese, revisões de literatura ou relatórios técnicos. A skill define um escopo de avaliação flexível (compreensivo, direcionado ou comparativo) e uma rubrica detalhada com nove dimensões, incluindo problema de pesquisa, metodologia, evidências, análise e citações. Cada dimensão é pontuada de 1 a 5, com orientações claras para fornecer feedback acionável e identificar problemas críticos. Além disso, a skill inclui um processo de revisão passo a passo, um modelo de saída padronizado em markdown e armadilhas comuns a evitar, garantindo avaliações consistentes e de alta qualidade que economizam tempo e melhoram a precisão da revisão por pares automatizada.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Avaliação Acadêmica faz?

Use esta skill para avaliar trabalhos acadêmicos ou científicos com uma rubrica repetível.

Quando Usar

  • Revisando um artigo de pesquisa, proposta, capítulo de tese ou revisão de literatura.
  • Verificando se as afirmações são suportadas por evidências citadas.
  • Avaliando metodologia, desenho de estudo, análise ou limitações.
  • Comparando dois ou mais artigos quanto à qualidade ou relevância.
  • Produzindo feedback estruturado para revisão.

Escopo da Avaliação

Comece identificando o artefato:

  • artigo de pesquisa empírica
  • artigo teórico
  • relatório técnico
  • revisão de literatura sistemática ou narrativa
  • proposta de pesquisa
  • capítulo de tese ou dissertação
  • resumo de conferência ou artigo curto

Em seguida, escolha o escopo:

  • compreensivo: todas as dimensões da rubrica
  • direcionado: uma ou duas dimensões, como método ou citações
  • comparativo: classificar vários trabalhos contra a mesma rubrica

Rubrica

Pontue cada dimensão aplicável de 1 a 5:

  • 5: excelente; claro, rigoroso e pronto para publicação
  • 4: bom; pequenas melhorias necessárias
  • 3: adequado; lacunas significativas, mas utilizável
  • 2: fraco; revisão substancial necessária
  • 1: ruim; grandes problemas de validade ou clareza

Use N/A para dimensões que não se aplicam.

1. Problema e Pergunta de Pesquisa

  • O problema é claro e específico?
  • A contribuição é significativa?
  • O escopo e as premissas são explícitos?
  • A pergunta corresponde à contribuição reivindicada?

2. Literatura e Contexto

  • O trabalho anterior relevante é coberto?
  • O trabalho sintetiza, em vez de apenas listar fontes?
  • As lacunas são identificadas com precisão?
  • Fontes recentes e fundamentais são equilibradas?

3. Metodologia

  • O método responde à pergunta de pesquisa?
  • As escolhas de desenho são justificadas?
  • Variáveis, conjuntos de dados, participantes ou materiais são descritos claramente?
  • Outro pesquisador poderia reproduzir o trabalho?
  • As restrições éticas e práticas são reconhecidas?

4. Dados e Evidências

  • As fontes de dados são credíveis e apropriadas?
  • O tamanho da amostra ou cobertura do corpus é adequado?
  • As decisões de inclusão, exclusão e pré-processamento são documentadas?
  • Os riscos de dados ausentes e viés são discutidos?

5. Análise

  • Os métodos estatísticos, qualitativos ou computacionais são apropriados?
  • As linhas de base e controles são justos?
  • Verificações de incerteza, sensibilidade ou robustez são incluídas quando necessário?
  • Explicações alternativas são consideradas?

6. Resultados e Interpretação

  • Os resultados são apresentados claramente?
  • As afirmações permanecem dentro das evidências?
  • Figuras, tabelas e métricas são compreensíveis?
  • Resultados negativos ou nulos são tratados honestamente?

7. Limitações e Ameaças à Validade

  • As limitações são específicas em vez de genéricas?
  • Os riscos de validade interna, externa, de construto e de conclusão são abordados?
  • O artigo distingue especulação de resultados demonstrados?

8. Escrita e Estrutura

  • O argumento é fácil de seguir?
  • As seções são organizadas em torno da pergunta de pesquisa?
  • Definições e notação são claras?
  • O tom é preciso e acadêmico?

9. Citações

  • Os artigos citados suportam as afirmações associadas a eles?
  • Fontes primárias são usadas quando possível?
  • Revisões são rotuladas como revisões?
  • Preprints são rotulados como preprints?
  • Os metadados e links das citações estão corretos?

Processo de Revisão

  1. Leia o resumo, introdução, figuras e conclusão para a contribuição reivindicada.
  2. Leia métodos e resultados para a qualidade das evidências.
  3. Verifique as afirmações mais fortes contra as fontes citadas.
  4. Pontue cada dimensão aplicável.
  5. Separe bloqueadores críticos de sugestões de revisão.
  6. Termine com as próximas edições concretas.

Modelo de Saída

# Avaliação Acadêmica: <Artefato>

## Avaliação Geral

- Pontuação geral: <1-5 ou N/A>
- Confiança: <alta | média | baixa>
- Resumo: <3-5 frases>

## Pontuações por Dimensão

| Dimensão | Pontuação | Evidência | Prioridade de revisão |
| --- | ---: | --- | --- |
| Problema e pergunta |  |  |  |
| Literatura e contexto |  |  |  |
| Metodologia |  |  |  |
| Dados e evidências |  |  |  |
| Análise |  |  |  |
| Resultados e interpretação |  |  |  |
| Limitações |  |  |  |
| Escrita e estrutura |  |  |  |
| Citações |  |  |  |

## Problemas Críticos

## Revisões Recomendadas

## Verificações de Evidências Necessárias

Armadilhas

  • Não use a pontuação como substituto para feedback concreto.
  • Não penalize um artigo por omitir uma dimensão fora do seu escopo.
  • Não trate contagem de citações, veículo ou reputação do autor como prova de qualidade.
  • Não aceite afirmações sem suporte apenas porque aparecem no resumo.

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.

Habilidades Relacionadas