Communitygithub.com

avaliação-de-estudos-acadêmicos

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

O que é avaliação-de-estudos-acadêmicos?

A habilidade de Avaliação de Estudos Acadêmicos (Scholar Evaluation) oferece uma rubrica estruturada e repetível para avaliar trabalhos acadêmicos e científicos. Ela abrange nove dimensões principais — problema e pergunta de pesquisa, literatura e contexto, metodologia, dados e evidências, análise, resultados e interpretação, limitações e ameaças à validade, escrita e estrutura, e citações — cada uma com critérios específicos para pontuação de 1 a 5 ou N/A. A ferramenta é útil para revisores, orientadores, editores e pesquisadores que desejam fornecer feedback objetivo e detalhado, seja em revisões abrangentes, direcionadas ou comparativas. O processo inclui leitura sistemática do trabalho, verificação de evidências, pontuação por dimensão, identificação de bloqueios críticos e recomendações de revisão, com um modelo de saída padronizado. Ela é compatível com qualquer plataforma de agente de IA que suporte a execução de habilidades em Markdown, como Claude Code, Cursor ou Codex, e ajuda a evitar armadilhas comuns como confundir reputação com qualidade ou aceitar reivindicações não suportadas.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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

Avaliação de Estudos Acadêmicos

Use esta habilidade 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 apoiadas 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 sistemática ou narrativa da literatura
  • proposta de pesquisa
  • capítulo de tese ou dissertação
  • resumo de conferência ou artigo curto

Em seguida, escolha o escopo:

  • abrangente: 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 prévio relevante é coberto?
  • O trabalho sintetiza, em vez de apenas listar fontes?
  • As lacunas são identificadas com precisão?
  • Fontes recentes e fundamentais estão 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?
  • 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 estão documentadas?
  • Dados ausentes e riscos de 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, não 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 estão organizadas em torno da pergunta de pesquisa?
  • Definições e notações são claras?
  • O tom é preciso e acadêmico?

9. Citações

  • Os artigos citados apoiam as afirmações vinculadas a eles?
  • Fontes primárias são usadas quando possível?
  • As revisões são rotuladas como revisões?
  • Preprints são rotulados como preprints?
  • Os metadados e links de citação 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 de Estudos Acadêmicos: <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 de seu escopo.
  • Não trate contagem de citações, veículo ou reputação do autor como prova de qualidade.
  • Não aceite afirmações não suportadas só 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/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.

Habilidades Relacionadas