科学假设生成 是做什么的？
将观察转化为一组透明的候选解释和检验方案。假设是供挑战的提案，而非发现、事实、诊断或建议。
非协商性边界
在使用未发表、敏感、受控、个人、专有、出口管控或安全相关材料之前：
- 确认授权以及适用的机构、资助方、出版商、数据使用、隐私和AI政策。
- 除非授权人类明确批准指定的外部目的地和数据范围，否则将材料保持本地化。
- 最小化输入。未经授权，不得将敏感或未发表的数据放入网络搜索或外部AI系统。
- 在适当的人员、动物、生物安全、双重用途、数据治理或监管关口前停止。
永远不要：
- 将假设、机制、因果效应、引用或表面模式呈现为既定证据；
- 因快速搜索未发现而声称新颖性；
- 仅凭关联、时间顺序、预测准确性或模型输出推断因果；
- 提供针对患者的诊断、治疗、剂量、预后或其他临床建议；
- 为病原体、毒素、武器、规避或其他滥用行为提供有害的实验优化或操作细节；
- 绕过IRB/REC、IACUC、IBC、生物安全、双重用途、隐私、法律或监管审查；
- 伪造来源、标识符、搜索覆盖范围、数据、结果、批准或预注册；
- 自动评分、排名、选择、接受或拒绝科学假设。
如果请求触及安全关口，仅生成高级风险/监督说明，并将其转交给合格的本地主管部门。不要继续提供操作细节。
保持对象区分
| 对象 | 含义 |
|---|---|
| 观察 | 被测量、注意到或报告的内容，附有来源和不确定性 |
| 研究问题 | 定义范围的可回答的问题 |
| 假设 | 候选的解释性或关系性命题 |
| 机制 | 将条件与结果联系起来的拟议过程 |
| 因果估计量 | 精确定义的因果对比 |
| 预测 | 在检查目标结果之前得出的可观察推论 |
| 替代解释 | 竞争性解释，包括偏倚或非因果解释 |
| 零假设 | 分析中使用的指定无效应/无差异模型 |
| 阴性对照 | 预期不应通过拟议机制起作用的对照 |
| 操作性定义 | 如何将构念转化为变量、测量、干预或类别 |
| 分析计划 | 预先指定的转换、模型、对比、不确定性和决策规则 |
| 证据 | 与主张相关的观察或来源；绝非主张本身 |
不要混淆这些标签。机制性故事不是预测；预测不是证据；拒绝一个零假设不能证明机制；支持一个候选假设不能排除未考虑的竞争性假设。
工作流程
1. 运行范围和安全关口
记录：
- 负责的人类所有者与预期用途；
- 数据敏感性、授权、保留和允许的处理方式；
- 受影响的人员、动物、生态系统、社区或安全利益；
- 所需的伦理、可行性、生物安全、双重用途和监管审查；
- 未解决的障碍和所需的领域专业知识。
无脚本审批等同于此技能。脚本审批不等于伦理、安全、监管或科学审批。
2. 冻结观察
在解释之前写下观察：
- 测量或来源；
- 人群、系统、地点和时间；
- 观察单位和分析单位；
- 不确定性、缺失、排除和预处理；
- 模式是预期的、探索性的还是在查看结果后选择的。
使用“报告”、“观察到”或“关联”，除非因果设计和估计量证明合理，否则不要使用因果语言。
3. 构建研究问题
仅在合适的情况下选择一种框架：
- PICO/PICOT 用于干预/效果问题：人群、干预、对照、结局，并可选时间。
- PECO 用于暴露问题。
- 人群–指标测试–参考标准–目标条件 用于诊断准确性。
- 人群–预后因素–结局–时间 用于预后。
- 用于定性、描述性、机制性或理论性工作的特定领域构念–情境–结局框架。
PICO 不是通用模板。定义利益相关者、情境、边界、可行性以及答案会如何改变知识或实践。FINER 是问题精炼的记忆法——可行性、兴趣、新颖性、伦理性、相关性——不是评分系统。将“新颖性”视为待定，直到有记录在案的、适用性强的搜索和专家审查支持。
4. 建立带日期的证据边界
在做出依赖文献的陈述之前进行搜索。优先选择原始研究、官方政策、原始方法论文、当前报告指南和用于定位的系统综述。
记录：
- 搜索日期和截止日期；
- 数据库/索引、查询、筛选器和筛选边界；
- 包含和排除的源类型；
- 支持、挑战或背景化每个主张的来源；
- 已知的访问、语言、数据库和时间限制。
搜索可以确定搜索了什么，而不能确定普遍不存在。说“在记录的搜索边界内未找到”，永远不要说“无先例”。使用 assets/search_boundary_template.json、assets/evidence_ledger_template.csv 和 references/literature_search_strategies.md。
5. 在选择检验之前生成竞争性假设
当合理时，从根本不同的解释类别中创建多个候选假设：
- 提议的机制；
- 测量或处理伪影；
- 混杂或共同原因；
- 选择或损耗；
- 在碰撞变量上条件作用；
- 反向因果；
- 时间、情境或边界条件差异；
- 随机变异；
- 其他尺度上的竞争机制。
在AI辅助扩展之前，独立生成初始竞争性假设集，以减少锚定和同质化。不要强制固定数量或虚假对称。保持每个候选假设标记为 candidate。
普拉特的强推断模式促使产生替代假设和关键检验，但失败的替代假设并不能使幸存者成立。未考虑的替代假设、辅助假设、测量误差和混合机制仍然可能。
6. 声明主张类型和估计量
将每个目标分类为：
- 描述性；
- 关联性；
- 预测性；
- 因果性；
- 机制性。
对于因果目标，在分析之前定义：
- 目标人群或系统；
- 干预/暴露和对照；
- 结局和时间范围；
- 人群层面总结；
- 治疗版本和处理相关事件（如相关）；
- 识别假设和目标试验/设计类比。
分别记录混杂、选择、碰撞变量、测量和反向因果风险。观察性因果估计仍然依赖于假设。使用 references/causal_inference_and_claims.md。
7. 推导区分性预测
对于每个候选假设：
- 陈述条件和边界条件。
- 命名可观察变量和测量方法。
- 陈述预期模式和不确定性。
- 陈述在声明假设下与候选假设不相容的结果。
- 将预期结果与至少一个竞争性假设进行对比。
- 定义不确定结果以及从中学到的东西。
优先选择竞争性假设预测显著不同结果的检验。在科学适当时添加阳性对照、程序性对照和阴性对照。阴性对照必须不能通过目标机制起作用，同时共享相关的偏倚途径；它不是一个装饰性的未处理组。
使用 assets/prediction_rival_matrix_template.csv 和 assets/falsification_controls_template.json。
8. 操作性定义并验证测量
对于每个构念，记录：
- 变量角色和操作性定义；
- 人群/系统、单位、时间和条件；
- 工具/方法、校准、质量控制和掩蔽；
- 信度/可重复性；
- 效度证据和适用性；
- 缺失、检测限、转换、切点和其理由；
- 测量不变性或跨组可比性（如相关）；
- 可预见的测量偏倚和局限性。
不要将方便的代理指标视为构念本身。使用以下方式验证：
python3 scripts/check_operationalization.py local-operationalization.json
9. 使设计与分析匹配主张
指定：
- 抽样、实验单位、分配、随机化、掩蔽和对照；
- 纳入/排除标准和停止规则；
- 基于声明假设的样本量、精度或信息依据；
- 结局、对比、估计量、模型、效应度量和不确定性；
- 缺失数据和相关事件处理；
- 跨结局、模型、亚组、中期分析和假设的多样性；
- 假设、诊断、稳健性和敏感性分析；
- 重复或独立验证计划；
- 什么是确证性的、什么是探索性的。
不要使用通用样本量最小值。不要将阈值化的 p 值解释为假设为真的概率或效应重要性。参见 references/experimental_design_patterns.md。
对于干预试验，在适用时使用当前的 SPIRIT 2025 方案指导和 CONSORT 2025 报告指导。这些提高完整性；它们不认证设计质量、伦理或监管合规性。
10. 防止HARKing并暴露偏差
在获取目标结局之前，在可行时对问题、候选假设、预测、结局、排除、转换、分析、多样性、缺失数据计划和停止规则添加时间戳。
之后：
- 将数据依赖的想法和分析标记为探索性；
- 保留并报告计划的分析；
- 列出偏差，包括日期、理由、决策者和预期影响；
- 永远不要将观察到的模式重写为先验预测。
预注册是一项透明的计划，而非禁止调整。注册报告在期刊政策下增加了结果盲审和原则性接受。参见 references/preregistration_and_open_science.md。
11. 计划重复与更新
区分：
- 可再现性： 相同数据/代码/条件下计算结果的稳健一致性；
- 可重复性： 针对同一问题收集新数据的研究间稳健一致性。
当授权共享时，保留来源、版本、代码、材料和决策日志。计划独立重复或在相关边界上的传输检验。当相反、无效或重复证据出现时更新候选状态；不要隐藏阴性结果。
12. 应用人类问责制
负责的人类必须验证：
- 每个引文和来源到主张的链接；
- 领域合理性和测量效度；
- 因果假设和统计设计；
- 伦理、可行性、安全性、隐私和监管状态；
- 所有AI辅助的文本、想法和引文；
- 是否需要更广泛的领域专长或社区输入。
AI可能虚构引文、锚定推理并使候选集同质化。记录允许的AI使用和实质性影响。保持独立的人类构思和竞争性假设生成在流程中。
本地工具索引
所有CLI都是受限的、无依赖的、本地的、确定性的且非评分的：
| 任务 | 资产 | 命令 |
|---|---|---|
| 假设记录模式 | assets/hypothesis_record_template.json | python3 scripts/validate_hypothesis_schema.py record.json |
| 测量清单 | assets/operationalization_template.json | python3 scripts/check_operationalization.py checklist.json |
| 预测/竞争矩阵 | assets/prediction_rival_matrix_template.csv | python3 scripts/validate_prediction_matrix.py matrix.csv |
| 声明语言lint | 带注释的Markdown | python3 scripts/lint_causal_claims.py draft.md |
| 证伪/对照 | assets/falsification_controls_template.json | python3 scripts/check_falsification_controls.py controls.json |
| 证据/来源审计 | assets/evidence_ledger_template.csv + assets/search_boundary_template.json | python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json |
| 预注册支架 | assets/preregistration_scaffold_template.md | python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md |
退出码为 0（结构有效输出）、1（完成验证但有错误）和 2（格式错误/不安全输入）。报告仅验证声明和内部一致性；它们不验证科学真理或选择假设。完整模式在 references/tool_reference.md 中。
参考文献
references/concepts_and_workflow.md— 对象模型、强推断、不确定性和候选生命周期references/hypothesis_quality_criteria.md— 非评分人类审查标准references/literature_search_strategies.md— 可追溯、有边界的证据搜索references/causal_inference_and_claims.md— 估计量和因果偏倚风险references/experimental_design_patterns.md— 设计、对照、测量、多样性和重复references/preregistration_and_open_science.md— 预注册、注册报告、偏差和开放科学references/ethics_safety_and_ai.md— 监督关口、双重用途、数据处理和负责任的AIreferences/tool_reference.md— CLI模式、限制和示例references/source_ledger.md— 带日期的权威来源说明references/security_validation.md— 基线发现和验证记录
捆绑的源分类账是 assets/source_ledger.csv，已验证至 2026-07-23。在稍后日期之前重新检查时效性敏感的政策和指南。
…
[截断以待翻译]