科學假說生成 是做什麼的？
將觀察結果轉化為一組透明的候選解釋與檢驗。假說是一個待挑戰的提議，而非發現、事實、診斷或建議。
不可協商的邊界
在使用未發表、敏感、受控、個人、專有、出口管制或安全相關的資料之前：
- 確認授權以及適用的機構、資助者、出版商、資料使用、隱私及AI政策。
- 將資料保留在本機，除非獲得授權的人類明確批准指定的外部目的地和資料範圍。
- 最小化輸入內容。未經授權，請勿將敏感或未發表的資料放入網路搜尋或外部AI系統。
- 在適當的人類、動物、生物安全、雙重用途、資料治理或法規關卡前停止。
絕不能：
- 將假說、機制、因果效應、引用或明顯的模式呈現為已確立的證據；
- 因為快速搜尋未發現結果就聲稱具有新穎性；
- 僅根據關聯性、時間順序、預測準確性或模型輸出推斷因果關係；
- 提供針對特定患者的診斷、治療、劑量、預後或其他臨床建議；
- 提供有害的實驗優化或病原體、毒素、武器、規避或其他濫用的操作細節；
- 繞過IRB/REC、IACUC、IBC、生物安全、雙重用途、隱私、法律或法規審查；
- 偽造來源、識別碼、搜尋範圍、資料、結果、批准或預先註冊；
- 自動評分、排名、選擇、接受或拒絕科學假說。
如果請求越過了安全關卡，請僅生成高層級的風險/監督備忘錄，並將其轉交給合格的當地主管機關。請勿繼續提供操作細節。
保持對象區分明確
| 對象 | 意義 |
|---|---|
| 觀察 | 所測量、注意或報告的內容，並附有來源與不確定性 |
| 研究問題 | 可回答的問題，定義了研究範圍 |
| 假說 | 一個候選的解釋性或關係性命題 |
| 機制 | 連結條件與結果的提議過程 |
| 因果估計量 | 要估計的精確定義的因果對比 |
| 預測 | 在查看目標結果之前推導出的可觀察推論 |
| 替代解釋 | 競爭性的解釋，包括偏誤或非因果解釋 |
| 虛無假說 | 分析中使用的特定無效果/無差異模型 |
| 陰性對照 | 預期不會透過提議機制運作，但共享相關偏誤路徑的對照 |
| 操作化 | 建構如何變成變數、測量、介入或類別 |
| 分析計畫 | 預先指定的轉換、模型、對比、不確定性及決策規則 |
| 證據 | 與主張相關的觀察或來源；絕非主張本身 |
不要混淆這些標籤。機制故事並非預測；預測並非證據；拒絕一個虛無假說並不證明一個機制；支持一個候選假說並不能排除未考慮的競爭者。
工作流程
1. 執行範圍與安全關卡
記錄：
- 負責的人類所有者與預期用途；
- 資料敏感性、授權、保留及允許的處理方式；
- 受影響的人、動物、生態系統、社群或安全利益；
- 所需的倫理、可行性、生物安全、雙重用途及法規審查；
- 未解決的障礙及所需的領域專業知識。
沒有任何腳本批准可以取代倫理、安全、法規或科學批准。
2. 凍結觀察記錄
在解釋之前寫下觀察結果：
- 測量或來源；
- 族群、系統、地點與時間；
- 觀察單位與分析單位；
- 不確定性、缺失值、排除項目及預處理；
- 該模式是預期的、探索性的，還是在查看結果後選擇的。
使用「據報告」、「觀察到」或「相關聯」，除非有因果設計和估計量證明，否則不要使用因果語言。
3. 構建研究問題
僅在合適時選擇一個框架：
- PICO/PICOT 用於介入/效果問題：族群、介入、比較組、結果，以及可選的時間。
- PECO 用於暴露問題。
- 族群–指標測試–參考標準–目標條件 用於診斷準確性。
- 族群–預後因子–結果–時間 用於預後。
- 針對質性、描述性、機制性或理論性工作，使用特定領域的建構–情境–結果框架。
PICO 不是通用模板。定義利益相關者、背景、邊界、可行性，以及何種答案會改變知識或實踐。FINER 是問題精煉的口訣——可行性、有趣性、新穎性、倫理性、相關性——而非評分系統。將「新穎性」視為未解決問題，直至有記錄、適合目的的搜尋和專家審查支持它。
4. 建立有日期的證據邊界
在做出依賴文獻的陳述之前先進行搜尋。優先使用原始研究、官方政策、主要方法論文、當前報告指南以及用於定向的系統性回顧。
記錄：
- 搜尋日期與截止點；
- 資料庫/索引、查詢、篩選條件及篩選邊界；
- 包含與排除的來源類型；
- 支持、挑戰或脈絡化每個主張的來源；
- 已知的存取、語言、資料庫及時間限制。
搜尋可以確立搜尋了什麼，而非普遍的缺失。請說「在記錄的搜尋邊界內未找到」，絕不能說「沒有先前的工作存在」。使用 assets/search_boundary_template.json、assets/evidence_ledger_template.csv 及 references/literature_search_strategies.md。
5. 在選擇檢驗之前生成競爭解釋
當合理時，從真正不同的解釋類別創建多個候選假說：
- 提議的機制；
- 測量或處理偽影；
- 混雜或共同原因；
- 選擇偏差或流失；
- 條件化於對撞因子；
- 反向因果關係；
- 時間、脈絡或邊界條件的差異；
- 隨機變異；
- 其他尺度上的競爭機制。
在AI輔助擴展之前，獨立生成初始的競爭解釋集合，以減少錨定和同質化。不要強制固定數量或虛假的對稱性。保持每個候選假說標記為 candidate。
Platt 的強推論模式促進了替代假說和關鍵檢驗，但失敗的替代假說並不能使存活的假說為真。未知的替代假說、輔助假設、測量誤差和混合機制仍有可能存在。
6. 宣告主張類型與估計量
將每個目標分類為：
- 描述性；
- 關聯性；
- 預測性；
- 因果性；
- 機制性。
對於因果目標，在分析之前定義：
- 目標族群或系統；
- 介入/暴露與比較組；
- 結果與時間範圍；
- 族群層級摘要；
- 處理版本及相關的時發事件處理方式；
- 識別假設與目標試驗/設計類比。
分別記錄混雜、選擇、對撞因子、測量及反向因果的風險。觀察性因果估計仍依賴於假設。使用 references/causal_inference_and_claims.md。
7. 推導區辨性預測
對於每個候選假說：
- 陳述條件及邊界條件。
- 命名可觀察項及其測量方式。
- 陳述預期的模式與不確定性。
- 陳述在既定假設下與該候選假說不相容的結果。
- 將預期結果與至少一個競爭假說的結果進行對比。
- 定義不確定結果以及從中能學到什麼。
優先選擇競爭假說預測出顯著不同結果的檢驗。在科學上適當時，加入陽性對照、程序對照和陰性對照。陰性對照必須能夠透過目標機制運作，同時共享相關的偏誤路徑；它不是一個裝飾性的未處理組。
使用 assets/prediction_rival_matrix_template.csv 及 assets/falsification_controls_template.json。
8. 操作化與驗證測量
對於每個建構記錄：
- 變數角色與操作型定義；
- 族群/系統、單位、時間點與條件；
- 儀器/方法、校正、品質控制與盲法；
- 信度/重複性；
- 效度證據與適用性；
- 缺失值、檢測極限、轉換、切點及其理由；
- 相關時的測量不變性或跨群體可比性；
- 可預見的測量偏誤與限制。
不要將方便的代理變數視為建構本身。使用以下指令驗證：
python3 scripts/check_operationalization.py local-operationalization.json
9. 使設計與分析符合主張
指定：
- 抽樣、實驗單位、分派、隨機化、盲法與對照；
- 納入/排除與停止規則；
- 基於既定假設的樣本數、精度或資訊理由；
- 結果、對比、估計量、模型、效果測量與不確定性；
- 缺失資料與時發事件處理方式；
- 跨結果、模型、亞組、期中分析與假說的多重性；
- 假設、診斷、穩健性與敏感性分析；
- 複製或獨立驗證計畫；
- 什麼是驗證性的，什麼是探索性的。
不要使用通用的樣本數最小值。不要將閾值化的 p 值解釋為假說為真的機率或效應重要性。請參閱 references/experimental_design_patterns.md。
對於介入試驗，請酌情使用當前的 SPIRIT 2025 方案指南和 CONSORT 2025 報告指南。這些指南可提高完整性；但它們並不證明設計品質、倫理或法規合規性。
10. 防止 HARKing 並揭露偏差
在取得目標結果之前，若可行，請為問題、候選假說、預測、結果、排除項目、轉換、分析、多重性、缺失資料計畫及停止規則加上時間戳記。
之後：
- 將依賴資料的想法和分析標記為探索性；
- 保留並報告預先計畫的分析；
- 列出偏差，包括日期、理由、決定者及預期影響；
- 切勿將觀察到的模式改寫為先驗預測。
預先註冊是一個透明的計畫，而非禁止適應性。Registered Reports 在期刊政策下增加了結果盲審和原則性接受。請參閱 references/preregistration_and_open_science.md。
11. 規劃複製與更新
區分：
- 可重複性： 從相同資料/程式碼/條件獲得一致的計算結果；
- 可複製性： 針對相同問題收集新資料的研究之間的一致性。
在授權分享時，保留來源、版本、程式碼、材料與決策日誌。規劃在相關邊界上進行獨立複製或遷移測試。當出現相反、虛無或複製證據時，更新候選假說的狀態；不要隱藏負面結果。
12. 應用人類問責制
負責的人類必須驗證：
- 每個引用和來源到主張的連結；
- 領域合理性與測量效度；
- 因果假設與統計設計；
- 倫理、可行性、安全性、隱私與法規狀態；
- 所有 AI 輔助的文字、想法與引用；
- 是否需要更廣泛的專業知識或社群意見。
AI 可能虛構引用、錨定推理並使候選假說集合同質化。記錄允許的 AI 使用方式與重大影響。在過程中保留獨立的人類構思與競爭解釋生成。
本機工具索引
所有 CLI 都是有邊界、無依賴、本機、確定性且非評分的：
| 任務 | 資產 | 指令 |
|---|---|---|
| 假說記錄結構 | assets/hypothesis_record_template.json | python3 scripts/validate_hypothesis_schema.py record.json |
| 測量檢查表 | assets/operationalization_template.json | python3 scripts/check_operationalization.py checklist.json |
| 預測/競爭矩陣 | assets/prediction_rival_matrix_template.csv | python3 scripts/validate_prediction_matrix.py matrix.csv |
| 主張語言檢查 | 註解 Markdown | python3 scripts/lint_causal_claims.py draft.md |
| 否證/對照 | assets/falsification_controls_template.json | python3 scripts/check_falsification_controls.py controls.json |
| 證據/來源稽核 | assets/evidence_ledger_template.csv + assets/search_boundary_template.json | python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json |
| 預先註冊支架 | assets/preregistration_scaffold_template.md | python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md |
退出碼為 0（結構有效輸出）、1（完成驗證但有錯誤）及 2（格式錯誤/不安全的輸入）。報告僅驗證宣告與內部一致性；它們不驗證科學真理或選擇假說。完整結構定義在 references/tool_reference.md。
參考資料
references/concepts_and_workflow.md— 對象模型、強推論、不確定性與候選假說生命週期references/hypothesis_quality_criteria.md— 非評分的人類審查標準references/literature_search_strategies.md— 可追溯、有邊界的證據搜尋references/causal_inference_and_claims.md— 估計量與因果偏誤風險references/experimental_design_patterns.md— 設計、對照、測量、多重性與複製references/preregistration_and_open_science.md— 預先註冊、Registered Reports、偏差與開放科學references/ethics_safety_and_ai.md— 監督關卡、雙重用途、資料處理與負責任的 AIreferences/tool_reference.md— CLI 結構定義、限制與範例references/source_ledger.md— 有日期的權威來源註釋references/security_validation.md— 基準發現與驗證記錄
隨附的來源帳本為 assets/source_ledger.csv，驗證至 2026-07-23。在較晚日期或管轄權變更時，請重新檢查時效性政策與指導方針。