用途：这是一个面向科研批判性评估的技能，适用于评审研究方法与实验设计、判断统计效度与证据质量、识别偏倚与混杂、审阅科学主张与结论、开展系统综述或元分析，以及应用 GRADE 或 Cochrane 风险偏倚评估。
主要能力： 一、方法学批判。评估研究设计是否匹配研究问题、能否支持因果主张，分析内部效度、外部效度、构念效度与统计结论效度，检查随机化、分配隐藏、盲法、对照设置与测量质量。 二、偏倚识别。涵盖研究者认知偏倚、选择偏倚、测量偏倚、分析偏倚（如 p-hacking、结局切换、选择性报告、亚组钓鱼）以及混杂问题，并关注预注册与报告透明度。 三、统计分析评估。检查样本量与检验效能、统计检验适用性、多重比较校正、p 值解释、效应量与置信区间、缺失数据处理与回归建模，并提示常见统计谬误。 四、证据质量评估。按研究设计层级排序，同时强调设计层级高不等于质量高；结合风险偏倚工具、GRADE 降级与升级因素，以及多研究证据收敛性。 五、逻辑谬误识别。覆盖因果类、泛化类、权威与来源类、统计类、结构类及科学特有谬误，并说明谬误推理不等于结论错误。 六、研究设计指导。从研究问题细化、设计选择、偏倚最小化、样本规划、测量策略、分析规划到透明性与报告规范（如 CONSORT、STROBE、PRISMA）提供建议。 七、主张评估。识别主张类型与强度，评估证据是否充分，检查逻辑连接、信心与证据是否相称，以及是否过度外推。
使用方式：资料提供了一项可视化增强相关命令，可在文档中按需生成科学示意图：python scripts/generate_schematic.py "your diagram description" -o figures/output.png
适用场景：论文评审、系统综述、元分析、研究方案设计、证据权衡与科学传播评估。
限制：该技能侧重评估框架与清单，具体工具的完整操作规范、收费标准、适用平台等信息暂未提供；实际应用时应结合原始研究资料与相应报告规范。