用途：对科学主张、研究论文与证据质量进行系统性批判性评估，适用于方法学审查、统计有效性判断、偏倚与混杂识别、系统综述或荟萃分析，以及应用 GRADE、Cochrane 风险偏倚等框架。
主要能力：一是方法学批判，评估研究设计是否匹配研究问题、能否支持因果结论，并分析内部效度、外部效度、构念效度与统计结论效度，检查随机化、盲法、对照与测量质量。二是偏倚检测，覆盖研究者认知偏倚（如确认偏倚、HARKing、发表偏倚）、选择偏倚、测量偏倚、分析偏倚（如 p-hacking、结局替换、亚组钓鱼）及混杂因素。三是统计分析评估，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、缺失数据处理及回归建模问题。四是证据质量评估，按研究设计层级排序，并结合偏倚风险、不一致性、间接性、不精确性与发表偏倚进行降级或升级判断，强调证据收敛性。五是逻辑谬误识别，如相关当因果、事后归因、以偏概全、诉诸权威、基础率忽视、德州神枪手谬误等。六是研究设计指导，涵盖问题细化、设计选择、偏倚最小化、样本规划、测量策略、分析预注册与报告规范。七是主张评估，判断结论是否与数据匹配、置信度是否与证据强度成比例。
使用方式：在评估研究论文、设计新研究、解读冲突证据或审查科学传播时调用。文档中可配合 scientific-schematics 技能生成示意图，命令为 python scripts/generate_schematic.py "your diagram description" -o figures/output.png，输出保存至 figures/ 目录。
适用场景：学术审稿、系统综述、临床研究解读、研究方案设计、科普内容核查。
限制：资料未提供具体收费、平台支持范围或效果保证；该技能提供分析框架，不替代领域专家判断，也不保证结论正确。