用途：用于设计或审查 ACM CHI 论文背后的研究，覆盖受控实验室研究、实地部署、访谈与日记研究、问卷、日志分析及其混合研究。该技能强调证据设计决定论文能否通过初筛，因为 ADR-Data（数据严重不足）与 ADR-Method（方法细节或透明度严重不足）是全文评审前的研究设计判断。
主要能力：按主张形态匹配证据类型，例如「技术 X 优于 Y」用受控比较、平衡设计、功效分析与效应量；「用户需要/体验 Z」用访谈或日记研究做到饱和并说明分析方法；「系统 S 在实践中可用」用真实任务的长期实地部署；「测量 M 捕获构念 C」用信度与聚合效度验证研究。支持混合方法并要求定量与定性在两处分析中整合，而非事后拼接。定量方面：先做功效分析再确定样本量，报告效应量与置信区间，说明分析计划来源（预注册、有计划未注册或探索性），检查假设并说明校正，平衡顺序效应。定性方面：需说明并遵循具体分析方法及其报告规范，提供招募、参与者与报酬信息表，按主题给出均衡且有参与者编号归属的引文，必要时说明研究者立场。参与者与伦理属结果页材料，需写明招募渠道、报酬、伦理审批或无需审批的理由、同意流程、人口统计信息细度、风险缓解与数据处理。部署与 AI 系统研究需报告时长、留存与使用遥测，说明模型版本、提示配置与失败行为。提供投稿前证据审计格式，逐条回溯主要主张的证据来源。
使用方式：该资料为写作与审查指导，未提供安装命令或代码以外的操作步骤；文中给出功效分析示例使用 statsmodels 的 TTestPower().solve_power(effect_size=0.5, alpha=0.05, power=0.8, alternative="two-sided")，示例结果约为 34 名参与者（n=12 仅能检测约 d≈0.88）。
适用场景与限制：适用于 CHI 投稿的研究设计与自审。限制在于技能不替代统计与伦理判断，具体模型版本、平台与收费方式未提供。