用途：该技能提供一套系统化流程，用于评估科学研究的严谨性，包括方法学、实验设计、统计有效性、偏倚、混杂与证据质量，并应用 GRADE 与 Cochrane ROB 等框架对科学主张做批判性分析。
主要能力：1）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。2）偏倚识别，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、结局切换、选择性报告）以及混杂因素。3）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，并列出常见统计陷阱。4）证据质量评估，按研究设计层级排序，结合偏倚风险工具与 GRADE 的降级/升级因素，并考虑证据收敛性与情境因素。5）逻辑谬误识别，涵盖因果、概括、权威、统计、结构与科学特有谬误。6）研究设计指导，从问题细化、设计选择、偏倚最小化、样本规划、测量策略到分析规划与透明性。7）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：资料未提供具体安装或调用命令。文档提到可配合 scientific-schematics 技能生成示意图，示例命令为 python scripts/generate_schematic.py "your diagram description" -o figures/output.png，输出保存至 figures/ 目录。
适用场景：评审研究论文、评估实验设计、开展系统综述或元分析、比较冲突证据、评估媒体报道中的科学主张、规划新研究。
限制：资料未说明该技能的收费、平台支持范围或具体安装方式；其效果取决于使用者对方法学与统计学的理解，且识别谬误仅说明论证不成立，并不直接证明结论为假。