用途：该技能面向科研论文、研究方案与科学主张的批判性评估，帮助判断方法学严谨性、统计有效性与证据强度，适用于系统综述、元分析、文献评审及研究设计规划。
主要能力：一是方法学批判，从内部效度、外部效度、构念效度与统计结论效度评估设计，检查随机化、盲法、对照与测量质量；二是偏倚识别，覆盖研究者认知偏倚（确认偏倚、HARKing、发表偏倚）、选择偏倚、测量偏倚、分析偏倚（p-hacking、结局切换）及混杂；三是统计分析评估，检查样本量与检验效能、检验假设、多重比较校正、p 值解释、效应量与置信区间、缺失数据与回归建模；四是证据质量评估，按研究设计层级并结合 GRADE 降级/升级因素与 Cochrane ROB 等工具；五是逻辑谬误识别，如相关当因果、事后归因、以偏概全、德克萨斯神枪手谬误等；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、测量与分析计划及透明性；七是主张评估，判断结论是否与数据匹配、置信度是否与证据成比例。
使用方式：在评估研究、设计实验或解读冲突证据时调用。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：论文评审、系统综述与元分析、临床试验结果解读、研究方案设计、科普内容核查。
限制：资料未提供具体安装方式、收费模式、平台支持与效果保证；其结论依赖使用者提供的资料与判断，不能替代专业统计或领域专家意见。