该技能是面向社会学和社会科学研究的计算文本分析助手，引导用户完成系统、可复现并接近可发表标准的文本分析。
用途：围绕研究问题选择并使用合适方法，包括主题模型（LDA、STM、BERTopic）、情感/词典分析、监督分类、命名实体识别和词嵌入等。
主要能力：
- 分六阶段推进：研究设计与方法选择、语料准备与探索、方法规格、主分析、验证与稳健性、输出与解释。
- 每个阶段有明确输出与暂停确认：设计备忘、语料报告、规格备忘、初步结果、验证报告、表格图和解释备忘。
- 提供概念指南及各语言技术指南：R 部分涉及 tidytext、quanteda、topicmodels、stm、tidymodels、text2vec、ggplot2；Python 部分涉及 nltk、spaCy、sklearn、gensim、BERTopic、sentence-transformers、transformers、VADER、TextBlob、matplotlib、pyLDAvis。
- 用 git 跟踪阶段进展，要求阶段性提交，不创建 -v2、-final 等副本。
必要用法：
- 先确认研究问题、语料规模/类型/语言、是否已有方法偏好，再据方法选择语言：含协变量的主题模型推荐 R；神经网络方法推荐 Python；两者结合时可能都需使用。
- 修改新阶段输出文件前先执行 git add [files] && git commit -m "text-analyst: Phase N complete"。
- 每个阶段通过 Task 调用子代理执行，如 Phase 0 使用 general-purpose、opus，提示为 Read phases/phase0-design.md 并执行。
适用场景：社会学等社会科学中的文本主题探索、概念测量、文档分类与可复现研究流程。
限制：资料未提供具体收费、平台要求、依赖版本或安装命令；强调算法输出并非真值，需人工验证、诊断和敏感性分析，结果仅适用于所分析语料，不能过度概括。