hypogenic
Wissenschaftliche Hypothesen aus Daten generieren
Auch verfügbar von: davila7
Manuelle Hypothesengenerierung ist zeitaufwändig und anfällig für kognitive Verzerrungen. Hypogenic automatisiert die Hypothesengenerierung und -prüfung mithilfe von LLMs und ermöglicht es Forschern, systematisch Muster in tabellarischen Datensätzen zu erkunden und empirische Erkenntnisse mit Literatureinblicken zu kombinieren.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "hypogenic". Eine kleine Teilmenge tabellarischer Daten mit Textmerkmalen und Labels, die Muster im Kundenverhalten zeigen
Erwartetes Ergebnis:
1. Hypothesis: Samples with feature_X above threshold tend to have label_A due to underlying causal mechanism.
2. Hypothesis: The interaction between feature_Y and feature_Z creates a stronger effect than either alone.
3. Hypothesis: Label_B is associated with specific linguistic patterns in feature_W.
Verwendung von "hypogenic". Validierungsergebnisse, die zeigen, welche Hypothesen bei bestimmten Datensubsets unterdurchschnittlich abschneiden
Erwartetes Ergebnis:
Refined Hypothesis 1: When feature_X > threshold AND feature_Y is low, label_A is more likely (updated from original to account for interaction effect).
Refined Hypothesis 3: The linguistic pattern in feature_W is more predictive when combined with metadata about source type.
Sicherheitsaudit
Niedriges RisikoThis scientific hypothesis generation skill was scanned with 126 potential issues detected. After evaluation, all findings are false positives: environment variable references for API keys follow security best practices; hardcoded URLs are legitimate documentation links; shell command examples are user setup instructions; no actual cryptographic code or command-and-control patterns exist. The skill makes normal LLM API calls for hypothesis generation, which is expected functionality.
Risikofaktoren
🌐 Netzwerkzugriff (4)
⚙️ Externe Befehle (3)
Qualitätsbewertung
Was du bauen kannst
Hypothesenexploration für akademische Forschung
Generieren und testen Sie mehrere Hypothesen über Muster in Beobachtungsdaten, wie z.B. die Erkennung von Täuschung in Texten oder die Identifizierung von psychischen Gesundheitsindikatoren aus Social-Media-Beiträgen.
Domänenspezifische Mustererkennung
Erkunden Sie empirische Zusammenhänge in tabellarischen Datensätzen für Anwendungen wie Inhaltsanalyse, prädiktive Modellierung oder Klassifikationsforschung.
Literaturgestützte Hypothesengenerierung
Kombinieren Sie bestehende Forschungsarbeiten mit empirischen Daten, um theoretisch fundierte Hypothesen zu generieren, die wissenschaftliche Theorien erweitern oder validieren.
Probiere diese Prompts
Analyze the following data samples and identify patterns in the features and labels. Generate {num_hypotheses} specific, testable hypotheses that could explain these patterns. Each hypothesis should be concrete and falsifiable.Review the following hypotheses and the validation results. Identify which hypotheses are underperforming and generate improved versions that better explain the challenging examples. Focus on specificity and testability.
Based on the following research paper insights: {paper_insights}, and the observed data patterns: {data_observations}, generate hypotheses that combine theoretical foundations with empirical findings.Given the hypothesis: {hypothesis}, and the data sample: {data_sample}, evaluate whether this hypothesis is relevant and testable for this dataset. Provide specific reasoning.Bewährte Verfahren
- Beginnen Sie mit einem sauberen Datensatz im HuggingFace-Format mit korrekt benannten Textmerkmalen und Labels
- Verwenden Sie mindestens 10-20 Hypothesen für eine umfassende Erkundung des Musterraums
- Verfeinern Sie Hypothesen iterativ basierend auf Validierungsleistung, anstatt alle auf einmal zu generieren
- Kombinieren Sie Literaturerkenntnisse mit datengetriebenen Hypothesen für fundiertere theoretische Rahmenwerke
Vermeiden
- Verwendung von Datensätzen, die nicht dem erforderlichen HuggingFace-Format mit korrekter Schlüsselbenennung entsprechen
- Generierung zu weniger Hypothesen und Übersehen wichtiger Musterbeziehungen
- Überspringen des iterativen Verfeinerungsprozesses und Akzeptieren der ersten Hypothesen
- Ausführung ohne ordnungsgemäße API-Konfiguration oder Cache-Einrichtung für Kostenmanagement
Häufig gestellte Fragen
In welchem Format muss mein Datensatz vorliegen?
Welche LLM-Anbieter werden unterstützt?
Was ist der Unterschied zwischen HypoGeniC, HypoRefine und Union-Methoden?
Wie viele Hypothesen sollte ich generieren?
Brauche ich Redis für Caching?
Was sind die Rechenanforderungen?
Entwicklerdetails
Autor
K-Dense-AILizenz
MIT license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/hypogenicRef
main
Dateistruktur