手動による仮説生成は時間がかかり、認知バイアスの影響を受けやすい問題があります。HypogenicはLLMを使用して仮説生成とテストを自動化し、研究者が表形式データセット内のパターンを体系的に探索し、実証的知見と文献の洞察を組み合わせることを可能にします。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「hypogenic」を使用しています。 顧客行動のパターンを示すテキスト特徴とラベルを含む表形式データの小さなサブセット
期待される結果:
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.
「hypogenic」を使用しています。 特定のデータサブセットで性能が低い仮説を示す検証結果
期待される結果:
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.
セキュリティ監査
低リスクThis 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.
リスク要因
🌐 ネットワークアクセス (4)
⚙️ 外部コマンド (3)
品質スコア
作れるもの
学術研究における仮説探索
テキストにおける欺瞞の検出やソーシャルメディア投稿からのメンタルヘルス指標の特定など、観察データ内のパターンに関する複数の仮説を生成しテストします。
ドメイン固有のパターン発見
コンテンツ分析、予測モデリング、分類研究などのアプリケーション向けに、表形式データセット内の実証的関係を探索します。
文献に基づく仮説生成
既存の研究論文と実証データを組み合わせて、科学理論を拡張または検証する理論的根拠のある仮説を生成します。
これらのプロンプトを試す
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.ベストプラクティス
- 適切に名前が付けられたテキスト特徴とラベルを持つHuggingFace形式のクリーンなデータセットから開始する
- パターン空間の包括的な探索のために少なくとも10〜20の仮説を使用する
- 一度にすべてを生成するのではなく、検証性能に基づいて仮説を反復的に改善する
- より根拠のある理論的フレームワークのために、文献の洞察とデータ駆動の仮説を組み合わせる
回避
- 適切なキーの命名を持つ必要なHuggingFace形式に一致しないデータセットを使用する
- 生成する仮説が少なすぎて重要なパターン関係を見逃す
- 反復的な改善プロセスをスキップして初期仮説を受け入れる
- コスト管理のための適切なAPI設定やキャッシュ設定なしで実行する