hypogenic
데이터로부터 과학적 가설 생성
Auch verfügbar von: davila7
수동 가설 생성은 시간이 많이 소요되고 인지 편향에 취약합니다. Hypogenic은 LLM을 사용하여 가설 생성 및 테스트를 자동화하여 연구자들이 표 형식 데이터셋의 패턴을 체계적으로 탐색하고 실증적 발견을 문헌 통찰력과 결합할 수 있도록 합니다.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "hypogenic". 고객 행동의 패턴을 보여주는 텍스트 특성 및 레이블이 있는 표 형식 데이터의 작은 하위 집합
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". 특정 데이터 하위 집합에서 성능이 저조한 가설을 보여주는 검증 결과
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
학술 연구 가설 탐색
텍스트에서 기만 탐지 또는 소셜 미디어 게시물에서 정신 건강 지표 식별과 같은 관찰 데이터의 패턴에 대한 여러 가설을 생성하고 테스트합니다.
도메인별 패턴 발견
콘텐츠 분석, 예측 모델링 또는 분류 연구와 같은 응용 프로그램을 위해 표 형식 데이터셋의 실증적 관계를 탐색합니다.
문헌 기반 가설 생성
기존 연구 논문과 실증 데이터를 결합하여 과학 이론을 확장하거나 검증하는 이론 기반 가설을 생성합니다.
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
- 적절하게 명명된 텍스트 특성 및 레이블이 있는 HuggingFace 형식의 깨끗한 데이터셋으로 시작하세요
- 패턴 공간을 포괄적으로 탐색하기 위해 최소 10-20개의 가설을 사용하세요
- 한 번에 모두 생성하는 대신 검증 성능에 따라 가설을 반복적으로 개선하세요
- 더 확고한 이론적 프레임워크를 위해 문헌 통찰력과 데이터 기반 가설을 결합하세요
Vermeiden
- 적절한 키 명명이 있는 필수 HuggingFace 형식과 일치하지 않는 데이터셋 사용
- 너무 적은 가설을 생성하여 중요한 패턴 관계를 놓치는 것
- 반복적 개선 프로세스를 건너뛰고 초기 가설을 수용하는 것
- 비용 관리를 위한 적절한 API 구성 또는 캐시 설정 없이 실행하는 것
Häufig gestellte Fragen
데이터셋은 어떤 형식이어야 하나요?
어떤 LLM 제공업체가 지원되나요?
HypoGeniC, HypoRefine 및 Union 방법의 차이점은 무엇인가요?
몇 개의 가설을 생성해야 하나요?
캐싱을 위해 Redis가 필요한가요?
계산 요구 사항은 무엇인가요?
Entwicklerdetails
Autor
K-Dense-AILizenz
MIT license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/hypogenicRef
main
Dateistruktur