과학적 주장은 종종 방법론, 편향 또는 논리에서 숨겨진 결함을 포함합니다. 이 기술은 증거 품질을 평가하고, 인지 편향을 식별하고, 실험 설계를 평가하며, 과학적 담론에서 논리적 오류를 탐지하기 위한 체계적인 프레임워크를 제공합니다.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"scientific-critical-thinking" 사용 중입니다. 이 주장을 평가하세요: 새로운 연구에 따르면 커피를 마시면 수명이 10년 연장됩니다.
예상 결과:
- **방법론적 우려:** 관찰적 연구인가 실험적 연구인가? 관찰적 연구라면 상관관계가 인과관계를 의미하지 않습니다.
- **잠재적 편향:** 커피 마시는 사람들이 체계적으로 다른 경우 선택 편향; 자기 보고 섭취량에서 회상 편향.
- **증거 품질:** 단일 연구는 낮은 품질을 의미합니다. 반복 연구와 기전적 증거가 필요합니다.
- **논리적 문제:** 무작위 배정 없이는 사회경제적 지위와 같은 혼란 변수를 배제할 수 없습니다.
- **권장:** 증거를 과장합니다. RCT 없이는 인과적 언어가 부적절합니다.
"scientific-critical-thinking" 사용 중입니다. 이 초록을 방법론적 문제점 분석: 약물이 50명 환자에서 유의미한 개선을 보였습니다. P-값 = 0.04.
예상 결과:
- **표본 크기 우려:** 50명은 적은 수입니다; 효과 크기가 과장되었을 수 있습니다 (승자의 저주).
- **p-값 해석:** P = 0.04는 겨우 유의미합니다; p-hacking이나 다중 비교를 확인하세요.
- **누락된 정보:** 검정력 분석 언급 없음; 신뢰 구간 보고되지 않음.
- **일반화 가능성:** 환자가 대표적이었나요? 인구통계학적 정보나 선택 기준에 대한 정보가 없습니다.
- **설계 세부사항:** 무작위 배정되었나요? 통제되었나요? 눈가림되었나요? 초록에서 명시하지 않았습니다.
보안 감사
안전This is a pure documentation skill containing only markdown reference materials for scientific critical thinking. All 206 static findings are FALSE POSITIVES. The scanner misidentified common scientific terms (algorithm, randomization, base rate) as cryptographic patterns, research methodology terminology as reconnaissance patterns, and markdown code block delimiters as shell backtick execution. No executable code, network calls, file system operations, or cryptographic functionality exists. This skill provides educational frameworks for evaluating research methodology and evidence quality.
위험 요인
⚙️ 외부 명령어 (1)
품질 점수
만들 수 있는 것
연구 논문 비판적 평가
방법론적 엄격성, 편향 및 결론의 타당성을 위해 발표된 연구를 체계적으로 평가합니다.
증거 평가 학습
GRADE 및 증거 계층과 같은 확립된 프레임워크를 사용하여 과학적 주장을 평가하는 기술을 개발합니다.
미디어 주장 검증
대중 매체에 보도된 과학적 주장을 평가하기 위해 비판적 사고 프레임워크를 적용합니다.
이 프롬프트를 사용해 보세요
이 연구의 방법론 품질, 잠재적 편향 및 증거가 결론을 뒷받침하는지 평가합니다. 논증에서 논리적 오류를 식별합니다.
이 주장의 증거 품질을 평가하기 위해 GRADE 프레임워크를 적용합니다. 어떤 요소가 증거 품질을 상향 또는 하향 조정합니까?
이 연구 설계에서 잠재적인 모든 편향 원인을 식별합니다. 각 편향에 대해 어떻게 결과와 결론에 영향을 미칠 수 있는지 설명합니다.
이 과학적 논증에서 추론을 분석합니다. 존재하는 논리적 오류를 식별하고 각 오류가 왜 논증의 타당성을 약화시키는지 설명합니다.
모범 사례
- 인과관계와 상관관계를 구분합니다; 인과적 주장에 대해 실험적 증거를 요구하세요
- 결론에 동의하는지 여부와 관계없이 일관된 평가 기준을 적용합니다
- 불확실성과 한계를 인정합니다; 증거 강도를 과장하지 않습니다
피하기
- 방법론이나 잠재적 혼란 변수를 검토하지 않고 주장 수용
- 연구 설계만으로 품질 판단; 잘 설계된 관찰 연구가 잘못된 RCT보다 낫습니다
- 통계적 증거를 평가할 때 기본 비율과 사전 확률 무시