hypogenic
Генерация научных гипотез из данных
Также доступно от: davila7
Ручная генерация гипотез занимает много времени и подвержена когнитивным искажениям. Hypogenic автоматизирует генерацию и тестирование гипотез с помощью LLM, позволяя исследователям систематически исследовать паттерны в табличных наборах данных и объединять эмпирические результаты с выводами из литературы.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «hypogenic». Небольшой поднабор табличных данных с текстовыми признаками и метками, показывающий паттерны в поведении клиентов
Ожидаемый результат:
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.
Использование «hypogenic». Результаты валидации, показывающие, какие гипотезы хуже работают на определенных поднаборах данных
Ожидаемый результат:
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.
Аудит безопасности
Низкий рискThis 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.
Факторы риска
🌐 Доступ к сети (4)
⚙️ Внешние команды (3)
Оценка качества
Что вы можете построить
Исследование академических гипотез
Генерируйте и тестируйте множество гипотез о паттернах в наблюдательных данных, например, обнаружение обмана в тексте или выявление индикаторов психического здоровья из постов в социальных сетях.
Обнаружение паттернов в предметной области
Исследуйте эмпирические связи в табличных наборах данных для таких приложений, как анализ контента, предиктивное моделирование или исследование классификации.
Генерация гипотез на основе литературы
Объединяйте существующие научные статьи с эмпирическими данными для создания обоснованных гипотез, которые расширяют или проверяют научные теории.
Попробуйте эти промпты
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.Лучшие практики
- Начните с чистого набора данных в формате HuggingFace с правильно названными текстовыми признаками и метками
- Используйте минимум 10-20 гипотез для всестороннего исследования пространства паттернов
- Итеративно уточняйте гипотезы на основе результатов валидации, а не генерируйте все сразу
- Объединяйте выводы из литературы с гипотезами на основе данных для более обоснованных теоретических рамок
Избегать
- Использование наборов данных, не соответствующих требуемому формату HuggingFace с правильным именованием ключей
- Генерация слишком малого количества гипотез и пропуск важных связей паттернов
- Пропуск итеративного процесса уточнения и принятие начальных гипотез
- Запуск без правильной конфигурации API или настройки кэша для управления затратами
Часто задаваемые вопросы
В каком формате должен быть мой набор данных?
Какие провайдеры LLM поддерживаются?
В чем разница между методами HypoGeniC, HypoRefine и Union?
Сколько гипотез мне следует генерировать?
Нужен ли мне Redis для кэширования?
Каковы вычислительные требования?
Сведения для разработчиков
Автор
K-Dense-AIЛицензия
MIT license
Репозиторий
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/hypogenicСсылка
main
Структура файлов