手動產生假設耗時且容易產生認知偏差。Hypogenic 使用 LLM 自動化假設產生和測試，使研究人員能夠系統性地探索表格資料集中的模式，並將經驗發現與文獻見解相結合。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「hypogenic」。 具有文字特徵和標籤的小型表格資料子集，顯示客戶行為中的模式
預期結果:
1. 假設：feature_X 高於閾值的樣本傾向於具有 label_A，這是由於潛在的因果機制。
2. 假設：feature_Y 和 feature_Z 之間的交互作用產生比單獨任何一個更強的效果。
3. 假設：label_B 與 feature_W 中的特定語言模式相關聯。
正在使用「hypogenic」。 驗證結果顯示哪些假設在某些資料子集上表現不佳
預期結果:
改進的假設 1：當 feature_X > 閾值且 feature_Y 較低時，label_A 更可能（從原始版本更新以考慮交互作用效果）。
改進的假設 3：feature_W 中的語言模式在與來源類型的中繼資料相結合時更具預測性。
安全審計
低風險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.
風險因素
🌐 網路存取 (4)
⚙️ 外部命令 (3)
品質評分
你能建構什麼
學術研究假設探索
從觀測資料中產生和測試關於模式的多個假設，例如檢測文字中的欺騙行為或從社交媒體貼文識別心理健康指標。
特定領域模式發現
探索表格資料集中的經驗關係，應用於內容分析、預測建模或分類研究。
以文獻為基礎的假設產生
將現有研究論文與經驗資料相結合，產生延伸或驗證科學理論的理論基礎假設。
試試這些提示
分析以下資料樣本並識別特徵和標籤中的模式。產生 {num_hypotheses} 個具體、可測試的假設來解釋這些模式。每個假設應該是具體且可否定的。審查以下假設和驗證結果。找出哪些假設表現不佳，並產生更能解釋具有挑戰性範例的改進版本。專注於特異性和可測試性。
基於以下研究論文見解：{paper_insights}，以及觀測到的資料模式：{data_observations}，產生將理論基礎與經驗發現相結合的假設。給定假設：{hypothesis}，以及資料樣本：{data_sample}，評估此假設是否與此資料集相關且可測試。提供具體推理。最佳實務
- 從符合 HuggingFace 格式且具有正確命名的文字特徵和標籤的乾淨資料集開始
- 使用至少 10-20 個假設來全面探索模式空間
- 根據驗證效能迭代改進假設，而不是一次性產生所有假設
- 將文獻見解與資料驅動的假設相結合，以獲得更具基礎的理論框架
避免
- 使用不符合所需 HuggingFace 格式且沒有正確鍵命名的資料集
- 產生太少的假設而錯過重要的模式關係
- 跳過迭代改進過程並接受初始假設
- 在沒有正確 API 設定或快取設定的情況下執行，以控制成本