К основному содержанию
скилл CX Codex

research-expert — скилл для Claude Code: методология и статистика

Скилл research-expert для ИИ-агентов: рабочий код для дизайна исследования и статистики плюс разделы про научное письмо.

Apache-2.0 256 установок ★ 45 обновлён 2026-10-12

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add personamanagmentlayer/pcl --skill research-expert -a claude-code
Открыть на GitHub

Что делает research-expert

Скилл даёт агенту заготовки для исследования: расчёт размера выборки, простая, блочная и стратифицированная рандомизация, описательные статистики, t-тест с Cohen's d, однофакторный ANOVA с eta-squared, линейная регрессия через statsmodels и поправка p-value на множественные сравнения. Рядом — разделы про типы исследований, от RCT до метаанализа, и про структуру рукописи.

Разрешённые инструменты — Read, Write, Edit. Код скилл пишет в файлы проекта, а запускать его вам: без numpy, scipy, pandas и statsmodels в окружении ни расчёт выборки, ни регрессия не пойдут.

Литературный обзор, заявка на исследование, оформление ссылок и публикационная этика идут текстом, без кода.

Какие задачи решает

  • посчитать размер выборки до старта эксперимента
  • разложить участников по группам блочной рандомизацией
  • сравнить две группы t-тестом и оценить размер эффекта
  • поправить p-value на множественные сравнения
  • собрать рукопись по структуре IMRAD

Примеры запросов агенту

  • Посчитай размер выборки для двухвыборочного t-теста с мощностью 0.8
  • Сделай блочную рандомизацию участников по группам
  • Прогони однофакторный ANOVA по группам и добавь eta-squared

Как установить research-expert

1Через Skills CLI (Vercel)

npx skills add personamanagmentlayer/pcl --skill research-expert -a claude-code

2Вручную: положить файлы

~/.claude/skills/research-expert/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/research-expert/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о research-expert

Как установить research-expert в Claude Code?

Выполните npx skills add personamanagmentlayer/pcl --skill research-expert -a claude-code, затем скилл лежит в ~/.claude/skills/research-expert/SKILL.md.

Что делает research-expert?

Подсказывает агенту, как спланировать исследование и обработать данные: расчёт выборки, рандомизация, описательные статистики, тесты, регрессия. Отдельно идут советы по научному письму.

Что нужно, чтобы код из скилла заработал?

Python с numpy, scipy, pandas и statsmodels. Сам скилл умеет только читать и править файлы, счёт запускаете вы.

Исходный текст

SKILL.md · Apache-2.0
---
name: research-expert
version: 1.1.0
description: >-
  Expert-level research methodology, academic writing, statistical analysis, and scientific
  investigation. Use when the user mentions methodology, statistics, academic writing, or
  experimental design, or when the task involves Research Design, Statistical Analysis, or
  Data Analysis.
category: scientific
tags: [research, methodology, statistics, academic-writing, experimental-design]
allowed-tools:
  - Read
  - Write
  - Edit
---

# Research Methodology Expert

Expert guidance for research methodology, experimental design, statistical analysis, and academic writing.

## Core Concepts

### Research Design

- Experimental vs observational studies
- Randomized controlled trials (RCTs)
- Cross-sectional, longitudinal, cohort studies
- Case-control studies
- Systematic reviews and meta-analysis
- Sample size determination

### Statistical Analysis

- Descriptive statistics
- Hypothesis testing
- Confidence intervals
- Regression analysis
- ANOVA and t-tests
- Non-parametric tests
- Multiple testing correction

### Academic Writing

- Literature review
- Research proposals
- Manuscript structure (IMR AD)
- Citation management
- Peer review process
- Publishing ethics

## Experimental Design

```python
from dataclasses import dataclass
from typing import List, Optional
import numpy as np
from scipy import stats

@dataclass
class Study:
    name: str
    design_type: str  # 'RCT', 'observational', 'cohort'
    sample_size: int
    groups: List[str]
    primary_outcome: str
    secondary_outcomes: List[str]

class SampleSizeCalculator:
    """Calculate required sample size for studies"""

    @staticmethod
    def two_sample_ttest(effect_size: float, alpha: float = 0.05,
                        power: float = 0.8) -> int:
        """Calculate sample size for two-sample t-test"""
        from statsmodels.stats.power import tt_ind_solve_power

        n = tt_ind_solve_power(
            effect_size=effect_size,
            alpha=alpha,
            power=power,
            alternative='two-sided'
        )

        return int(np.ceil(n))

    @staticmethod
    def proportion_test(p1: float, p2: float, alpha: float = 0.05,
                       power: float = 0.8) -> int:
        """Calculate sample size for comparing proportions"""
        from statsmodels.stats.power import zt_ind_solve_power

        effect_size = (p2 - p1) / np.sqrt(p1 * (1 - p1))

        n = zt_ind_solve_power(
            effect_size=effect_size,
            alpha=alpha,
            power=power,
            alternative='two-sided'
        )

        return int(np.ceil(n))

class ExperimentalDesign:
    """Design and randomize experimental studies"""

    def __init__(self, n_subjects: int, n_groups: int):
        self.n_subjects = n_subjects
        self.n_groups = n_groups

    def simple_randomization(self) -> List[int]:
        """Simple random assignment to groups"""
        return np.random.choice(self.n_groups, size=self.n_subjects)

    def block_randomization(self, block_size: int) -> List[int]:
        """Block randomization for balanced groups"""
        n_blocks = self.n_subjects // block_size
        assignments = []

        for _ in range(n_blocks):
            block = np.repeat(range(self.n_groups),
                            block_size // self.n_groups)
            np.random.shuffle(block)
            assignments.extend(block)

        # Handle remaining subjects
        remainder = self.n_subjects % block_size
        if remainder > 0:
            extra = np.random.choice(self.n_groups, size=remainder)
            assignments.extend(extra)

        return assignments

    def stratified_randomization(self, strata: List[str]) -> List[int]:
        """Stratified randomization by covariates"""
        assignments = np.zeros(self.n_subjects, dtype=int)

        for stratum in set(strata):
            stratum_indices = [i for i, s in enumerate(strata) if s == stratum]
            stratum_n = len(stratum_indices)

            stratum_assignments = np.random.choice(
                self.n_groups,
                size=stratum_n,
                replace=True
            )

            for idx, assignment in zip(stratum_indices, stratum_assignments):
                assignments[idx] = assignment

        return assignments
```

## Statistical Analysis

```python
import pandas as pd
from scipy import stats
import statsmodels.api as sm
from statsmodels.stats.multitest import multipletests

class StatisticalAnalysis:
    """Perform statistical analyses"""

    @staticmethod
    def descriptive_stats(data: pd.Series) -> dict:
        """Calculate descriptive statistics"""
        return {
            "mean": data.mean(),
            "median": data.median(),
            "std": data.std(),
            "min": data.min(),
            "max": data.max(),
            "q25": data.quantile(0.25),
            "q75": data.quantile(0.75),
            "skewness": stats.skew(data),
            "kurtosis": stats.kurtosis(data)
        }

    @staticmethod
    def independent_ttest(group1: np.ndarray, group2: np.ndarray) -> dict:
        """Perform independent samples t-test"""
        statistic, pvalue = stats.ttest_ind(group1, group2)

        # Calculate effect size (Cohen's d)
        pooled_std = np.sqrt((group1.var() + group2.var()) / 2)
        cohens_d = (group1.mean() - group2.mean()) / pooled_std

        return {
            "t_statistic": statistic,
            "p_value": pvalue,
            "cohens_d": cohens_d,
            "mean_diff": group1.mean() - group2.mean(),
            "significant": pvalue < 0.05
        }

    @staticmethod
    def one_way_anova(groups: List[np.ndarray]) -> dict:
        """Perform one-way ANOVA"""
        f_statistic, p_value = stats.f_oneway(*groups)

        # Calculate effect size (eta-squared)
        grand_mean = np.mean(np.concatenate(groups))
        ss_between = sum(len(g) * (g.mean() - grand_mean)**2 for g in groups)
        ss_total = sum(((g - grand_mean)**2).sum() for g in groups)
        eta_squared = ss_between / ss_total

        return {
            "f_statistic": f_statistic,
            "p_value": p_value,
            "eta_squared": eta_squared,
            "significant": p_value < 0.05
        }

    @staticmethod
    def linear_regression(X: pd.DataFrame, y: pd.Series) -> dict:
        """Perform linear regression"""
        X_with_const = sm.add_constant(X)
        model = sm.OLS(y, X_with_const).fit()

        return {
            "coefficients": model.params.to_dict(),
            "r_squared": model.rsquared,
            "adj_r_squared": model.rsquared_adj,
            "f_statistic": model.fvalue,
            "p_value": model.f_pvalue,
            "summary": model.summary()
        }

    @staticmethod
    def multiple_testing_correction(p_values: List[float],
                                    method: str = 'fdr_bh',
                                    alpha: float = 0.05) -> dict:
        """Apply multiple testing correction"""
        reject, pvals_corrected, alphacSidak, alphacBonf = multipletests(
            p_values,
            alpha=alpha,
            method=method
        )

        return {
            "rejected": reject,
            "corrected_pvalues": pvals_corrected,
            "n_significant": reject.sum(),
            "method": method
        }

class EffectSize:
    """Calculate effect sizes"""

    @staticmethod
    def cohens_d(group1: np.ndarray, group2: np.ndarray) -> float:
        """Cohen's d for two groups"""
        pooled_std = np.sqrt((group1.var() + group2.var()) / 2)
        return (group1.mean() - group2.mean()) / pooled_std

    @staticmethod
    def hedges_g(group1: np.ndarray, group2: np.ndarray) -> float:
        """Hedges' g (corrected effect size)"""
        n1, n2 = len(group1), len(group2)
        df = n1 + n2 - 2

        correction = 1 - (3 / (4 * df - 1))
        d = EffectSize.cohens_d(group1, group2)

        return d * correction

    @staticmethod
    def r_squared_to_cohens_f(r_squared: float) -> float:
        """Convert R² to Cohen's f"""
        return np.sqrt(r_squared / (1 - r_squared))
```

## Literature Review

```python
from typing import Dict, List
from dataclasses import dataclass

@dataclass
class Citation:
    authors: List[str]
    year: int
    title: str
    journal: str
    volume: Optional[int] = None
    pages: Optional[str] = None
    doi: Optional[str] = None

    def format_apa(self) -> str:
        """Format citation in APA style"""
        authors_str = self._format_authors_apa()
        citation = f"{authors_str} ({self.year}). {self.title}. {self.journal}"

        if self.volume:
            citation += f", {self.volume}"
        if self.pages:
            citation += f", {self.pages}"
        if self.doi:
            citation += f". https://doi.org/{self.doi}"

        return citation + "."

    def _format_authors_apa(self) -> str:
        """Format authors in APA style"""
        if len(self.authors) == 1:
            return self.authors[0]
        elif len(self.authors) == 2:
            return f"{self.authors[0]} & {self.authors[1]}"
        else:
            return f"{self.authors[0]} et al."

class LiteratureReview:
    """Manage literature review"""

    def __init__(self):
        self.citations: List[Citation] = []
        self.themes: Dict[str, List[Citation]] = {}

    def add_citation(self, citation: Citation, themes: List[str]):
        """Add citation and categorize by themes"""
        self.citations.append(citation)

        for theme in themes:
            if theme not in self.themes:
                self.themes[theme] = []
            self.themes[theme].append(citation)

    def get_bibliography(self, style: str = 'apa') -> List[str]:
        """Generate bibliography"""
        if style == 'apa':
            return [c.format_apa() for c in sorted(
                self.citations,
                key=lambda x: (x.authors[0], x.year)
            )]

    def get_summary_by_theme(self, theme: str) -> List[Citation]:
        """Get citations for specific theme"""
        return self.themes.get(theme, [])
```

## Best Practices

### Research Design

- Pre-register studies when possible
- Calculate adequate sample sizes
- Use appropriate controls
- Randomize when applicable
- Blind assessors to reduce bias
- Consider confounding variables
- Document protocol deviations

### Data Analysis

- Pre-specify analysis plan
- Check statistical assumptions
- Report effect sizes, not just p-values
- Apply multiple testing corrections
- Use appropriate statistical tests
- Report confidence intervals
- Make data and code available

### Academic Writing

- Follow journal guidelines
- Use clear, precise language
- Report methodology in detail
- Discuss limitations openly
- Acknowledge conflicts of interest
- Properly cite all sources
- Use reference management software

## Anti-Patterns

❌ P-hacking and data dredging
❌ HARKing (Hypothesizing After Results are Known)
❌ Cherry-picking results
❌ Inadequate sample sizes
❌ Ignoring failed experiments
❌ No pre-registration
❌ Selective reporting of outcomes

## Resources

- ClinicalTrials.gov: https://clinicaltrials.gov/
- CONSORT Statement: http://www.consort-statement.org/
- Cochrane Handbook: https://training.cochrane.org/handbook
- APA Style: https://apastyle.apa.org/
- StatsModels: https://www.statsmodels.org/

© personamanagmentlayer · Apache-2.0 · personamanagmentlayer/pcl

Похожие скиллы

Все скиллы по теме «Наука и исследования» →
research-craft curiositech Скилл research-craft для Claude Code помогает формулировать научные проблемы, проверять гипотезы и структурировать диссертации или статьи. CX Codex +1 153установок deep-research bytedance Скилл deep-research для Claude Code проводит глубокое исследование с внешней проверкой и сравнением источников. Работает с вопросами, где одного поиска недостаточно. CX Codex +1 2 800установок research-methodology vstorm-co Скилл research-methodology с методикой для организованного исследования: от поиска и оценки источников до структурированных заметок с указанием надёжности данных. CX Codex +1 ★ 1 125звёзд репо research-paper-writer ailabs-393 Скилл research-paper-writer помогает составить академическую статью по стандартам IEEE или ACM. Пригодится при подготовке доклада на конференцию или публикации в научный журнал. CX Codex +1 3 300установок academic-research-suite Imbad0202 Скилл academic-research-suite маршрутизирует задачи академического пайплайна: от обзора литературы и проверки цитирования до симуляции рецензирования. Запускается по слэш-командам и ключевым фразам. CX Codex +1 2 200установок research-writing-skill zLanqing Скилл research-writing-skill помогает писать и редактировать научные статьи, диссертации и ответы рецензентам на китайском и английском языках в Markdown и LaTeX. CX Codex +1 979установок

Из того же набора104

Весь набор →
python-expert Скилл python-expert настраивает ИИ-ассистента на разработку на современном Python: строгая типизация, стандарты PEP 8, асинхронный код, работа с uv, poetry и ruff. CX Codex +1 277установок redis-expert Скилл redis-expert для Claude Code помогает проектировать Redis-кэш, pub/sub и работу с потоками данных. Помогает добавлять Redis в приложение и разбирать его архитектуру. CX Codex +1 272установок php-expert Скилл php-expert для Claude Code задаёт агенту правила работы с PHP 8+, Laravel, Composer и PHPUnit. Охватывает разработку, тестирование и ревью современного PHP-кода. CX Codex +1 269установок grafana-expert Скилл grafana-expert превращает агента в инженера по Grafana: дашборды из JSON, переменные, алерты и провижининг в Kubernetes. CX Codex +1 266установок helm-expert Скилл helm-expert для Claude Code помогает разрабатывать Helm-чарты и управлять релизами Kubernetes. Подключается к задачам с чартами, шаблонами и развёртыванием. CX Codex +1 251установок cpp-expert Скилл cpp-expert для Claude Code помогает писать и чинить код на современном C++: C++20/23, STL, владение памятью, конкурентность и CMake. CX Codex +1 250установок ai-engineer-expert Скилл ai-engineer-expert для Claude Code помогает проектировать LLM-интеграции, RAG-системы и production AI. Описывает развёртывание моделей и работу с AI API. CX Codex +1 242установок quantum-expert Скилл quantum-expert даёт агенту опору в квантовых схемах: состояния Белла, телепортация, Grover, VQE и классификаторы на Qiskit. CX Codex +1 240установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой