name: 同行评审 description: “系统化同行评审工具包。评估方法论、统计、设计、可重复性、伦理、图形完整性、报告标准，适用于跨学科的手稿和资助申请评审。” allowed-tools: [Read, Write, Edit, Bash]

科学批判性评估与同行评审

概述

同行评审是一个系统化评估科学手稿的过程。评估方法论、统计、设计、可重复性、伦理和报告标准。将此技能应用于跨学科的手稿和资助申请评审，提供建设性、严格的评估。

何时使用此技能

此技能应在以下情况下使用：

为期刊进行科学手稿的同行评审
评估资助提案和研究申请
评估方法论和实验设计的严谨性
审查统计分析和报告标准
评估可重复性和数据可用性
检查是否符合报告指南（如 CONSORT、STROBE、PRISMA）
提供关于科学写作的建设性反馈

相关资源： venue-templates 技能提供 reviewer_expectations.md，包含不同场所（如 Nature/Science、Cell Press、医学期刊、ML 会议）评审者期望的详细指南。使用此资源来校准您的评审标准以适应目标场所。

使用科学示意图增强视觉效果

使用此技能创建文档时，始终考虑添加科学图表和示意图以增强视觉传达。

如果您的文档尚未包含示意图或图表：

使用 scientific-schematics 技能生成 AI 驱动的出版物质量图表
只需用自然语言描述您想要的图表
Nano Banana Pro 将自动生成、审查并优化示意图

对于新文档： 默认应生成科学示意图，以可视化表示文本中描述的关键概念、工作流、架构或关系。

如何生成示意图：

python scripts/generate_schematic.py "您的图表描述" -o figures/output.png

AI 将自动：

创建具有适当格式的出版物质量图像
通过多次迭代审查和优化
确保可访问性（色盲友好、高对比度）
将输出保存在 figures/ 目录中

何时添加示意图：

同行评审工作流程图
评估标准决策树
评审过程流程图
方法论评估框架
质量评估可视化
报告指南符合性图表
任何受益于可视化的复杂概念

有关创建示意图的详细指南，请参阅 scientific-schematics 技能文档。

同行评审工作流程

通过以下阶段系统化进行同行评审，根据手稿类型和学科调整深度和重点。

阶段 1：初步评估

从高层次评估开始，确定手稿的范围、新颖性和整体质量。

关键问题：

核心研究问题或假设是什么？
主要发现和结论是什么？
工作是否科学合理且重要？
工作是否适合目标场所？
是否存在任何立即的主要缺陷会妨碍发表？

输出： 简要摘要（2-3 句），捕捉手稿的本质和初步印象。

阶段 2：详细分节评审

对手稿的每个部分进行彻底评估，记录具体问题和优点。

摘要和标题

准确性： 摘要是否准确反映研究内容和结论？
清晰度： 标题是否具体、准确且信息丰富？
完整性： 关键发现和方法是否适当总结？
可访问性： 摘要是否对广泛科学受众可理解？

引言

背景： 背景信息是否充分且最新？
理由： 研究问题是否清晰动机并合理？
新颖性： 工作的原创性和重要性是否清晰阐述？
文献： 是否适当引用相关先前研究？
目标： 研究目的/假设是否清晰陈述？

方法

可重复性： 其他研究者能否根据提供的描述复制研究？
严谨性： 方法是否适合解决研究问题？
细节： 协议、试剂、设备和参数是否充分描述？
伦理： 伦理批准、同意和数据处理是否适当记录？
统计： 统计方法是否适当、清晰描述并合理？
验证： 控制、重复和验证方法是否充分？

需要验证的关键元素：

样本大小和功效计算
随机化和盲法程序
纳入/排除标准
数据收集协议
计算方法和软件版本
统计测试和多重比较校正

结果

呈现： 结果是否逻辑清晰呈现？
图表： 可视化是否适当、清晰且正确标注？
统计： 统计结果是否适当报告（效应大小、置信区间、p 值）？
客观性： 结果是否无过度解释呈现？
完整性： 是否包含所有相关结果，包括阴性结果？
可重复性： 是否提供原始数据或汇总统计？

常见问题识别：

结果的选择性报告
不适当的统计测试
缺失误差条或变异性度量
过拟合或循环分析
批次效应或混淆变量
缺失控制或验证实验

讨论

解释： 结论是否由数据支持？
局限性： 研究局限性是否承认并讨论？
背景： 发现是否适当置于现有文献中？
推测： 推测是否与数据支持的结论清晰区分？
重要性： 影响和重要性是否清晰阐述？
未来方向： 是否讨论后续步骤或未解问题？

红旗警告：

过度陈述结论
忽视矛盾证据
从相关数据中提出因果声称
局限性讨论不足
无机制证据的机制声称

参考文献

完整性： 是否引用关键相关论文？
时效性： 是否包括近期重要研究？
平衡性： 是否适当引用对立观点？
准确性： 引用是否准确且适当？
自引： 是否存在过度或不适当的自引？

阶段 3：方法论和统计严谨性

评估研究的技术质量和严谨性，特别关注常见陷阱。

统计评估：

统计假设是否满足（正态性、独立性、同方差性）？
是否报告效应大小以及 p 值？
多测试校正是否适当应用？
是否提供置信区间？
样本大小是否通过功效分析合理？
参数与非参数测试选择是否适当？
缺失数据是否正确处理？
探索性与验证性分析是否区分？

实验设计：

控制是否适当且充分？
重复是否充分（生物和技术）？
潜在混淆因素是否识别并控制？
随机化是否适当实施？
盲法程序是否充分？
实验设计是否针对研究问题优化？

计算/生物信息学：

计算方法是否清晰描述并合理？
软件版本和参数是否记录？
代码是否提供以实现可重复性？
算法和模型是否适当验证？
计算方法假设是否满足？
批次校正是否适当应用？

阶段 4：可重复性和透明度

评估研究是否符合现代可重复性和开放科学标准。

数据可用性：

原始数据是否沉积在适当存储库？
是否为公共数据库提供访问号？
数据共享限制是否合理（如患者隐私）？
数据格式是否标准且可访问？

代码和材料：

分析代码是否可用（如 GitHub、Zenodo 等）？
独特材料是否可用或描述足够详细以重建？
协议是否详细描述深度？

报告标准：

手稿是否遵循学科特定报告指南（如 CONSORT、PRISMA、ARRIVE、MIAME、MINSEQE 等）？
参见 references/reporting_standards.md 获取常见指南
是否解决适当清单的所有元素？

阶段 5：图表和数据呈现

评估数据可视化的质量、清晰度和完整性。

质量检查：

图表是否高分辨率且清晰标注？
坐标轴是否正确标注并带单位？
误差条是否定义（SD、SEM、CI）？
统计显著性指标是否解释？
配色方案是否适当且可访问（色盲友好）？
图像是否包括比例尺？
数据可视化是否适合数据类型？

完整性检查：

是否有图像操纵迹象（重复、拼接）？
Western 印迹和凝胶是否适当呈现？
代表性图像是否真正具有代表性？
是否显示所有条件（无选择性呈现）？

清晰度：

图表是否可通过图注独立理解？
每个图表的信息是否立即清晰？
是否有冗余图表或面板？
数据是否更适合以表格或图表呈现？

阶段 6：伦理考虑

验证研究是否符合伦理标准和指南。

人类受试者：

是否记录 IRB/伦理批准？
是否描述知情同意？
弱势群体是否适当保护？
患者隐私是否充分保护？
是否披露潜在利益冲突？

动物研究：

是否记录 IACUC 或等效批准？
程序是否人道且合理？
是否考虑 3Rs（替代、减少、优化）？
安乐死方法是否适当？

研究诚信：

是否存在数据伪造或篡改担忧？
作者身份是否适当且合理？
是否披露竞争利益？
是否披露资金来源？
是否存在剽窃或重复发表担忧？

阶段 7：写作质量和清晰度

评估手稿的清晰度、组织性和可访问性。

结构和组织：

手稿是否逻辑组织？
各部分是否连贯流畅？
思想间过渡是否清晰？
叙述是否引人入胜且清晰？

写作质量：

语言是否清晰、精确且简洁？
行话和缩写是否最小化并定义？
语法和拼写是否正确？
句子是否不必要复杂？
被动语态是否过度使用？

可访问性：

非专家是否能理解主要发现？
技术术语是否解释？
对广泛受众来说，重要性是否清晰？

构建同行评审报告

以分层结构组织反馈，优先问题并提供可操作指导。

摘要声明

提供简洁整体评估（1-2 段）：

研究简要概要
整体推荐（接受、小修、大修、拒绝）
关键优点（2-3 个要点）
关键缺点（2-3 个要点）
重要性和合理性的底线评估

主要评论

列出严重影响手稿有效性、可解释性或重要性的关键问题。按顺序编号以便参考。

主要评论通常包括：

基本方法论缺陷
不适当的统计分析
无支持或过度陈述的结论
缺失关键控制或实验
严重可重复性担忧
文献覆盖的主要空白
伦理担忧

对于每个主要评论：

清晰陈述问题
解释为何有问题
建议具体解决方案或额外实验
指示解决是否对发表至关重要

次要评论

列出不太关键的问题，可提高清晰度、完整性或呈现。按顺序编号。

次要评论通常包括：

不清晰的图表标签或图注
缺失方法论细节
印刷或语法错误
改进数据呈现的建议
次要统计报告问题
加强结论的补充分析
澄清请求

对于每个次要评论：

识别具体位置（节、段、图表）
清晰陈述问题
建议如何解决

具体逐行评论（可选）

对于需要详细反馈的手稿，提供分节或逐行评论：

引用具体页面/行号或节
指出事实错误、不清晰陈述或缺失引用
建议具体编辑以提高清晰度

给作者的问题

列出需要澄清的具体问题：

不清晰的方法论细节
看似矛盾的结果
评估工作所需的缺失信息
请求额外数据或分析

语气和方法

在整个评审中保持建设性、专业和合作性语气。

最佳实践：

建设性： 将批评构建为改进机会
具体： 提供具体例子和可操作建议
平衡： 承认优点以及缺点
尊重： 记住作者投入了大量努力
客观： 专注于科学，而非科学家
彻底： 不忽视问题，但适当优先处理
清晰： 避免模糊或含糊批评

避免：

人身攻击或轻蔑语言
讽刺或傲慢
无具体例子的模糊批评
请求超出范围的不必要实验
要求遵循个人偏好而非最佳实践
如果评审是双盲，透露您的身份

按手稿类型的特殊考虑

原创研究文章

强调严谨性、可重复性和新颖性
评估重要性和影响
验证结论是否基于数据驱动
检查完整方法和适当控制

综述和荟萃分析

评估文献覆盖的全面性
评估搜索策略和纳入/排除标准
验证系统化方法且无偏倚
检查批判性分析而非仅总结
对于荟萃分析，评估统计方法和异质性

方法论文

强调验证和与现有方法的比较
评估可重复性和协议/代码可用性
评估对现有方法的改进
检查实现足够细节

短报告/信件

适应简洁期望
确保核心发现仍严谨且重要
验证格式适合发现

预印本

认识到这些尚未经过正式同行评审
可能不如期刊投稿精炼
仍应用科学有效性的严格标准
考虑提供建设性反馈以帮助作者在投稿前改进

演示文稿和幻灯片

⚠️ 关键：对于演示文稿，切勿直接读取 PDF。始终先转换为图像。

评审科学演示文稿（PowerPoint、Beamer、幻灯片）时：

强制性基于图像的评审工作流程

切勿尝试直接读取演示文稿 PDF - 这会导致缓冲区溢出错误，且不显示视觉格式问题。

必需过程：

使用 Python 将 PDF 转换为图像：

python skills/scientific-slides/scripts/pdf_to_images.py presentation.pdf review/slide --dpi 150
# 创建：review/slide-001.jpg、review/slide-002.jpg 等

顺序读取和检查每张幻灯片图像文件
记录具体幻灯片编号的问题
提供视觉格式和内容反馈

开始评审时打印：

[HH:MM:SS] 同行评审：检测到演示文稿 - 转换为图像进行评审
[HH:MM:SS] PDF 评审：切勿直接读取 PDF - 使用基于图像的检查

演示文稿特定评估标准

视觉设计和可读性：

[ ] 文本足够大（最小 18 点，理想情况 24 点以上作为正文）
[ ] 文本和背景之间高对比度（最小 4.5:1，优选 7:1）
[ ] 配色方案专业且色盲可访问
[ ] 所有幻灯片视觉设计一致
[ ] 空白足够（不拥挤）
[ ] 字体清晰且专业

布局和格式（检查每张幻灯片图像）：

[ ] 无文本溢出或幻灯片边缘截断
[ ] 无元素重叠（文本在图像上、形状重叠）
[ ] 标题位置一致
[ ] 内容适当对齐
[ ] 项目符号和文本未被切断
[ ] 图表适合幻灯片边界内
[ ] 标题和标签可见且可读

内容质量：

[ ] 每张幻灯片一个主要思想（不过载）
[ ] 最小文本（每张幻灯片最多 3-6 个项目符号）
[ ] 项目符号简洁（每个 5-7 词）
[ ] 图表简化且清晰（非从论文中复制粘贴）
[ ] 数据可视化有大、可读标签
[ ] 引用存在且适当格式化
[ ] 结果/数据幻灯片主导演示（占内容的 40-50%）

结构和流程：

[ ] 清晰叙述弧（引言 → 方法 → 结果 → 讨论）
[ ] 幻灯片间逻辑进展
[ ] 幻灯片数量适合演讲时长（约每张幻灯片 1 分钟）
[ ] 标题幻灯片包括作者、隶属机构、日期
[ ] 引言引用相关背景文献（3-5 篇论文）
[ ] 讨论引用比较论文（3-5 篇论文）
[ ] 结论幻灯片总结关键发现
[ ] 致谢/资助幻灯片在结尾

科学内容：

[ ] 研究问题清晰陈述
[ ] 方法充分总结（不过度细节）
[ ] 结果逻辑呈现，带有清晰可视化
[ ] 统计显著性适当指示
[ ] 结论由所示数据支持
[ ] 局限性适当承认
[ ] 未来方向或更广泛影响讨论

常见演示文稿问题标记：

关键问题（必须修复）：

文本溢出导致内容不可读
字体大小过小（<18 点）
元素重叠遮挡数据
对比度不足（文本难以阅读）
图表过复杂或无法辨认
无引用（完全无支持声称）
幻灯片数量与时长严重不匹配

主要问题（应该修复）：

幻灯片间设计不一致
文本过多（文本墙，非项目符号）
图表简化差（轴标签过小）
布局拥挤，空白不足
缺失关键结构元素（无结论幻灯片）
颜色选择差（非色盲安全）
结果内容最少（<30% 的幻灯片）

次要问题（改进建议）：

可使用更多视觉/图表
某些幻灯片略文本过多
轻微对齐不一致
可受益于更多空白
额外引用会加强声称
配色方案可更现代

演示文稿评审报告格式

摘要声明：

演示文稿质量的整体印象
对目标受众和时长的适当性
关键优点（视觉设计、内容、清晰度）
关键缺点（格式问题、内容空白）
推荐（准备演示、小修、大修）

布局和格式问题（按幻灯片编号）：

幻灯片 3：文本溢出 - 项目符号 4 延伸超出右边缘
幻灯片 7：元素重叠 - 图表与标题文本重叠
幻灯片 12：字体大小 - 轴标签过小，无法从远处阅读
幻灯片 18：对齐 - 标题未居中

内容和结构反馈：

背景上下文和引用的充分性
研究问题和目标的清晰度
方法摘要的质量
结果呈现的有效性
结论和影响的强度

设计和可访问性：

整体视觉吸引力和专业性
颜色对比度和可读性
色盲可访问性
幻灯片间一致性

时长和范围：

幻灯片数量是否匹配预期时长
适合演讲类型的细节水平
各部分平衡

基于图像的评审过程示例

[14:30:00] 同行评审：开始评审演示文稿
[14:30:05] 同行评审：检测到演示文稿 - 转换为图像
[14:30:10] PDF 评审：运行 pdf_to_images.py 于 presentation.pdf
[14:30:15] PDF 评审：将 25 张幻灯片转换为图像到 review/ 目录
[14:30:20] PDF 评审：检查幻灯片 1/25 - 标题幻灯片
[14:30:25] PDF 评审：检查幻灯片 2/25 - 引言
...
[14:35:40] PDF 评审：检查幻灯片 25/25 - 致谢
[14:35:45] PDF 评审：完成基于图像的评审
[14:35:50] 同行评审：发现 8 个布局问题、3 个内容问题
[14:35:55] 同行评审：按幻灯片编号生成结构化反馈

记住： 对于演示文稿，通过图像进行视觉检查是强制性的。切勿尝试将演示文稿 PDF 作为文本读取 - 这会失败并错过所有视觉格式问题。

资源

此技能包括参考资料以支持全面同行评审：

references/reporting_standards.md

跨学科主要报告标准指南（如 CONSORT、PRISMA、ARRIVE、MIAME、STROBE 等），以评估方法和结果报告的完整性。

references/common_issues.md

同行评审中常见方法论和统计问题目录，提供识别和解决指南。

最终检查清单

在最终确定评审前，验证：

[ ] 摘要声明清晰传达整体评估
[ ] 主要担忧清晰识别并合理
[ ] 建议修订具体且可操作
[ ] 次要问题记录但适当分类
[ ] 统计方法已评估
[ ] 可重复性和数据可用性评估
[ ] 伦理考虑验证
[ ] 图表和表格质量与完整性评估
[ ] 写作质量评估
[ ] 语气始终建设性和专业
[ ] 评审彻底但符合手稿范围
[ ] 推荐与识别问题一致