名称: 同行评审描述: “系统性的同行评审工具包。评估方法论、统计、设计、可重复性、伦理、图表完整性、报告标准，用于跨学科的手稿和资助评审。” 允许工具: [读取, 写入, 编辑, Bash]

科学批判性评估与同行评审

概述

同行评审是评估科学手稿的系统性过程。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评审，进行建设性、严格的评估。

何时使用此技能

此技能应在以下情况使用：

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严谨性
评审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（CONSORT、STROBE、PRISMA等）
对科学写作提供建设性反馈

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

通过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、评审和完善示意图

对于新文档： 应默认生成科学示意图，以可视化表示文本中描述的关键概念、工作流程、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质量图像
通过多次迭代评审和完善
确保可访问性（色盲友好、高对比度）
在 figures/ 目录中保存输出

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，请参考 scientific-schematics 技能文档。

同行评审工作流程

通过以下阶段系统性进行同行评审，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合？
是否有任何立即的主要缺陷会妨碍发表？

输出： 简要摘要（2-3句话），捕捉手稿的本质和初步印象。

阶段2: 详细的逐节评审

对手稿的每个部分进行彻底评估，记录具体问题和优势。

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： 摘要是否对广泛的科学受众可理解？

引言

背景： 背景信息是否充分且最新？
合理性： 研究问题是否明确有动机和理由？
新颖性： 工作的原创性和重要性是否清晰表述？
文献： 相关先前研究是否适当引用？
目标： 研究目的/假设是否明确陈述？

方法

可重复性： 其他研究人员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、清晰描述和理由？
验证： 控制、重复和验证方法是否充分？

需要验证的关键元素：

样本大小和功率计算
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
统计检验和多重比较校正

结果

呈现： 结果是否逻辑清晰地呈现？
图表/表格： 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： 结果是否未过度解读地呈现？
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：

选择性报告结果
不适当的统计检验
缺失误差条或变异性测量
过度拟合或循环分析
批次效应或混淆变量
缺失控制或验证实验

讨论

解读： 结论是否得到数据支持？
局限性： 研究局限性是否承认和讨论？
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明确区分？
重要性： 影响和重要性是否清晰表述？
未来方向： 是否讨论下一步或未解问题？

红旗警告：

夸大结论
忽略矛盾证据
从相关性数据做出因果声称
局限性讨论不足
没有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： 引用是否准确和适当？
自引用： 是否有过多或不适当的自引用？

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？
多重检验校正是否适当应用？
是否提供置信区间？
样本大小是否通过功率分析证明合理？
参数与非参数检验是否适当选择？
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？
重复是否足够（生物和技术）？
潜在混淆因素是否识别和控制？
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最优？

计算/生物信息学：

计算方法是否清晰描述和理由？
软件版本和参数是否记录？
是否提供代码以确保可重复性？
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

评估研究是否满足现代可重复性和开放科学标准。

数据可用性：

原始数据是否存入适当存储库？
是否提供公共数据库的访问号？
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（GitHub、Zenodo等）？
独特材料是否可用或足够详细描述以重建？
协议是否足够详细？

报告标准：

手稿是否遵循学科特定报告指南（CONSORT、PRISMA、ARRIVE、MIAME、MINSEQE等）？
查看 references/reporting_standards.md 了解常见指南
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）？
图像是否包含比例尺？
数据可视化是否适合数据类型？

完整性检查：

是否有图像处理迹象（重复、拼接）？
Western blots和凝胶是否适当呈现？
代表性图像是否真正代表？
是否显示所有条件（无选择性呈现）？

清晰度：

图表是否可独立存在于图例？
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

验证研究是否满足伦理标准和指南。

人类受试者：

IRB/伦理批准是否记录？
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？
潜在利益冲突是否披露？

动物研究：

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

研究完整性：

是否有数据捏造或篡改的担忧？
作者署名是否适当且合理？
竞争利益是否披露？
资金来源是否披露？
是否有抄袭或重复发表的担忧？

阶段7: 写作质量和清晰度

评估手稿的清晰度、组织和可访问性。

结构和组织：

手稿是否逻辑组织？
部分是否连贯流动？
想法之间的过渡是否清晰？
叙事是否引人入胜且清晰？

写作质量：

语言是否清晰、精确且简洁？
术语和缩写是否最小化并定义？
语法和拼写是否正确？
句子是否不必要地复杂？
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？
重要性是否对广泛受众清晰？

构建同行评审报告

组织反馈为分层结构，优先处理问题并提供可操作指导。

总结陈述

提供简洁的整体评估（1-2段）：

研究简要概述
整体推荐（接受、小修、大修、拒绝）
关键优势（2-3个要点）
关键弱点（2-3个要点）
对重要性和合理性的底线评估

主要评论

列出显著影响手稿有效性、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
未支持或夸大的结论
缺失关键控制或实验
严重可重复性问题
文献覆盖的主要空白
伦理担忧

对于每个主要评论：

明确陈述问题
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关键

次要评论

列出不那么关键的问题，以改善清晰度、完整性或呈现。按顺序编号。

次要评论通常包括：

不清楚的图表标签或图例
缺失的方法论细节
排版或语法错误
改善数据呈现的建议
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：

识别特定位置（部分、段落、图表）
明确陈述问题
建议如何解决

具体的逐行评论（可选）

对于需要详细反馈的手稿，提供部分特定或逐行评论：

引用特定页/行号或部分
注意事实错误、不清楚陈述或缺失引用
建议清晰度的具体编辑

作者问题

列出需要澄清的具体问题：

不清楚的方法论细节
看似矛盾的结果
需要评估工作的缺失信息
额外数据或分析的请求

语气和方法

在整个评审中保持建设性、专业和协作的语气。

最佳实践：

建设性： 将批评作为改进机会框架
具体： 提供具体示例和可操作建议
平衡： 承认优势和弱点
尊重： 记住作者投入了显著努力
客观： 关注科学，而非科学家
彻底： 不忽视问题，但适当优先
清晰： 避免模糊或含糊批评

避免：

个人攻击或轻蔑语言
讽刺或居高临下
无具体示例的模糊批评
请求超出范围的不必要实验
要求遵守个人偏好而非最佳实践
在双盲评审中透露身份

不同手稿类型的特殊考虑

原始研究文章

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
检查实施足够的细节

简短报告/信件

适应简洁性的期望
确保核心发现仍然严谨和重要
验证格式是否适合发现

预印本

认识到这些尚未经过正式同行评审
可能不如期刊提交精致
仍应用科学有效性的严格标准
考虑在期刊提交前提供建设性反馈以帮助作者改进

演示文稿和幻灯片

⚠️ 关键： 对于演示文稿，永远不要直接阅读PDF。始终先转换为图像。

评审科学演示文稿（PowerPoint、Beamer、幻灯片）：

强制基于图像的评审工作流程

永远不要尝试直接阅读演示文稿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

顺序阅读和检查每个幻灯片图像文件
记录特定幻灯片编号的问题
提供视觉格式和内容的反馈

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：永不直接读取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24点+用于正文文本）
[ ] 文本和背景之间的高对比度（最小4.5:1，首选7:1）
[ ] 配色方案专业且色盲可访问
[ ] 所有幻灯片一致的视觉设计
[ ] 空白空间充足（不拥挤）
[ ] 字体清晰且专业

布局和格式（检查每个幻灯片图像）：

[ ] 无文本溢出或幻灯片边缘截断
[ ] 无元素重叠（文本覆盖图像、重叠形状）
[ ] 标题一致定位
[ ] 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
[ ] 标题和标签可见且可读

内容质量：

[ ] 每幻灯片一个主要想法（不过载）
[ ] 最小文本（每幻灯片最大3-6个项目符号）
[ ] 项目符号简洁（每个5-7个单词）
[ ] 图表简化且清晰（不从论文复制粘贴）
[ ] 数据可视化有大、可读的标签
[ ] 引用存在且正确格式化
[ ] 结果/数据幻灯片主导演示（占内容的40-50%）

结构和流程：

[ ] 清晰的叙事弧（引言 → 方法 → 结果 → 讨论）
[ ] 幻灯片之间的逻辑进展
[ ] 幻灯片数量适合讲话时长（约每幻灯片1分钟）
[ ] 标题幻灯片包括作者、所属机构、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
[ ] 末尾的致谢/资助幻灯片

科学内容：

[ ] 研究问题明确陈述
[ ] 方法充分总结（不细节过多）
[ ] 结果逻辑呈现且视觉清晰
[ ] 统计显著性适当指示
[ ] 结论得到显示数据支持
[ ] 局限性在适当时承认
[ ] 未来方向或更广影响讨论

常见演示文稿问题标记：

关键问题（必须修复）：

文本溢出使内容不可读
字体太小（<18点）
元素重叠掩盖数据
对比度不足（文本难以阅读）
图表太复杂或不可读
无引用（完全无支持的声称）
幻灯片数量与时长严重不匹配

主要问题（应该修复）：

幻灯片之间设计不一致
文本太多（文字墙，无项目符号）
图表简化不良（轴标签太小）
布局拥挤，空白空间不足
缺少关键结构元素（无结论幻灯片）
颜色选择差（非色盲安全）
结果内容最少（<30%幻灯片）

次要问题（改进建议）：

可使用更多视觉/图表
某些幻灯片略文本重
轻微对齐不一致
可从更多空白空间受益
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

总结陈述：

演示文稿质量的整体印象
适合目标受众和时长的适当性
关键优势（视觉设计、内容、清晰度）
关键弱点（格式问题、内容空白）
推荐（可呈现、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 - 轴标签太小，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
幻灯片之间一致性

时机和范围：

幻灯片数量是否匹配预期时长
适合讲话类型的细节水平
部分之间的平衡

基于图像评审过程示例

[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：在 presentation.pdf 上运行 pdf_to_images.py
[14:30:15] PDF 评审：转换25个幻灯片为图像到 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，基于图像的视觉检查是强制性的。永远不要尝试将演示文稿PDF作为文本阅读 - 将失败并错过所有视觉格式问题。

资源

此技能包括参考材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（CONSORT、PRISMA、ARRIVE、MIAME、STROBE等），用于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，带有识别和解决的指南。

最终清单

在最终确定评审前，验证：

[ ] 总结陈述清晰传达整体评估
[ ] 主要担忧明确识别和理由
[ ] 建议修订具体且可操作
[ ] 次要问题注意但正确分类
[ ] 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
[ ] 图表和表格质量及完整性评估
[ ] 写作质量评估
[ ] 整个过程中语气建设性和专业
[ ] 评审彻底但比例适适合于手稿范围
[ ] 推荐与识别问题一致

名称: 同行评审 描述: “系统性的同行评审工具包。评估方法论、统计、设计、可重复性、伦理、图表完整性、报告标准，用于跨学科的手稿和资助评审。” 允许工具: [读取, 写入, 编辑, Bash]