scientific-agent-skillshypothesis-generation 技能的因果推斷與聲明紀(jì)律Estimand、偏差路徑與聲明語(yǔ)言規(guī)范【免費(fèi)下載鏈接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.項(xiàng)目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本文基于 scientific-agent-skills 倉(cāng)庫(kù)中hypothesis-generation技能的參考文檔 causal_inference_and_claims.md系統(tǒng)講解該技能如何約束從觀察走向因果的全部環(huán)節(jié)先區(qū)分五類科學(xué)目標(biāo)再定義因果 estimand估計(jì)目標(biāo)然后逐一排查混雜、選擇、碰撞、反向因果與測(cè)量偏差最后用受約束的聲明語(yǔ)言和配套的本地 linterlint_causal_claims.py對(duì) Markdown 草稿做詞法級(jí)審計(jì)。讀完后你將掌握一套可復(fù)制的因果聲明紀(jì)律如何在寫(xiě)作前固定 estimand、如何為每一行因果語(yǔ)言標(biāo)注識(shí)別邏輯與風(fēng)險(xiǎn)狀態(tài)、以及如何用確定性 CLI 工具自查聲明語(yǔ)言與證據(jù)強(qiáng)度是否匹配。五類科學(xué)目標(biāo)先回答你在問(wèn)什么該文檔的核心立場(chǎng)是關(guān)聯(lián)、預(yù)測(cè)、干預(yù)效應(yīng)與機(jī)制回答的是不同的問(wèn)題在動(dòng)筆之前必須先明確自己的科學(xué)目標(biāo)屬于哪一類描述性Descriptive分布或模式是什么關(guān)聯(lián)性Associational觀測(cè)數(shù)據(jù)中測(cè)量到的變量如何共同變化預(yù)測(cè)性Predictive在目標(biāo)場(chǎng)景中信息對(duì)結(jié)局的預(yù)測(cè)能力如何因果性Causal在指定的干預(yù)或暴露條件下什么會(huì)不同機(jī)制性Mechanistic因果變化通過(guò)什么過(guò)程發(fā)生文檔特別指出一個(gè)常見(jiàn)誤區(qū)模型可以預(yù)測(cè)得很準(zhǔn)卻沒(méi)有識(shí)別出任何因果效應(yīng)一個(gè)隨機(jī)化效應(yīng)估計(jì)可以識(shí)別干預(yù)對(duì)比卻遠(yuǎn)未建立完整機(jī)制。這與技能主文件 SKILL.md 中絕不從關(guān)聯(lián)、時(shí)間順序、預(yù)測(cè)準(zhǔn)確度或模型輸出推斷因果的硬性邊界Non-negotiable boundaries一脈相承——五類目標(biāo)正是該邊界在分析層面的具體展開(kāi)。對(duì)應(yīng)地SKILL.md 的工作流第 6 步聲明聲明類型與 estimand要求把每個(gè)目標(biāo)歸類為 descriptive / associational / predictive / causal / mechanistic 五類之一再進(jìn)入本文后續(xù)的 estimand 與偏差風(fēng)險(xiǎn)流程。定義因果 Estimand先于估計(jì)量存在的估計(jì)目標(biāo)文檔遵循因果問(wèn)題框架與 ICH E9(R1) 原則在適用時(shí)要求在選擇任何估計(jì)量或模型之前先書(shū)面固定因果 estimand 的八個(gè)要素總體/系統(tǒng)Population/system該對(duì)比適用于誰(shuí)、適用于什么系統(tǒng)干預(yù)/暴露Intervention/exposure設(shè)定、分配或?qū)Ρ鹊臈l件是什么比較Comparator與之對(duì)比的替代條件是什么結(jié)局Outcome什么變量受到影響、如何測(cè)量時(shí)間范圍Time horizon結(jié)局在何時(shí)評(píng)估總體摘要Population summary均值差、風(fēng)險(xiǎn)比、分位數(shù)對(duì)比、生存摘要或其他目標(biāo)量。中間事件Intercurrent events當(dāng)分配后事件影響解釋或測(cè)量時(shí)如何處理治療版本Treatment versions干預(yù)是否被充分良好地定義這條estimand 先于 estimator的紀(jì)律在倉(cāng)庫(kù)的 schema 校驗(yàn)器中得到了強(qiáng)制模板記錄 hypothesis_record_template.json 的頂層鍵包含causal_estimands而測(cè)試 test_scripts.py 中的test_causal_question_requires_estimand驗(yàn)證了一旦causal_estimands為空校驗(yàn)報(bào)告即報(bào)CAUSAL_QUESTION_REQUIRES_ESTIMAND錯(cuò)誤記錄被判為無(wú)效。也就是說(shuō)提出因果問(wèn)題卻沒(méi)有 estimand 在工具鏈層面是結(jié)構(gòu)性不通過(guò)而不只是寫(xiě)作建議。反事實(shí)對(duì)比與觀測(cè)數(shù)據(jù)下的識(shí)別假設(shè)因果效應(yīng)比較的是同一目標(biāo)單元在不同條件下的結(jié)局而同一單元通常不可能同時(shí)觀測(cè)兩種條件因此識(shí)別依賴設(shè)計(jì)與假設(shè)。對(duì)觀測(cè)性數(shù)據(jù)文檔要求明確列出七類聲明目標(biāo)試驗(yàn)?zāi)Mtarget-trial analogue或其他設(shè)計(jì)邏輯一致性/良好定義干預(yù)假設(shè)可交換性/無(wú)未測(cè)混雜假設(shè)正值性/重疊positivity/overlap干擾假設(shè)interference測(cè)量與缺失假設(shè)估計(jì)過(guò)程引入的模型假設(shè)。文檔還有一句關(guān)鍵的寫(xiě)作禁令不要寫(xiě)已控制混雜controlled for confounding仿佛調(diào)整就證明了可交換性。統(tǒng)計(jì)調(diào)整只能消除已測(cè)量、已正確納入的混雜路徑它不能自證無(wú)未測(cè)混雜。偏差路徑逐一排查文檔把偏差風(fēng)險(xiǎn)拆成五條路徑每條都給出了具體的風(fēng)險(xiǎn)點(diǎn)與應(yīng)對(duì)手段。這是本技能在候選解釋生成SKILL.md 工作流第 5 步中的核心清單——rival 候選解釋必須覆蓋混雜、選擇、碰撞、反向因果與測(cè)量這幾類偏誤?；祀sConfounding暴露/干預(yù)與結(jié)局的共同原因可以制造或掩蓋關(guān)聯(lián)。文檔列出的應(yīng)對(duì)包括設(shè)計(jì)、可行的倫理下隨機(jī)化、限制、匹配、測(cè)量并調(diào)整有依據(jù)的共同原因、陰性對(duì)照、敏感性分析或三角驗(yàn)證。具體風(fēng)險(xiǎn)有四類未測(cè)量或測(cè)量粗糙的共同原因受先前治療影響的時(shí)間依變量混雜對(duì)工具變量、中介變量或碰撞變量的不當(dāng)調(diào)整粗糙分類后的殘余混雜。選擇偏差Selection bias樣本進(jìn)入、分析進(jìn)入、隨訪或結(jié)局觀測(cè)本身可能同時(shí)依賴于暴露與結(jié)局的原因。文檔要求記錄以下信息抽樣與納入標(biāo)準(zhǔn)、參與與知情同意、剔除、失訪與刪失、完整病例限制、測(cè)量可得性以及數(shù)據(jù)鏈接引入的條件化。碰撞偏差Collider bias碰撞變量是兩變量的共同結(jié)果對(duì)其或其后代變量做條件化會(huì)打開(kāi)非因果路徑。文檔列舉的常見(jiàn)來(lái)源進(jìn)入研究或亞組的篩選限制為已診斷、住院、已檢測(cè)或存活者調(diào)整暴露后受結(jié)局另一原因影響的變量在缺失機(jī)制共同受因時(shí)使用完整病例。協(xié)變量越多并不自動(dòng)更好——這一句直接反對(duì)把所有變量塞進(jìn)模型的默認(rèn)做法。反向因果Reverse causation結(jié)局或其前驅(qū)因素可能反過(guò)來(lái)影響暴露或測(cè)量橫斷面順序?qū)Ψ较蛐缘淖C據(jù)尤其弱。文檔給出的對(duì)策是時(shí)間序列設(shè)計(jì)、滯后測(cè)量、新發(fā)結(jié)局、干預(yù)、陰性對(duì)照或必要時(shí)顯式保留雙向候選。測(cè)量偏差Measurement bias測(cè)量誤差可以衰減或膨脹估計(jì)值、隨暴露或結(jié)局不同而不同、誘導(dǎo)表觀交互、扭曲協(xié)變量調(diào)整、影響進(jìn)入分析的篩選。文檔強(qiáng)調(diào)操作化與驗(yàn)證是因果設(shè)計(jì)的一部分不是事后的文檔任務(wù)——這一點(diǎn)與 SKILL.md 第 8 步操作化并驗(yàn)證測(cè)量及其檢查腳本check_operationalization.py的分工相吻合。中介、效應(yīng)修飾與混雜先標(biāo)注角色再分析文檔用三條規(guī)則區(qū)分三種極易混淆的角色**中介mediator**位于因果路徑上對(duì)它做調(diào)整會(huì)把目標(biāo)從總效應(yīng)改為直接效應(yīng)或受控效應(yīng)并引入額外假設(shè)**效應(yīng)修飾effect modifier**描述因果對(duì)比在分層間的差異它與統(tǒng)計(jì)交互并非在所有尺度上同義混雜confounder是相對(duì)于目標(biāo)因果對(duì)比與設(shè)計(jì)定義的而不是與結(jié)局相關(guān)這么簡(jiǎn)單。文檔要求在分析之前標(biāo)注每個(gè)變量的預(yù)期角色并用領(lǐng)域知識(shí)與因果結(jié)構(gòu)如 DAG給出依據(jù)。陰性對(duì)照不是裝飾性的未處理組文檔依據(jù) Lipsitch、Tchetgen Tchetgen 和 Cohen 的框架區(qū)分兩類陰性對(duì)照陰性對(duì)照暴露不應(yīng)通過(guò)所提議機(jī)制引起目標(biāo)結(jié)局但應(yīng)與目標(biāo)暴露共享相關(guān)混雜/偏差路徑陰性對(duì)照結(jié)局不應(yīng)被目標(biāo)暴露通過(guò)所提議機(jī)制引起但應(yīng)共享相關(guān)偏差路徑。每個(gè)陰性對(duì)照必須書(shū)面回答五個(gè)問(wèn)題為何目標(biāo)機(jī)制不可能起作用、應(yīng)共享哪些偏差、預(yù)期結(jié)果是什么、對(duì)照失敗意味著什么、對(duì)照非零結(jié)果的替代解釋有哪些。文檔同時(shí)劃定能力邊界陰性對(duì)照在假設(shè)下能檢測(cè)部分偏差但不能證明偏差的缺席。這與 SKILL.md 工作流第 7 步陰性對(duì)照必須是無(wú)法通過(guò)目標(biāo)機(jī)制起效、且共享相關(guān)偏差路徑的對(duì)照而非裝飾性未處理組的表述一致并在資產(chǎn)模板 falsification_controls_template.json 中以結(jié)構(gòu)化字段落地。聲明語(yǔ)言規(guī)則關(guān)聯(lián)、因果、機(jī)制三檔措辭文檔給出三檔聲明語(yǔ)言的使用條件關(guān)聯(lián)性聲明可使用was associated with與……相關(guān)co-varied with與……共同變化predicted in the evaluated dataset在所評(píng)估數(shù)據(jù)集中做出預(yù)測(cè)the adjusted association調(diào)整后的關(guān)聯(lián)。并且必須同時(shí)說(shuō)明設(shè)計(jì)、總體、時(shí)間點(diǎn)、效應(yīng)/摘要度量、不確定性與局限。因果動(dòng)詞causes、reduces、prevents 等只有在同時(shí)滿足五個(gè)條件時(shí)才能使用因果 estimand 明確、設(shè)計(jì)/識(shí)別邏輯已陳述、假設(shè)與敏感性分析可見(jiàn)、混雜/選擇/碰撞/反向因果/測(cè)量風(fēng)險(xiǎn)均已被處理、語(yǔ)言與證據(jù)強(qiáng)度校準(zhǔn)。對(duì)觀測(cè)性研究文檔建議用在所述假設(shè)下估計(jì)的因果效應(yīng)estimated causal effect under the stated assumptions替代不加限定的因果斷言。機(jī)制性聲明需要區(qū)分五類證據(jù)對(duì)過(guò)程步驟的直接證據(jù)、中介或中間測(cè)量、擾動(dòng)/救援證據(jù)、時(shí)間順序、以及僅憑類比或合理性。文檔的總結(jié)句是一個(gè)因果干預(yù)效應(yīng)本身并不驗(yàn)證所提議的路徑。Markdown 聲明標(biāo)注與本地 Linter該技能把上述語(yǔ)言規(guī)則落成了一套行內(nèi)標(biāo)注語(yǔ)法并配套一個(gè)純?cè)~法、本地、確定性的 linterlint_causal_claims.py。標(biāo)注示例來(lái)自參考文檔逐行生效[claim:associational] Exposure X was associated with outcome Y in the observed cohort. [claim:causal][estimand:E1][identification:observational_assumption_dependent][confounding:unresolved][selection:assessed][collider:assessed][reverse-causation:assessed] Under the stated assumptions, intervention X would reduce outcome Y over 12 months.運(yùn)行方式python3 scripts/lint_causal_claims.py local-draft.md該命令在技能目錄內(nèi)以相對(duì)路徑執(zhí)行-o可選輸出 JSON 報(bào)告--force允許覆蓋已有輸出文件。從源碼看標(biāo)注語(yǔ)法與校驗(yàn)規(guī)則閱讀 lint_causal_claims.py 可以確認(rèn)文檔中規(guī)則的完整實(shí)現(xiàn)細(xì)節(jié)允許的標(biāo)注鍵由正則TAG_RE限定為六個(gè)claim、estimand、identification、confounding、selection、collider、reverse-causation大小寫(xiě)不敏感允許的聲明類型CLAIM_TYPES為causal、associational、descriptive、predictive、mechanistic與五類科學(xué)目標(biāo)一一對(duì)應(yīng)允許的識(shí)別類型IDENTIFICATION_TYPES包括randomized、quasi_experimental、observational_assumption_dependent、mechanistic_experiment、other_assumption_dependent——注意后兩個(gè)明確保留了假設(shè)依賴這一狀態(tài)風(fēng)險(xiǎn)狀態(tài)RISK_STATES只有三個(gè)assessed、unresolved、not_applicable。文檔對(duì)此有一句重要澄清assessed 只記錄存在人工評(píng)估并不意味著風(fēng)險(xiǎn)不存在因果聲明的必備標(biāo)注REQUIRED_CAUSAL_TAGS為estimand、identification以及四個(gè)風(fēng)險(xiǎn)標(biāo)注confounding / selection / collider / reverse-causation任一缺失都會(huì)報(bào)CAUSAL_CLAIM_MISSING_*_TAG錯(cuò)誤。觸發(fā)詞與錯(cuò)誤碼linter 用兩個(gè)詞法正則驅(qū)動(dòng)核心檢查見(jiàn) lint_causal_claims.pyCAUSAL_RE匹配 causes/caused/causal effect/effect of/leads to/results in/increases/reduces/prevents/improves/worsens/drives/mediates/produces 等因果動(dòng)詞ASSOCIATION_RE匹配 associated with/association/correlates with/correlation/co-varied with/predicts/linked to 等關(guān)聯(lián)表述。由此產(chǎn)生的主要錯(cuò)誤/警告語(yǔ)義包括代碼級(jí)別含義UNMARKED_CAUSAL_LANGUAGE錯(cuò)誤行內(nèi)出現(xiàn)因果動(dòng)詞但沒(méi)有[claim:...]標(biāo)注CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM錯(cuò)誤標(biāo)注為associational等卻使用了因果動(dòng)詞——即用標(biāo)簽掩蓋因果語(yǔ)言CAUSAL_CLAIM_MISSING_*_TAG錯(cuò)誤因果聲明缺少六個(gè)必備標(biāo)注之一INVALID_CLAIM_TYPE/INVALID_IDENTIFICATION_TAG/INVALID_*_STATE錯(cuò)誤標(biāo)注取值不在允許集合內(nèi)DUPLICATE_*_TAG錯(cuò)誤同一標(biāo)注鍵在一行重復(fù)UNRESOLVED_*_RISK警告某風(fēng)險(xiǎn)狀態(tài)為unresolved——報(bào)告仍有效但風(fēng)險(xiǎn)被顯式暴露ESTIMAND_TAG_ON_NONCAUSAL_CLAIM警告非因果聲明攜帶 estimand 標(biāo)注報(bào)告結(jié)構(gòu)lint_causal_claims.py包含schema_version: 2.0、valid、statusVALID_LEXICAL_LINT或INVALID_CLAIM_MARKUP、errors、warnings、各聲明類型計(jì)數(shù)、因果/關(guān)聯(lián)觸發(fā)行計(jì)數(shù)以及一段固定notice該確定性詞法 lint不能判定某語(yǔ)言是否真正因果、estimand 是否定義良好、識(shí)別假設(shè)是否成立所有被標(biāo)記與未被標(biāo)記的聲明都需人工復(fù)核。這與文檔linter 是詞法的可能漏掉因果語(yǔ)言、可能誤報(bào)良性短語(yǔ)、無(wú)法判斷設(shè)計(jì)是否識(shí)別了效應(yīng)的聲明完全一致。測(cè)試 test_scripts.py 固化了三條關(guān)鍵行為test_unmarked_causal_language_is_invalidCondition X causes outcome Y.一行直接報(bào)UNMARKED_CAUSAL_LANGUAGE且報(bào)告中不含原文片段只輸出規(guī)則碼與行號(hào)test_fully_annotated_causal_claim_is_structurally_valid文檔中的完整標(biāo)注示例行校驗(yàn)通過(guò)同時(shí)因[confounding:unresolved]產(chǎn)生UNRESOLVED_CONFOUNDING_RISK警告——結(jié)構(gòu)有效與風(fēng)險(xiǎn)未解決并存這正是文檔所倡導(dǎo)的表達(dá)方式test_associational_tag_cannot_hide_causal_verb[claim:associational]標(biāo)簽下使用causes動(dòng)詞被CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM拒絕即標(biāo)簽不能用來(lái)洗白因果語(yǔ)言。退出碼遵循技能約定的三段式0結(jié)構(gòu)有效、1完成校驗(yàn)但存在錯(cuò)誤、2輸入格式錯(cuò)誤/不安全見(jiàn) SKILL.md 的本地工具索引與 tool_reference.md 的完整 schema 說(shuō)明。干預(yù)試驗(yàn)語(yǔ)境報(bào)告規(guī)范不等于有效性證明文檔最后為干預(yù)類假設(shè)劃定試驗(yàn)語(yǔ)境清單目標(biāo)、estimand、結(jié)局、時(shí)間點(diǎn)、傷害與分析保持一致方案報(bào)告采用 SPIRIT 2025、試驗(yàn)結(jié)果報(bào)告采用 CONSORT 2025保留對(duì)方案與統(tǒng)計(jì)分析計(jì)劃的訪問(wèn)報(bào)告啟動(dòng)后的重要變更與非預(yù)設(shè)結(jié)局/分析在適用時(shí)包含傷害與參與者/公眾參與。文檔同時(shí)給出能力邊界報(bào)告完整性不是倫理批準(zhǔn)、設(shè)計(jì)有效性、監(jiān)管合規(guī)或治療有效性的證明。這一句與 SKILL.md 中腳本批準(zhǔn)不是倫理、安全、監(jiān)管或科學(xué)批準(zhǔn)的原則互相呼應(yīng)也提醒讀者本文討論的全部工具鏈schema 校驗(yàn)、詞法 lint、對(duì)照審計(jì)都是結(jié)構(gòu)與一致性檢查判定科學(xué)結(jié)論的責(zé)任始終在人工。小結(jié)把聲明紀(jì)律做成可執(zhí)行流水線該參考文檔的價(jià)值在于把因果推斷中通常只存在于專家頭腦里的紀(jì)律拆解為三層可驗(yàn)證工件estimand 清單——八個(gè)要素在分析前固定schema 層面強(qiáng)制CAUSAL_QUESTION_REQUIRES_ESTIMAND偏差路徑清單——混雜、選擇、碰撞、反向因果、測(cè)量五類風(fēng)險(xiǎn)各自有識(shí)別信號(hào)與記錄項(xiàng)候選 rival 必須覆蓋聲明語(yǔ)言 行內(nèi)標(biāo)注 詞法 linter——三類語(yǔ)言各有使用條件標(biāo)注語(yǔ)法與風(fēng)險(xiǎn)狀態(tài)由 lint_causal_claims.py 確定性校驗(yàn)測(cè)試 test_scripts.py 固化其行為。需要始終記住的適用前提這些工具是無(wú)網(wǎng)絡(luò)、無(wú)外部依賴、本地確定性運(yùn)行SKILL.md 聲明要求 Python 3.11 標(biāo)準(zhǔn)庫(kù)它們校驗(yàn)的是聲明是否與其聲稱的證據(jù)等級(jí)匹配而非科學(xué)真值linter 本身也是詞法的最終判斷必須保留給人工復(fù)核?！久赓M(fèi)下載鏈接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.項(xiàng)目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考