TWBG_Materials/文档润色流和知识库构建流/claude-scholar-upstream/skills/results-analysis/USAGE.md

Results Analysis Usage

本技能用于生成 strict analysis bundle，不是写论文 Results 草稿。

默认产物

analysis-output/
├── analysis-report.md
├── stats-appendix.md
├── figure-catalog.md
└── figures/

典型调用路径

/analyze-results (Command)
    ↓
results-analysis (Skill)
    ↓
results-report (Skill, optional follow-up)

适用场景

• 多模型对比，需要严谨统计
• 多 seed / 多 subject / 多 fold 结果汇总
• 需要真实科研图，而不是只给 figure specs
• 需要为后续 results-report 提供可信分析底座

推荐工作流

1. 准备输入

至少整理出以下之一：

• seed-level csv/json
• 每个实验的日志或目录
• baseline 与 ablation 的对应结果
• 训练曲线 / evaluation 曲线 / confusion 或 breakdown 数据

2. 运行 /analyze-results

/analyze-results path/to/results full

3. 期望输出

analysis-report.md

• 本轮分析回答的问题
• 关键发现
• 哪些比较成立 / 不成立
• 主要 caveats
• 哪些发现值得进一步写成完整实验报告

stats-appendix.md

• mean ± std
• 95% CI
• significance tests
• effect sizes
• multiple-comparison correction
• assumptions / fallback tests
• blockers

figure-catalog.md

• 每张图的文件名
• 图用途
• 数据来源
• caption 必须包含的信息
• 图后 interpretation checklist

figures/

• 真实科研图，优先 PDF/PNG 等可复用格式

最低质量要求

统计

• 不能只报 best score
• 不能只报 p-value
• 不能混淆 std 和 sem
• 有多组比较时要说明 correction
• 假设不满足时必须切换或说明 non-parametric test

图表

• 有数据就要画真实图
• 每个主图都要有误差条或不确定性信息（如适用）
• 图必须有明确用途，不能只是“好看”
• 图后必须说明看到了什么、意味着什么

解释

• 先写 observation，再写 interpretation，最后写 implication
• 若无法支持 causal/mechanistic claim，必须保守表述

与 results-report 的关系

• results-analysis：负责严格统计、图表、证据核查
• results-report：负责完整实验总结报告、叙事、复盘与决策

推荐顺序：

experiment artifacts
    ↓
results-analysis
    ↓
strict analysis bundle
    ↓
results-report

边界情况

输入不完整

若缺少 seed-level 数据、日志或可比 baseline：

• 明确列出缺失项
• 降级分析强度
• 不生成超出证据边界的结论

无法出图

如果数据结构不支持直接画图：

• 先说明原因
• 指出还需要哪些字段
• 不要拿“visualization specs”替代真实图作为完成态

参考阅读

• references/statistical-reporting.md
• references/figure-interpretation.md
• references/analysis-depth.md
• references/common-pitfalls.md