scientific-agent-skillshypothesis-generation 技能的因果推斷與聲明紀(jì)律Estimand、偏差路徑與聲明語言規(guī)范【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本文基于 scientific-agent-skills 倉庫中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估計目標(biāo)然后逐一排查混雜、選擇、碰撞、反向因果與測量偏差最后用受約束的聲明語言和配套的本地 linterlint_causal_claims.py對 Markdown 草稿做詞法級審計。讀完后你將掌握一套可復(fù)制的因果聲明紀(jì)律如何在寫作前固定 estimand、如何為每一行因果語言標(biāo)注識別邏輯與風(fēng)險狀態(tài)、以及如何用確定性 CLI 工具自查聲明語言與證據(jù)強(qiáng)度是否匹配。五類科學(xué)目標(biāo)先回答你在問什么該文檔的核心立場是關(guān)聯(lián)、預(yù)測、干預(yù)效應(yīng)與機(jī)制回答的是不同的問題在動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觀測數(shù)據(jù)中測量到的變量如何共同變化預(yù)測性Predictive在目標(biāo)場景中信息對結(jié)局的預(yù)測能力如何因果性Causal在指定的干預(yù)或暴露條件下什么會不同機(jī)制性Mechanistic因果變化通過什么過程發(fā)生文檔特別指出一個常見誤區(qū)模型可以預(yù)測得很準(zhǔn)卻沒有識別出任何因果效應(yīng)一個隨機(jī)化效應(yīng)估計可以識別干預(yù)對比卻遠(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)、時間順序、預(yù)測準(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。對應(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)險流程。定義因果 Estimand先于估計量存在的估計目標(biāo)文檔遵循因果問題框架與 ICH E9(R1) 原則在適用時要求在選擇任何估計量或模型之前先書面固定因果 estimand 的八個要素總體/系統(tǒng)Population/system該對比適用于誰、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與之對比的替代條件是什么結(jié)局Outcome什么變量受到影響、如何測量時間范圍Time horizon結(jié)局在何時評估總體摘要Population summary均值差、風(fēng)險比、分位數(shù)對比、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量時如何處理治療版本Treatment versions干預(yù)是否被充分良好地定義這條estimand 先于 estimator的紀(jì)律在倉庫的 schema 校驗器中得到了強(qiáng)制模板記錄 hypothesis_record_template.json 的頂層鍵包含causal_estimands而測試 test_scripts.py 中的test_causal_question_requires_estimand驗證了一旦causal_estimands為空校驗報告即報CAUSAL_QUESTION_REQUIRES_ESTIMAND錯誤記錄被判為無效。也就是說提出因果問題卻沒有 estimand 在工具鏈層面是結(jié)構(gòu)性不通過而不只是寫作建議。反事實對比與觀測數(shù)據(jù)下的識別假設(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觀測兩種條件因此識別依賴設(shè)計與假設(shè)。對觀測性數(shù)據(jù)文檔要求明確列出七類聲明目標(biāo)試驗?zāi)Mtarget-trial analogue或其他設(shè)計邏輯一致性/良好定義干預(yù)假設(shè)可交換性/無未測混雜假設(shè)正值性/重疊positivity/overlap干擾假設(shè)interference測量與缺失假設(shè)估計過程引入的模型假設(shè)。文檔還有一句關(guān)鍵的寫作禁令不要寫已控制混雜controlled for confounding仿佛調(diào)整就證明了可交換性。統(tǒng)計調(diào)整只能消除已測量、已正確納入的混雜路徑它不能自證無未測混雜。偏差路徑逐一排查文檔把偏差風(fēng)險拆成五條路徑每條都給出了具體的風(fēng)險點與應(yīng)對手段。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、反向因果與測量這幾類偏誤。混雜Confounding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)對包括設(shè)計、可行的倫理下隨機(jī)化、限制、匹配、測量并調(diào)整有依據(jù)的共同原因、陰性對照、敏感性分析或三角驗證。具體風(fēng)險有四類未測量或測量粗糙的共同原因受先前治療影響的時間依變量混雜對工具變量、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)局觀測本身可能同時依賴于暴露與結(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)果對其或其后代變量做條件化會打開非因果路徑。文檔列舉的常見來源進(jìn)入研究或亞組的篩選限制為已診斷、住院、已檢測或存活者調(diào)整暴露后受結(jié)局另一原因影響的變量在缺失機(jī)制共同受因時使用完整病例。協(xié)變量越多并不自動更好——這一句直接反對把所有變量塞進(jìn)模型的默認(rèn)做法。反向因果Reverse causation結(jié)局或其前驅(qū)因素可能反過來影響暴露或測量橫斷面順序?qū)Ψ较蛐缘淖C據(jù)尤其弱。文檔給出的對策是時間序列設(shè)計、滯后測量、新發(fā)結(jié)局、干預(yù)、陰性對照或必要時顯式保留雙向候選。測量偏差Measurement bias測量誤差可以衰減或膨脹估計值、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)操作化與驗證是因果設(shè)計的一部分不是事后的文檔任務(wù)——這一點與 SKILL.md 第 8 步操作化并驗證測量及其檢查腳本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**位于因果路徑上對它做調(diào)整會把目標(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**描述因果對比在分層間的差異它與統(tǒng)計交互并非在所有尺度上同義混雜confounder是相對于目標(biāo)因果對比與設(shè)計定義的而不是與結(jié)局相關(guān)這么簡單。文檔要求在分析之前標(biāo)注每個變量的預(yù)期角色并用領(lǐng)域知識與因果結(jié)構(gòu)如 DAG給出依據(jù)。陰性對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)分兩類陰性對照陰性對照暴露不應(yīng)通過所提議機(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/偏差路徑陰性對照結(jié)局不應(yīng)被目標(biāo)暴露通過所提議機(jī)制引起但應(yīng)共享相關(guān)偏差路徑。每個陰性對照必須書面回答五個問題為何目標(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、對照失敗意味著什么、對照非零結(jié)果的替代解釋有哪些。文檔同時劃定能力邊界陰性對照在假設(shè)下能檢測部分偏差但不能證明偏差的缺席。這與 SKILL.md 工作流第 7 步陰性對照必須是無法通過目標(biāo)機(jī)制起效、且共享相關(guān)偏差路徑的對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在所評估數(shù)據(jù)集中做出預(yù)測the adjusted association調(diào)整后的關(guān)聯(lián)。并且必須同時說明設(shè)計、總體、時間點、效應(yīng)/摘要度量、不確定性與局限。因果動詞causes、reduces、prevents 等只有在同時滿足五個條件時才能使用因果 estimand 明確、設(shè)計/識別邏輯已陳述、假設(shè)與敏感性分析可見、混雜/選擇/碰撞/反向因果/測量風(fēng)險均已被處理、語言與證據(jù)強(qiáng)度校準(zhǔn)。對觀測性研究文檔建議用在所述假設(shè)下估計的因果效應(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)對過程步驟的直接證據(jù)、中介或中間測量、擾動/救援證據(jù)、時間順序、以及僅憑類比或合理性。文檔的總結(jié)句是一個因果干預(yù)效應(yīng)本身并不驗證所提議的路徑。Markdown 聲明標(biāo)注與本地 Linter該技能把上述語言規(guī)則落成了一套行內(nèi)標(biāo)注語法并配套一個純詞法、本地、確定性的 linterlint_causal_claims.py。標(biāo)注示例來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)以相對路徑執(zhí)行-o可選輸出 JSON 報告--force允許覆蓋已有輸出文件。從源碼看標(biāo)注語法與校驗規(guī)則閱讀 lint_causal_claims.py 可以確認(rèn)文檔中規(guī)則的完整實現(xiàn)細(xì)節(jié)允許的標(biāo)注鍵由正則TAG_RE限定為六個claim、estimand、identification、confounding、selection、collider、reverse-causation大小寫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)一一對應(yīng)允許的識別類型IDENTIFICATION_TYPES包括randomized、quasi_experimental、observational_assumption_dependent、mechanistic_experiment、other_assumption_dependent——注意后兩個明確保留了假設(shè)依賴這一狀態(tài)風(fēng)險狀態(tài)RISK_STATES只有三個assessed、unresolved、not_applicable。文檔對此有一句重要澄清assessed 只記錄存在人工評估并不意味著風(fēng)險不存在因果聲明的必備標(biāo)注REQUIRED_CAUSAL_TAGS為estimand、identification以及四個風(fēng)險標(biāo)注confounding / selection / collider / reverse-causation任一缺失都會報CAUSAL_CLAIM_MISSING_*_TAG錯誤。觸發(fā)詞與錯誤碼linter 用兩個詞法正則驅(qū)動核心檢查見 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)生的主要錯誤/警告語義包括代碼級別含義UNMARKED_CAUSAL_LANGUAGE錯誤行內(nèi)出現(xiàn)因果動詞但沒有[claim:...]標(biāo)注CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM錯誤標(biāo)注為associational等卻使用了因果動詞——即用標(biāo)簽掩蓋因果語言CAUSAL_CLAIM_MISSING_*_TAG錯誤因果聲明缺少六個必備標(biāo)注之一INVALID_CLAIM_TYPE/INVALID_IDENTIFICATION_TAG/INVALID_*_STATE錯誤標(biāo)注取值不在允許集合內(nèi)DUPLICATE_*_TAG錯誤同一標(biāo)注鍵在一行重復(fù)UNRESOLVED_*_RISK警告某風(fēng)險狀態(tài)為unresolved——報告仍有效但風(fēng)險被顯式暴露ESTIMAND_TAG_ON_NONCAUSAL_CLAIM警告非因果聲明攜帶 estimand 標(biāo)注報告結(jié)構(gòu)lint_causal_claims.py包含schema_version: 2.0、valid、statusVALID_LEXICAL_LINT或INVALID_CLAIM_MARKUP、errors、warnings、各聲明類型計數(shù)、因果/關(guān)聯(lián)觸發(fā)行計數(shù)以及一段固定notice該確定性詞法 lint不能判定某語言是否真正因果、estimand 是否定義良好、識別假設(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言、可能誤報良性短語、無法判斷設(shè)計是否識別了效應(yīng)的聲明完全一致。測試 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UNMARKED_CAUSAL_LANGUAGE且報告中不含原文片段只輸出規(guī)則碼與行號test_fully_annotated_causal_claim_is_structurally_valid文檔中的完整標(biāo)注示例行校驗通過同時因[confounding:unresolved]產(chǎn)生UNRESOLVED_CONFOUNDING_RISK警告——結(jié)構(gòu)有效與風(fēng)險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動詞被CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM拒絕即標(biāo)簽不能用來洗白因果語言。退出碼遵循技能約定的三段式0結(jié)構(gòu)有效、1完成校驗但存在錯誤、2輸入格式錯誤/不安全見 SKILL.md 的本地工具索引與 tool_reference.md 的完整 schema 說明。干預(yù)試驗語境報告規(guī)范不等于有效性證明文檔最后為干預(yù)類假設(shè)劃定試驗語境清單目標(biāo)、estimand、結(jié)局、時間點、傷害與分析保持一致方案報告采用 SPIRIT 2025、試驗結(jié)果報告采用 CONSORT 2025保留對方案與統(tǒng)計分析計劃的訪問報告啟動后的重要變更與非預(yù)設(shè)結(jié)局/分析在適用時包含傷害與參與者/公眾參與。文檔同時給出能力邊界報告完整性不是倫理批準(zhǔn)、設(shè)計有效性、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、詞法 lint、對照審計都是結(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)律拆解為三層可驗證工件estimand 清單——八個要素在分析前固定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、測量五類風(fēng)險各自有識別信號與記錄項候選 rival 必須覆蓋聲明語言 行內(nèi)標(biāo)注 詞法 linter——三類語言各有使用條件標(biāo)注語法與風(fēng)險狀態(tài)由 lint_causal_claims.py 確定性校驗測試 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網(wǎng)絡(luò)、無外部依賴、本地確定性運行SKILL.md 聲明要求 Python 3.11 標(biāo)準(zhǔn)庫它們校驗的是聲明是否與其聲稱的證據(jù)等級匹配而非科學(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