Murat Sakal
학습성과–Bloom 매칭기
학습성과를 Bloom 분류학의 수준에 따라 분류하고, 측정하기 어려운 동사(예: "안다", "이해한다")를 개선하며, 각 성과에 적합한 평가 방법을 제안합니다. 동사의 표면적인 의미가 아니라 학습성과가 실제로 요구하는 인지 수준을 기준으로 분류합니다. 적합한 사용자: 교육과정 또는 수업을 설계하는 교수자와 교육과정 개발 위원회.
GIFT 문제은행 + Bloom 점검
주제와 학습 성과를 바탕으로 객관식, 참/거짓, 짝짓기, 단답형, 빈칸 채우기 문항을 포함한 완전한 GIFT 형식 문제은행을 생성합니다. 각 문항에 Bloom 분류체계 수준을 표시하며, 문항이 주로 하위 수준(기억/이해)에 집중되어 있으면 이를 명확히 보고하고 고차원적 사고 능력을 측정하는 추가 문항을 제안합니다. 적합한 사용자: 시험 문제은행의 품질을 점검하려는 평가 담당자와 학과 코디네이터.
주간 수업 계획서 작성기
입력한 수업 주제와 수업 시간을 바탕으로 Bloom 분류체계의 동사를 활용해 작성한 측정 가능한 학습 목표, 시간표에 따른 수업 진행안, 평가 요소 제안이 포함된 체계적인 주간 수업 계획서를 생성합니다. 학습 목표와 활동은 항상 서로 연계합니다. 적합한 대상: 대학 교수진 및 강좌·교육 프로그램을 설계하는 강사.
GIFT 형식 문제은행 생성기
입력한 주제와 콘텐츠를 바탕으로 Moodle의 "문제 은행 > 가져오기" 화면에 바로 업로드할 수 있는 GIFT 형식의 객관식 문제은행을 생성합니다. 정답 선택지를 표시하고, 주제와 관련된 합리적인 오답 선택지를 만들며, GIFT 구문 오류가 발생하지 않도록 합니다. 적합한 사용자: Moodle에서 강의하는 교수자 및 시험 문제 풀을 준비하는 교육 코디네이터.
통계 보고서 + 심사자 이의
기술통계와 추론통계 결과(가정 검정 포함)를 바탕으로 완성도 높은 결과 섹션을 작성합니다. 정규성 또는 분산의 동질성 위반이 감지되면 이를 숨기지 않고 비모수 대체 검정을 권장합니다. 또한 학술지 심사자가 흔히 제기하는 이의(예: "가정 검정 결과가 보고되지 않음", "효과크기가 제시되지 않음", "다중 비교 보정이 적용되지 않음")를 최소 4가지 사전에 식별하고, 각 이의에 대한 답변 문장을 제공합니다. 대상: 학술지 투고 전에 통계 보고의 엄밀성을 높이고 싶은 정량적 방법 연구자.
집단 비교 검정 결과 작성기
t 검정, ANOVA 또는 카이제곱 검정 결과를 바탕으로 APA 7을 준수하는 논문용 Results 문장을 작성합니다. 올바른 통계 보고 형식(t(df)=..., p=..., d=...)을 사용하고, Cohen의 기준에 따라 효과크기를 해석합니다. 세 집단 이상을 비교할 때는 다중 비교 보정 방법을 명시하도록 안내합니다. 대상: 실험 또는 비교 연구를 수행하는 연구자와 대학원생.
기술통계 작성 도우미
사용자의 기술통계 결과(평균±표준편차 또는 중앙값(IQR), n(%))를 원고에 바로 넣을 수 있는 학술적 "참여자 특성" 문단과 Table 1 형식의 표로 변환합니다. 정규성 여부에 따라 올바른 기술통계(평균±표준편차 또는 중앙값(IQR))를 선택하며 두 형식을 혼동하지 않습니다. 대상: 정량적 연구를 수행하며 원고의 "참여자" 섹션을 빠르고 정확하게 작성하고 싶은 대학원생과 연구자.
통계 보고서 + 심사 의견 대응
기술통계와 추론통계 결과(가정 검정 포함)를 바탕으로 완성도 높은 결과 섹션을 작성합니다. 정규성 또는 분산의 동질성 위반을 발견하면 이를 숨기지 않고 비모수 대안 검정을 제안합니다. 또한 학술지 심사위원이 자주 제기하는 이의 제기(예: "가정 검정이 보고되지 않음", "효과크기가 제시되지 않음", "다중 비교 보정이 이루어지지 않음")를 최소 4가지 미리 파악하고, 각각에 대한 방어 문장을 제공합니다. 적합한 대상: 정량적 연구 방법을 사용하는 연구자, 학술지 투고 전에 통계 보고의 견고성을 높이고자 하는 연구자.
집단 비교 검정 보고서 작성기
t검정, ANOVA 또는 카이제곱 검정 결과를 바탕으로 APA 7에 맞는 논문용 결과 섹션을 작성합니다. 올바른 통계 보고 형식(t(df)=..., p=..., d=...)을 사용하고, Cohen의 기준에 따라 효과크기를 해석합니다. 세 집단 이상을 비교하는 경우 다중 비교 보정을 명시해야 한다는 점도 알려줍니다. 대상: 실험 연구 또는 비교 연구를 수행하는 연구자와 대학원생.
기술통계 작성 도우미
사용자의 기술통계 출력값(평균±표준편차 또는 중앙값(IQR), n(%))을 논문에 바로 삽입할 수 있는 학술적인 "참여자 특성" 문단과 표 1 형식의 표로 변환합니다. 정규성 여부에 따라 올바른 기술통계(평균±표준편차 또는 중앙값(IQR))를 선택하며, 두 방식을 절대 혼용하지 않습니다. 적합한 대상: 논문의 "참여자" 섹션을 빠르고 정확하게 작성하려는 대학원생 및 정량적 연구를 수행하는 연구자.
Entropy-TOPSIS-ML + 심사 대응
엔트로피 가중치 + TOPSIS 순위화 + ML 분류기(XGBoost, Random Forest, Logistic Regression 등)의 결과를 바탕으로 완성도 높은 Methods + Results 보고서를 작성합니다. AUC 해석을 Hosmer & Lemeshow 기준에 따라 올바르게 분류하고, 학습/테스트 성능 차이가 클 경우 과적합 위험을 명확히 제시합니다. 또한 학술지 심사자가 자주 제기하는 이견을 최소 4가지(예: "클래스 불균형은 어떻게 처리했는가", "외부 검증 세트를 사용하지 않았다") 미리 식별하고, 각 이견에 대한 대응 문장을 제안합니다. 학술지 투고 전에 방법론적 견고성을 높이고 싶은 보건의료 정보학, 임상 위험 예측 또는 하이브리드 MCDM-ML 방법론 연구자에게 적합합니다.
TOPSIS 의사결정 분석 작성기
TOPSIS 분석 결과(정규화된 의사결정 행렬, 양의·음의 이상해까지의 거리, 근접계수)를 바탕으로 원고에 바로 사용할 수 있는 완성도 높은 방법론 및 결과 문장을 작성합니다. 순위표를 제공하고, 최상위 및 최하위 대안이 어떤 기준에서 강점이나 약점을 보였는지 해석합니다. 공급업체 선정, 제품·서비스 비교, 임상 의사결정 지원 등 다기준 순위 문제를 다루는 연구자에게 적합합니다.
AHP 기준 가중치 작성기
사용자의 AHP(계층 분석법) 쌍대비교 행렬 결과(기준 가중치, 일관성 비율)를 원고에 바로 넣을 수 있는 학술적 "기준 가중치" 섹션으로 변환합니다. 일관성 비율(CR)이 0.10을 초과하면 이를 숨기지 않고 명시합니다. TOPSIS/VIKOR와 같은 MCDM 방법을 사용하고 AHP로 기준 가중치를 산정하는 연구자와 대학원생에게 적합합니다.
엔트로피-TOPSIS-ML + 심사 대응
엔트로피 가중치 부여 + TOPSIS 순위화 + ML 분류기(XGBoost, Random Forest, 로지스틱 회귀 등)의 결과를 바탕으로 완성도 높은 방법 + 결과 보고서를 작성합니다. Hosmer & Lemeshow 기준에 따라 AUC를 올바르게 해석하고 분류하며, 학습/테스트 성능 차이가 클 경우 과적합(overfitting) 위험을 명확히 제시합니다. 또한 학술지 심사자가 자주 제기하는 이의 중 최소 4가지(예: "클래스 불균형을 어떻게 처리했는가", "외부 검증 세트를 사용하지 않은 이유는 무엇인가")를 미리 파악하고, 각 항목에 대한 대응 문장을 제공합니다. 적합한 대상: 보건의료정보학, 임상 위험 예측 또는 하이브리드 다기준 의사결정-ML 방법론을 연구하는 연구자, 학술지 투고 전에 방법론의 견고성을 점검하려는 사용자.
TOPSIS 의사결정 분석 보고서 작성기
TOPSIS 분석 결과(정규화된 의사결정 행렬, 양의 이상해·음의 이상해까지의 거리, 근접계수)를 바탕으로 논문에 바로 활용할 수 있는 완성도 높은 방법론 및 결과 섹션을 작성합니다. 순위표를 제시하고, 최선·최악의 대안이 어떤 기준에서 두드러지는지 해석합니다. 적합한 대상: 공급업체 선정, 제품·서비스 비교, 임상 의사결정 지원 등 다기준 순위 문제를 다루는 연구자.
AHP 기준 가중치 작성기
사용자의 AHP(계층분석법) 쌍대비교 행렬 결과(기준 가중치, 일관성 비율)를 논문에 바로 삽입할 수 있는 학술적인 "기준 가중치" 섹션으로 변환합니다. 일관성 비율(CR)이 0.10을 초과하면 이를 숨기지 않고 명확히 표시합니다. 적합한 사용자: TOPSIS/VIKOR와 같은 다기준 의사결정 방법을 사용하며 AHP로 기준 가중치를 산정하는 연구자 및 대학원생.
PLS-SEM 보고서 + 이의 대응 엔진
PLS-SEM 분석 결과(외부 적재량, CR/AVE, HTMT 판별타당도, 경로계수, R²/f²/Q², SRMR)를 바탕으로 측정 모형과 구조 모형에 대한 종합 보고서를 작성합니다. HTMT 기준과 R² 해석(Cohen/Chin 기준)을 정확히 적용하고 인과적 표현을 피합니다. 또한 학술지 심사자가 자주 제기하는 이의(예: "왜 PLS를 CB-SEM보다 우선했는가", "CMB 통제를 보고하지 않음")를 최소 4가지 사전에 파악하고, 각 이의에 대한 대응 문장을 제안합니다. 구조방정식 모델링에 PLS-SEM을 사용하는 비즈니스·사회과학 연구자가 학술지 투고 전에 방법론적 타당성을 강화하는 데 적합합니다.
타당도·신뢰도 보고서 작성기
EFA 또는 CFA 분석 결과(KMO, Bartlett 검정, 요인 적재량, 적합도 지수, Cronbach 알파/CR/AVE)를 바탕으로 논문에 바로 활용할 수 있는 Methods + Results 원고를 완성합니다. 적합도 지수 기준(CFI/TLI≥.90, RMSEA≤.08 등)을 올바르게 분류하고, AVE<0.50과 같은 타당도 문제도 숨기지 않고 보고합니다. 척도 개발 또는 타당화 연구를 수행하는 연구자와 대학원생에게 적합합니다.
Cronbach 알파 신뢰도 작성기
입력한 신뢰도 통계(Cronbach alpha, 문항 수, 하위 척도)를 원고에 바로 넣을 수 있는 학술적 "신뢰도 분석" 문단으로 변환합니다. 하위 척도별 수용 가능성 표를 제공하며, 낮은 알파 값(<.60)이 감지되면 이를 숨기지 않고 명시합니다. 방법 섹션을 빠르고 정확하게 작성하려는 척도 사용 대학원생과 연구자에게 적합합니다.
PLS-SEM 보고서·심사 대응 엔진
PLS-SEM 분석 결과(외부 적재량, CR/AVE, HTMT 판별타당도, 경로계수, R²/f²/Q², SRMR)를 바탕으로 완성도 높은 측정 모형 및 구조 모형 보고서를 작성합니다. HTMT 기준과 R² 해석에 Cohen/Chin 기준을 올바르게 적용하고, 인과성을 단정하는 표현을 피합니다. 또한 학술지 심사위원이 자주 제기하는 이의 제기를 4가지 이상(예: "CB-SEM 대신 PLS를 선택한 이유", "동일방법편의(CMB) 검증 미실시") 사전에 파악하고, 각 이의 제기에 대한 대응 문장을 제공합니다. 적합한 대상: PLS-SEM으로 구조방정식모델링을 수행하는 경영학·사회과학 연구자 및 학술지 투고 전에 방법론적 견고성을 확인하려는 연구자.
타당도·신뢰도 보고서 작성기
EFA 또는 CFA 분석 결과(KMO, Bartlett 검정, 요인 적재량, 적합도 지수, Cronbach alpha/CR/AVE)를 바탕으로 논문에 바로 활용할 수 있는 완성도 높은 방법 + 결과 섹션을 작성합니다. 적합도 지수 기준(CFI/TLI≥.90, RMSEA≤.08 등)을 정확하게 분류하고, AVE<0.50과 같은 타당도 문제도 숨기지 않고 보고합니다. 적합한 대상: 척도 개발 또는 타당화 연구를 수행하는 연구자와 대학원생.
Cronbach 알파 신뢰도 작성기
입력한 신뢰도 통계(Cronbach 알파, 문항 수, 하위 차원)를 논문에 바로 추가할 수 있는 학술적인 "신뢰도 분석" 문단으로 변환합니다. 하위 차원별 수용 가능성 표를 제공하며, 낮은 알파 값(<.60)이 발견되면 이를 숨기지 않고 명확하게 표시합니다. 적합한 대상: 척도를 사용하는 대학원생 및 연구자, 논문이나 학위논문의 방법 부분을 빠르고 정확하게 작성하고 싶은 분.
CONSORT 2010 보고서 작성기
무작위 대조시험(RCT) 데이터(무작위 배정 방법, 눈가림 상태, 검정력 분석, CONSORT 흐름도 수치(선별/무작위 배정/배정/분석), ITT/PP 분석 방식)를 바탕으로 CONSORT 2010의 25개 항목을 모두 준수하는 초록 + 방법 + 결과 초안을 작성합니다. ITT/PP를 혼동하지 않으며, 흐름도 수치의 일관성(무작위 배정 ≥ 배정 ≥ 추적 관찰 완료 ≥ 분석)을 확인합니다. 또한 학술지 심사자가 자주 제기하는 이의(예: "왜 ITT 분석을 보고하지 않았는가", "눈가림이 성공했는지 검정했는가", "결과 변수를 변경하지 않았는가")를 최소 4가지 미리 식별하고, 각 이의에 대한 답변 문장을 제안합니다. 학술지 투고 전에 방법론적 완성도를 높이고자 하는 의학·간호학·약학 분야의 RCT 임상 연구자를 위해 설계되었습니다. 하지 않는 일: 통계 분석을 수행하거나 데이터를 생성하지 않으며, 이미 보유한 결과를 CONSORT 표준 보고서로 변환하기만 합니다.
STROBE 방법 작성기
횡단면, 코호트 또는 환자-대조군 연구 설계를 바탕으로 참가자 선정 방법, 변수, 표본 크기 근거와 통계 방법을 입력하면, STROBE(Strengthening the Reporting of Observational Studies in Epidemiology) 체크리스트의 22개 항목을 모두 암묵적으로 반영한 완성도 높은 방법 및 결과 초안을 작성합니다. 또한 각 문단이 어떤 STROBE 항목에 해당하는지 보여 주는 매핑 표를 마지막에 제공하므로, 학술지의 "STROBE 체크리스트를 작성해 주세요" 요청에 바로 대응할 수 있습니다. 관찰 연구에서는 인과적 표현을 피하고 "원인이 된다" 대신 "관련이 있다"와 같은 표현을 사용하며, 편향 및 교란의 원인을 명시적으로 논의합니다. 역학, 공중보건 및 임상 연구 분야의 학술 연구자에게 적합합니다.
결측 데이터 보고 도우미
표본 크기, 결측 데이터 비율/패턴(MCAR/MAR/MNAR), 결측 데이터 처리 방법(사례별 삭제, 다중 대치 등), 이상치 탐지 방법(Z-점수, IQR, Mahalanobis)을 입력하면 원고의 "Data Pre-processing" 섹션에 바로 삽입할 수 있는 학술 문단을 작성합니다. 선택한 방법과 결측 데이터 패턴 사이에 방법론적 모순이 있는 경우(예: MNAR 패턴에서 사례별 삭제 사용) 이를 명시적으로 알려줍니다. 데이터 전처리 섹션을 빠르고 정확하게 작성하려는 설문·임상 데이터 분석 대학원생과 연구자에게 적합합니다.
척도 개발 데이터 품질 점검
이 Skill은 척도 개발 연구에서 수집한 원시 설문 데이터를 결측치, 이상치, 부주의 응답(careless responding: straightlining, longstring, random responding), 문항별 분포 왜곡, 신뢰도 및 요인분석 가능성의 전제조건 측면에서 체계적으로 점검합니다. 최종 EFA/CFA 결과를 생성하지 않으며, 데이터가 후속 분석 단계에 적합한지에 대한 근거 기반 "go/no-go" 판단과 층화 표본 분할(EFA/CFA split) 방안을 제안합니다. 모든 계산은 실제 코드 실행(Python: pandas, scipy, factor_analyzer, pingouin)을 통해 수행하며, 가상의 수치를 생성하지 않습니다.
메타분석 전체 보고서 작성기
메타분석 통계(통합 효과크기, I², Q, tau², 출판 편향 지표)를 바탕으로 PRISMA 2020 및 Cochrane Handbook을 준수하는 완전한 방법 + 결과 + 한계 섹션을 작성합니다. I² 값을 절대 잘못 해석하지 않으며("분산의 백분율"이라는 표현을 포함), 인과관계를 과장하는 표현을 피하고 "결과는 …와 일치합니다"와 같은 신중한 표현을 사용합니다. 또한 마지막에는 심사자가 제기할 수 있는 질문을 3개 이상 제시하고, 각 질문에 대한 답변 문장도 제공합니다. 저널 투고 전에 방법 섹션을 강화하려는 메타분석 논문 연구자에게 적합합니다. 지원하지 않는 기능: 원자료에서 통계 계산을 수행하지 않습니다(R/RevMan/CMA의 결과를 미리 준비해야 합니다). 대신 분석 결과를 학술적 문장으로 변환하고 해석합니다.
서지분석 결과 작성기
VOSviewer 또는 Biblioshiny(Bibliometrix/R) 출력에서 얻은 원시 수치(키워드 빈도, 인용 네트워크 클러스터, 연도별 출판 추이, 국가·기관·저널 분포)를 출판에 바로 활용할 수 있도록 해석을 더한 학술 문장으로 변환합니다. 원시 수치를 반복하기보다 문헌이 어떤 방향으로 향하는지 서술하는 학술적 문체를 사용하며, 근거 없는 인과관계 주장은 피합니다. 다음과 같은 연구자에게 적합합니다: 서지분석 섹션을 작성하는 논문이나 학위논문 연구자 중, 원시 데이터를 학술적 표현으로 옮기는 데 어려움을 겪는 분. 사용 방법: VOSviewer의 클러스터·키워드 목록 또는 Biblioshiny 요약 표를 그대로 붙여 넣으면, 키워드 클러스터의 주제를 명명하고 해석하며 인용 네트워크와 국가 간 협업 패턴을 평가합니다.
PRISMA 2020 흐름도 작성기
체계적 문헌고찰을 수행하는 연구자를 위해 PRISMA 2020 준수 흐름도 문구와 연구 프로토콜 문단을 생성합니다. 데이터베이스 선별 수치(식별 → 선별 → 적격성 평가 → 포함)를 입력하면 수치의 일관성을 확인하고, 검토자의 질문인 "흐름도에서 왜 이렇게 많은 기록이 제외되었나요?"에 답할 수 있는 근거 있는 문구를 작성합니다. 또한 포함·배제 기준을 PICO/PECO 형식의 표로 변환합니다. 체계적 문헌고찰 또는 메타분석 논문을 준비하는 대학원생, 연구자, 학술지 편집자의 사전 검토에 적합합니다. 수치의 불일치(예: 포함 수가 적격성 평가 수보다 많은 경우)를 감지하면 임의로 수정하지 않고 해당 문제를 명시적으로 알려 줍니다.
CONSORT 2010 보고서 작성기
무작위 대조시험(RCT) 데이터—무작위 배정 방법, 눈가림 여부, 검정력 분석, CONSORT 흐름 수치(screened/randomized/allocated/analyzed), ITT/PP 분석 접근법—를 바탕으로 CONSORT 2010의 25개 항목에 맞는 완전한 초록 + 방법 + 결과 초안을 작성합니다. ITT/PP 구분을 절대 혼동하지 않으며, 흐름도 수치의 일관성(randomized ≥ allocated ≥ followed-up ≥ analyzed)을 확인합니다. 또한 학술지 심사위원이 자주 제기하는 이의 사항을 최소 4가지(예: "ITT 분석을 보고하지 않은 이유는 무엇인가", "눈가림의 성공 여부를 검정했는가", "outcome switching이 있었는가")를 미리 찾아내고, 각 항목에 대한 방어 문장을 제안합니다. 임상 연구자와 의학·간호학·약학 분야에서 RCT를 수행하며 학술지 투고 전 방법론적 견고성을 확보하려는 연구자를 위해 설계되었습니다.
척도 개발 데이터 사전 점검
전문 설문조사 업체가 수집한 척도 개발용 원자료(Excel/CSV)를 EFA/CFA 또는 최종 신뢰도 분석에 앞서 심리측정 데이터 품질 관점에서 점검해야 할 때 사용합니다. 결측 데이터, 이상치, 부주의 응답(careless responding), 응답 편향, 문항 품질 및 표본 충분성을 종합적으로 평가해 진행 여부(Go/No-Go)를 판단합니다. 데이터를 변경하지 않고 진단 및 점검 보고서만 제공합니다.
STROBE 체크리스트 작성기
단면, 코호트 또는 환자-대조군 연구 설계에 맞춰 참여자 선정 방법, 변수, 표본 크기 근거와 통계 방법을 입력하면 STROBE(Strengthening the Reporting of Observational Studies in Epidemiology) 체크리스트 22개 항목을 반영한 완성도 높은 방법 및 결과 초안을 생성합니다. 마지막에는 각 문단이 어떤 STROBE 항목을 충족하는지 보여 주는 매핑 표도 제공하므로, 학술지 투고 시 "STROBE 체크리스트를 작성하세요"라는 요구에 바로 대응할 수 있습니다. 관찰 연구의 특성에 맞게 인과관계 표현을 피하고, "원인이 된다" 대신 "관련이 있다"와 같은 표현을 사용하며, 편향 및 교란 요인을 명확히 논의합니다. 역학, 공중보건, 임상 연구 분야의 연구자에게 적합합니다.
결측치·이상치 분석 도우미
표본 크기, 결측 데이터의 비율과 패턴(MCAR/MAR/MNAR), 사용한 결측 데이터 처리 방법(listwise deletion, 다중 대치 등), 이상치 탐지 방법(Z점수, IQR, Mahalanobis)을 입력하면 논문의 "데이터 전처리" 섹션에 바로 추가할 수 있는 학술 문단을 생성합니다. 선택한 방법과 결측 데이터 패턴 사이에 방법론적 불일치가 있는 경우(예: MNAR 패턴에서 listwise deletion 사용) 이를 명확히 알려줍니다. 설문 또는 임상 데이터를 분석하며 데이터 전처리 섹션을 빠르고 정확하게 작성하려는 대학원생과 연구자에게 적합합니다.
메타분석·체계적 문헌고찰 보고서
PRISMA 2020 및 Cochrane 핸드북에 따라 메타분석 통계(통합 효과크기, I², Q, tau², 출판 편향 지표)를 바탕으로 완성도 높은 방법 + 결과 + 한계 문단을 작성합니다. I² 값을 절대 잘못 해석하지 않으며(분산 설명 백분율을 포함), 과장된 인과관계 표현을 피합니다(“근거는 …을 보여준다” 대신 “결과는 …과 일치한다”와 같은 신중한 표현 사용). 마지막에는 심사자가 물을 수 있는 예상 질문을 최소 3개 제시하고, 이에 대한 방어 문장도 제공합니다. 다음과 같은 연구자에게 적합합니다: 메타분석 논문을 작성하거나 저널 투고 전에 방법 섹션을 보강하려는 연구자. 제공하지 않는 기능: 원자료에서 통계적 계산을 수행하지 않습니다(R/RevMan/CMA에서 결과를 이미 계산해 두어야 합니다). 계산된 결과를 학술적 문장으로 변환하고 해석하는 데 집중합니다.
서지계량 분석 결과 작성기
VOSviewer 또는 Biblioshiny(Bibliometrix/R)에서 얻은 원시 수치(키워드 빈도, 인용 네트워크 클러스터, 연도별 출판 동향, 국가·기관·학술지 분포)를 학술 출판에 바로 활용할 수 있도록 해석한 문장으로 변환합니다. 수치를 단순히 반복하는 대신 문헌이 어떤 방향으로 발전해 왔는지를 설명하는 학술적 어조를 사용하며, 추측에 기반한 인과관계 주장은 피합니다. 다음과 같은 연구자에게 적합합니다: 논문이나 학위논문을 작성하며 서지계량 분석 섹션을 준비해야 하지만 원시 데이터를 학술적 표현으로 옮기는 데 어려움을 겪는 연구자. 사용 방법: VOSviewer에서 추출한 클러스터·키워드 목록이나 Biblioshiny 요약 표를 그대로 붙여 넣으세요. 이 skill은 키워드 클러스터에 주제별 이름을 붙여 해석하고, 인용 네트워크와 국가 간 협력 패턴을 평가합니다.
PRISMA 2020 흐름도 작성기
체계적 문헌고찰을 수행하는 연구자를 위해 PRISMA 2020 체크리스트에 맞는 흐름도 텍스트와 프로토콜 문단을 생성합니다. 데이터베이스 검색 수(identification → screening → eligibility → included)를 입력하면 수치의 일관성을 확인하고, 심사자의 "흐름도에서 왜 이렇게 많은 문헌이 탈락했나요?"라는 질문에 답할 수 있는 근거 있는 문구를 작성합니다. 또한 포함 및 배제 기준을 PICO/PECO 형식의 표로 변환합니다. 이 Skill은 다음 사용자에게 적합합니다: 체계적 문헌고찰/메타분석을 작성하는 대학원생, 학술 연구자, 저널 편집자의 사전 점검. 수치 불일치(예: included > eligibility)를 발견하면 이를 명확히 알리고, 조용히 수정하지 않습니다.