Murat Sakal
Результаты по уровням Блума
Классифицирует результаты обучения по уровням таксономии Блума, исправляет неизмеримые глаголы (например, «знает» и «понимает») и предлагает подходящий метод оценивания для каждого результата. Классификация выполняется не по поверхностному значению глагола, а с учётом реальной когнитивной нагрузки результата. Для кого подходит: преподаватели, занимающиеся разработкой учебных программ и курсов, а также комиссии по разработке образовательных программ.
Банк GIFT + проверка Блума
Создаёт полный банк вопросов в формате GIFT на основе вашей темы и результатов обучения. Банк включает вопросы с вариантами ответа, задания на правильность утверждения, сопоставление, краткий ответ и заполнение пропусков. Для каждого вопроса указывается уровень таксономии Блума. Если вопросы преимущественно сосредоточены на уровнях низшего порядка (запоминание/понимание), об этом сообщается отдельно и предлагаются дополнительные вопросы для оценки навыков мышления высшего порядка. Кому подходит: специалистам по оцениванию и координаторам кафедр, которые хотят контролировать качество банка экзаменационных вопросов.
Автор недельных планов уроков
Создаёт структурированный недельный план занятия на основе указанной темы и продолжительности. План включает измеримые цели обучения, сформулированные с использованием глаголов таксономии Блума, расписание хода занятия и предложение по элементу оценивания. Цели обучения всегда сопоставляются с заданиями. Кому подходит: преподавателям вузов и инструкторам, разрабатывающим курсы и учебные программы.
Генератор вопросов GIFT
Создаёт из указанной темы и материалов банк вопросов в формате GIFT, который можно напрямую загрузить в Moodle через экран «Банк вопросов > Импорт». Отмечает правильный вариант ответа, создаёт правдоподобные отвлекающие варианты по теме и исключает ошибки в синтаксисе GIFT. Для кого подходит: преподавателям, ведущим занятия в Moodle, и координаторам обучения, создающим банки экзаменационных вопросов.
Статистика + возражения
Создаёт полный раздел «Результаты» на основе ваших описательных и инференциальных статистических данных, включая результаты проверки предпосылок. Если обнаруживается нарушение нормальности или однородности дисперсий, рекомендует непараметрический альтернативный тест, а не скрывает проблему. Также заранее выявляет не менее 4 возражений, которые часто выдвигают рецензенты журналов (например: «результаты проверки предпосылок не представлены», «размер эффекта не указан», «поправка на множественные сравнения не применялась»), и предлагает защитное предложение для каждого из них. Для кого: исследователи, применяющие количественные методы и стремящиеся обеспечить строгость статистического отчёта перед подачей статьи в журнал.
Сравнение групп: APA-текст
Создаёт готовый для рукописи текст раздела «Результаты» в соответствии с APA 7 на основе результатов t-теста, ANOVA или критерия хи-квадрат. Использует правильный формат статистического отчёта (t(df)=..., p=..., d=...) и интерпретирует размер эффекта по критериям Коэна. Напоминает указать метод поправки на множественные сравнения, если сравниваются три или более групп. Для кого: исследователи и аспиранты, проводящие экспериментальные исследования или исследования сравнительного характера.
Автор описательной статистики
Преобразует результаты описательной статистики пользователя (среднее±SD или медиана(IQR), n(%)) в академический абзац «Характеристика участников», готовый для вставки в рукопись, а также в таблицу 1 с форматированием. Выбирает подходящую описательную статистику (среднее±SD или медиана(IQR)) с учетом статуса нормальности и никогда не смешивает эти два формата. Для кого: аспиранты и исследователи, проводящие количественные исследования и желающие быстро и корректно написать раздел рукописи «Участники».
Отчёт + ответы рецензентам
Создаёт полный раздел «Результаты» на основе описательной и выводной статистики, включая проверку предпосылок. Если выявлены нарушения нормальности или однородности дисперсий, предлагает непараметрический альтернативный тест, не скрывая проблему. Также заранее выявляет как минимум 4 типичных возражения журнальных рецензентов (например, «проверки предпосылок не представлены», «размер эффекта не указан», «поправка на множественные сравнения не выполнена») и предлагает защитную формулировку для каждого. Для кого: исследователи, работающие с количественными методами и стремящиеся повысить надёжность статистического отчёта перед подачей статьи в журнал.
Отчёты по сравнению групп
На основе результатов t-теста, ANOVA или критерия χ² создаёт готовый для статьи текст раздела «Результаты» в соответствии с APA 7. Использует правильный формат статистического отчёта (t(df)=..., p=..., d=...) и интерпретирует размер эффекта по критериям Коэна. Напоминает, что при сравнении трёх и более групп необходимо указать поправку на множественные сравнения. Кому подходит: исследователям и аспирантам, проводящим экспериментальные или сравнительные исследования.
Описательная статистика
Преобразует результаты описательной статистики пользователя (среднее±SD или медиана(IQR), n(%)) в академический абзац «Характеристики участников», который можно напрямую добавить в статью, а также в таблицу в формате Таблицы 1. В зависимости от нормальности данных выбирает правильную описательную статистику (среднее±SD или медиана(IQR)) и никогда их не смешивает. Для кого подходит: для аспирантов и академических исследователей, проводящих количественные исследования и желающих быстро и точно написать раздел «Участники» своей статьи.
Entropy-TOPSIS-ML + Возражения
Создаёт полный отчёт по разделам «Методы» и «Результаты» на основе результатов энтропийного взвешивания, ранжирования TOPSIS и классификатора машинного обучения (XGBoost, Random Forest, Logistic Regression и др.). Корректно интерпретирует AUC по критериям Хосмера—Лемешоу и явно указывает на риск переобучения, если разрыв между показателями на обучающей и тестовой выборках велик. Также заранее выявляет не менее 4 возражений, которые часто выдвигают рецензенты журналов (например, «как учитывался дисбаланс классов» или «внешняя валидационная выборка не использовалась»), и предлагает формулировку ответа на каждое из них. Подходит исследователям в области медицинской информатики, прогнозирования клинических рисков и гибридной методологии MCDM-ML, которым нужна методологическая обоснованность перед подачей статьи в журнал.
Автор отчётов TOPSIS
Создаёт полный готовый к публикации текст разделов «Методы» и «Результаты» на основе выходных данных вашего анализа TOPSIS (нормализованной матрицы решений, расстояний до положительного и отрицательного идеальных решений, коэффициентов близости). Предоставляет таблицу ранжирования и интерпретирует, по каким критериям лучшие и худшие альтернативы показали сильные или слабые результаты. Подходит для исследователей, работающих с задачами многокритериального ранжирования, такими как выбор поставщиков, сравнение продуктов или услуг и клиническая поддержка принятия решений.
Автор раздела о весах AHP
Преобразует результаты попарного сравнения в AHP — матрицу попарных сравнений пользователя, включая веса критериев и коэффициент согласованности, — в готовый академический раздел «Взвешивание критериев», который можно сразу вставить в рукопись. Если коэффициент согласованности (CR) превышает 0,10, это указывается открыто, а не скрывается. Подходит исследователям, использующим методы MCDM, такие как TOPSIS/VIKOR, и определяющим веса критериев с помощью AHP, а также студентам магистратуры и аспирантам.
Энтропия-TOPSIS-ML: ответы
Создаёт полный отчёт по разделам «Методы» и «Результаты» на основе энтропийного взвешивания, ранжирования TOPSIS и результатов классификаторов ML (XGBoost, Random Forest, логистическая регрессия и др.). Корректно интерпретирует AUC (по критериям Hosmer & Lemeshow) и явно указывает на риск переобучения (overfitting), если разница между результатами на обучающей и тестовой выборках велика. Также заранее выявляет как минимум 4 типичных возражения журнальных рецензентов (например, «как учитывался дисбаланс классов» или «почему не использовался набор данных для внешней валидации») и предлагает защитную формулировку для каждого. Подходит исследователям в области медицинской информатики, прогнозирования клинических рисков и гибридной методологии многокритериального принятия решений и ML, которым нужна проверка надёжности методов перед подачей статьи в журнал.
Отчёт по анализу TOPSIS
Из результатов анализа TOPSIS (нормализованной матрицы решений, расстояний до положительного/отрицательного идеального решения и коэффициентов близости) создаёт полный текст разделов «Методы» + «Результаты», готовый для статьи. Представляет таблицу ранжирования и интерпретирует, по каким критериям лучший и худший варианты выделяются. Для кого подходит: исследователям, работающим с задачами многокритериального ранжирования — выбором поставщиков, сравнением продуктов/услуг, клинической поддержкой принятия решений и т. п.
Отчёт о весах критериев AHP
Преобразует результаты матрицы попарных сравнений AHP (Аналитического иерархического процесса) пользователя — веса критериев и индекс согласованности — в академический раздел «Взвешивание критериев», который можно напрямую добавить в статью. Если индекс согласованности (CR) превышает 0,10, это явно указывается без сокрытия. Для кого подходит: исследователям и аспирантам, работающим с многокритериальными методами принятия решений, такими как TOPSIS/VIKOR, и определяющим веса критериев с помощью AHP.
PLS-SEM: отчёт и возражения
Создаёт полный отчёт по измерительной и структурной моделям на основе результатов вашего PLS-SEM-анализа (внешние нагрузки, CR/AVE, дискриминантная валидность HTMT, коэффициенты путей, R²/f²/Q², SRMR). Корректно применяет порог HTMT и интерпретацию R² по критериям Cohen/Chin, избегая причинно-следственных формулировок. Также заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты журналов (например, «почему выбран PLS, а не CB-SEM» или «не представлен контроль CMB»), и предлагает защитную формулировку для каждого. Подходит исследователям в области бизнеса и социальных наук, использующим PLS-SEM для моделирования структурными уравнениями и стремящимся повысить методологическую строгость перед подачей статьи в журнал.
Валидность и надёжность
Создаёт полный готовый для рукописи текст разделов «Методы» и «Результаты» на основе результатов анализа EFA или CFA (KMO, критерий сферичности Бартлетта, факторные нагрузки, индексы соответствия модели, альфа Кронбаха/CR/AVE). Корректно классифицирует пороговые значения индексов соответствия (CFI/TLI≥.90, RMSEA≤.08 и т. д.) и сообщает о проблемах с валидностью, например AVE<0.50, не скрывая их. Подходит для преподавателей и студентов магистратуры и аспирантуры, занимающихся разработкой или адаптацией шкал.
Автор анализа альфы Кронбаха
Преобразует введенные вами показатели надежности (альфа Кронбаха, количество пунктов, субшкалы) в академический абзац «Анализ надежности», готовый для вставки в рукопись. Предоставляет таблицу приемлемости по субшкалам и, если обнаруживает низкое значение альфы (<.60), открыто сообщает об этом, а не скрывает его. Подходит для аспирантов и исследователей, использующих шкалы и желающих быстро и корректно написать раздел методики.
PLS-SEM: отчёт и ответы
На основе результатов анализа PLS-SEM (внешние нагрузки, CR/AVE, дискриминантная валидность HTMT, коэффициенты путей, R²/f²/Q², SRMR) формирует полный отчёт по модели измерения и структурной модели. Корректно применяет порог HTMT и интерпретирует R² по критериям Cohen/Chin, избегая причинно-следственных формулировок. Также заранее выявляет как минимум 4 типичных возражения журнальных рецензентов (например, «Почему выбран PLS, а не CB-SEM?» и «Почему не проведена проверка CMB?») и предлагает защитную формулировку для каждого из них. Для кого подходит: исследователям в сфере бизнеса и социальных наук, использующим моделирование структурными уравнениями на основе PLS-SEM и стремящимся повысить методологическую обоснованность работы перед подачей в журнал.
Валидность и надёжность
Создаёт полный готовый для статьи текст разделов «Методы» и «Результаты» на основе результатов EFA или CFA (KMO, тест Барлетта, факторные нагрузки, индексы соответствия, альфа Кронбаха/CR/AVE). Корректно классифицирует пороговые значения индексов соответствия (CFI/TLI≥.90, RMSEA≤.08 и т. д.) и открыто сообщает о проблемах валидности, таких как AVE<0.50. Для кого подходит: академические исследователи и аспиранты, проводящие разработку или адаптацию шкал.
Автор анализа альфа Кронбаха
Преобразует введённые пользователем статистические данные о надёжности (альфа Кронбаха, количество пунктов, подшкалы) в академический абзац «Анализ надёжности», который можно напрямую добавить в статью. Предоставляет таблицу приемлемости по каждой подшкале и открыто указывает на низкое значение альфа (<.60), не скрывая этот факт. Подходит для аспирантов и исследователей, использующих шкалы и желающих быстро и точно подготовить раздел методики диссертации или статьи.
Автор отчёта CONSORT 2010
На основе данных рандомизированного контролируемого исследования (РКИ) — метода рандомизации, статуса ослепления, анализа статистической мощности, чисел на этапах схемы CONSORT (прошли скрининг/рандомизированы/распределены/проанализированы) и подхода к анализу ITT/PP — создаёт полный черновик разделов «Аннотация», «Методы» и «Результаты», соответствующий всем 25 пунктам CONSORT 2010. Он не смешивает ITT и PP, а также проверяет согласованность чисел на схеме исследования (рандомизированы ≥ распределены ≥ наблюдались до конца исследования ≥ проанализированы). Кроме того, он заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты журналов (например, «почему не представлен анализ ITT», «проверялась ли эффективность ослепления», «не было ли изменения исходов») и предлагает для каждого защитную формулировку. Предназначен для клинических исследователей в медицине, сестринском деле и фармации, проводящих РКИ и стремящихся обеспечить методологическую строгость до подачи статьи в журнал. Чего он не делает: не выполняет статистический анализ и не генерирует данные — он только преобразует уже имеющиеся результаты в отчёт по стандарту CONSORT.
Автор по STROBE
С учётом дизайна вашего поперечного, когортного исследования или исследования случай — контроль, а также введённых вами метода отбора участников, переменных, обоснования размера выборки и статистических методов создаёт полный черновик разделов «Методы» и «Результаты», неявно охватывающий все 22 пункта контрольного списка STROBE (Strengthening the Reporting of Observational Studies in Epidemiology). В конце также приводится таблица соответствий, показывающая, какому пункту STROBE соответствует каждый абзац, — это поможет ответить на запрос журнала «пожалуйста, заполните контрольный список STROBE». Избегает причинно-следственных формулировок (в наблюдательных исследованиях использует «связан с», а не «вызывает») и явно обсуждает источники систематической ошибки и смешивающие факторы. Подходит для специалистов, работающих в эпидемиологии, общественном здравоохранении и клинических исследованиях.
Отчёт о пропущенных данных
Укажите размер выборки, долю и структуру пропущенных данных (MCAR/MAR/MNAR), использованный метод обработки пропусков (построчное удаление, множественная импутация и т. д.) и метод выявления выбросов (Z-оценка, IQR, расстояние Махаланобиса), чтобы получить академический абзац, который можно напрямую вставить в раздел «Предварительная обработка данных» вашей рукописи. Если между выбранным методом и структурой пропусков есть методологическое противоречие (например, построчное удаление при структуре MNAR), это будет явно указано. Подходит для аспирантов и исследователей, занимающихся анализом данных опросов и клинических данных и желающих быстро и корректно написать раздел о предварительной обработке данных.
Проверка качества данных шкалы
Этот навык систематически проверяет сырые данные анкеты, собранные в рамках разработки шкалы, по следующим аспектам: пропущенные данные, выбросы, небрежное заполнение (straightlining, longstring, random responding), нарушения распределения на уровне отдельных пунктов, а также предпосылки надежности и факторизуемости. Навык не выдает итоговые результаты EFA/CFA, а предоставляет обоснованное доказательствами решение «go/no-go» о готовности данных к следующим этапам анализа и рекомендацию по стратифицированному разделению выборки для EFA/CFA (EFA/CFA split). Все вычисления выполняются путем запуска реального кода (Python: pandas, scipy, factor_analyzer, pingouin); предположительные числа не генерируются.
Автор отчёта метаанализа
Создаёт полный текст разделов «Методы», «Результаты» и «Ограничения» в соответствии с PRISMA 2020 и Cochrane Handbook на основе статистики вашего метаанализа (объединённый размер эффекта, I², Q, tau², показатели систематической ошибки публикации). Не допускает неверной интерпретации значения I², включая трактовку как «процент дисперсии», и избегает чрезмерно категоричных причинно-следственных формулировок, используя осторожные выражения вроде «результаты согласуются с…» вместо «данные доказывают, что…». В конце также предлагает как минимум 3 вопроса, которые может задать рецензент, вместе с вариантами ответов для защиты. Подходит исследователям, которые пишут статью с метаанализом и хотят усилить раздел «Методы» перед подачей в журнал. Чего инструмент не делает: он не выполняет статистические расчёты по исходным данным (у вас уже должны быть результаты из R/RevMan/CMA) — он только преобразует и интерпретирует ваши результаты в академический текст.
Автор библиометрии
Преобразует необработанные данные из VOSviewer или выводы Biblioshiny (Bibliometrix/R) — частотность ключевых слов, кластеры сети цитирования, годовые тренды публикаций, распределение по странам, учреждениям и журналам — в интерпретированный академический текст, готовый для публикации. Использует академический стиль, описывая направление развития научной литературы, а не просто повторяя исходные числа; избегает спекулятивных причинно-следственных выводов. Подходит исследователям, которые пишут диссертацию или статью, нуждаются в разделе библиометрического анализа, но испытывают трудности с переводом необработанных данных на академический язык. Как использовать: вставьте список кластеров или ключевых слов из VOSviewer либо сводную таблицу из Biblioshiny; навык тематически называет и интерпретирует кластеры ключевых слов, а также оценивает сеть цитирования и структуру сотрудничества между странами.
Автор схемы PRISMA 2020
Создаёт текст схемы отбора по PRISMA 2020 и абзац для протокола исследователей, проводящих систематические обзоры. Введите числа отбора из баз данных (идентификация → скрининг → оценка соответствия → включённые исследования), чтобы проверить их согласованность и получить текст, обосновывающий результаты при вопросе рецензента: «Почему на вашей схеме отбора теряется так много записей?» Также преобразует критерии включения и исключения в таблицу в формате PICO/PECO. Подходит для аспирантов, научных сотрудников и предварительной проверки редакторами журналов статей о систематических обзорах и метаанализах. Если обнаруживается числовое несоответствие (например, включённых исследований больше, чем соответствующих критериям), оно указывается явно, а не исправляется без уведомления.
Полный отчёт по CONSORT 2010
На основе данных рандомизированного контролируемого исследования (RCT) — метода рандомизации, сведений о маскировании, анализа мощности, численности участников на этапах CONSORT (screened/randomized/allocated/analyzed) и подхода к анализу ITT/PP — создаёт полный черновик разделов «Аннотация + Методы + Результаты» в соответствии с 25 пунктами CONSORT 2010. Никогда не смешивает ITT и PP; проверяет согласованность чисел на блок-схеме (randomized ≥ allocated ≥ followed-up ≥ analyzed). Кроме того, заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты медицинских журналов (например, «почему не представлен анализ ITT», «проверялась ли успешность маскирования», «была ли замена исходов»), и предлагает для каждого формулировку ответа. Предназначен для клинических исследователей, а также учёных, проводящих RCT в области медицины, сестринского дела и фармации и стремящихся обеспечить методологическую надёжность исследования перед подачей статьи в журнал.
Предаудит данных шкалы
«Запускается, когда необходимо проверить необработанные данные разработки шкалы (Excel/CSV), собранные профессиональной компанией по проведению опросов, с точки зрения психометрического качества данных до перехода к EFA/CFA или итоговому анализу надёжности. Комплексно оценивает пропуски, выбросы, невнимательные ответы, систематические искажения ответов, качество пунктов и достаточность выборки, формируя решение Go/No-Go; данные не изменяются — предоставляется только диагностический/аудиторский отчёт.»
Методы по чек-листу STROBE
Создаёт полный черновик разделов «Методы» и «Результаты» для поперечного, когортного исследования или исследования случай–контроль на основе введённых вами данных о методе отбора участников, переменных, обосновании размера выборки и статистических методах, с опорой на 22 пункта чек-листа STROBE (Strengthening the Reporting of Observational Studies in Epidemiology). В конце также представляется таблица соответствий, показывающая, какому пункту STROBE соответствует каждый абзац, — это помогает подготовить ответ на требование журнала «заполнить чек-лист STROBE» при подаче статьи. Инструмент избегает причинно-следственных формулировок: поскольку исследование является наблюдательным, используется выражение «связано с», а не «вызывает». Источники систематической ошибки и смешения явно обсуждаются. Подходит для специалистов, работающих в эпидемиологии, общественном здравоохранении и клинических исследованиях.
Ассистент: пропуски и выбросы
Укажите размер выборки, долю и тип пропусков (MCAR/MAR/MNAR), использованный метод обработки пропусков (listwise deletion, множественная импутация и т. д.) и метод выявления выбросов (Z-оценка, IQR, расстояние Махаланобиса), чтобы получить академический абзац, который можно напрямую добавить в раздел статьи «Предварительная обработка данных». Если между выбранным методом и типом пропусков есть методологическое противоречие (например, использование listwise deletion при типе MNAR), это будет явно отмечено. Подходит для магистрантов, аспирантов и исследователей, анализирующих данные опросов или клинические данные и желающих быстро и корректно подготовить раздел о предварительной обработке данных.
Отчёт по метаанализу
Создаёт полный текст разделов «Методы» + «Результаты» + «Ограничения» в соответствии с PRISMA 2020 и руководством Cochrane на основе статистики вашего метаанализа (объединённый размер эффекта, I², Q, tau², показатели систематической ошибки публикаций). Никогда не интерпретирует значение I² неправильно (в том числе как долю объяснённой дисперсии) и избегает преувеличенных причинно-следственных формулировок, используя осторожные выражения вроде «результаты согласуются с…» вместо «доказательства показывают, что…». В конце также предлагает как минимум 3 возможных вопроса, которые может задать рецензент, и варианты ответов на них. Подходит исследователям, которые пишут статью по метаанализу и хотят укрепить раздел с методами перед отправкой в журнал. Чего не делает: не выполняет статистические расчёты по сырым данным (необходимо, чтобы вы уже рассчитали их в R/RevMan/CMA); только преобразует результаты в академический текст и интерпретирует их.
Автор текста по библиометрии
Преобразует сырые числовые данные из VOSviewer или Biblioshiny (Bibliometrix/R) — частотность ключевых слов, кластеры сети цитирования, ежегодную динамику публикаций, распределение по странам, учреждениям и журналам — в интерпретированный текст, готовый для академической публикации. Вместо простого повторения чисел использует академический тон, объясняющий, в каком направлении развивается литература, и избегает спекулятивных причинно-следственных утверждений. Подходит исследователям, которые пишут диссертацию или статью и готовят раздел библиометрического анализа, но испытывают трудности с переводом исходных данных на академический язык. Использование: вставьте список кластеров и ключевых слов из VOSviewer или сводную таблицу Biblioshiny; skill тематически назовёт и интерпретирует кластеры ключевых слов, а также оценит сеть цитирования и модели сотрудничества между странами.
Автор схем PRISMA 2020
Создаёт текст для схемы и абзац протокола в соответствии с чек-листом PRISMA 2020 для исследователей, выполняющих систематические обзоры. Введите числа найденных записей в базах данных (identification → screening → eligibility → included) — навык проверит их согласованность и подготовит обоснованный текст в ответ на вопрос рецензента: «Почему в вашей схеме так много записей было исключено?» Кроме того, критерии включения и исключения будут преобразованы в таблицу в формате PICO/PECO. Навык подходит аспирантам и исследователям, пишущим систематические обзоры и метаанализы, а также редакторам журналов для предварительной проверки. При обнаружении числовых несоответствий (например, included > eligibility) он явно укажет на них и не станет незаметно исправлять данные.