Murat Sakal
Класифікатор за Блумом
Класифікує ваші результати навчання за рівнями таксономії Блума, виправляє невимірювані дієслова (як-от «знає», «розуміє») та пропонує відповідний метод оцінювання для кожного результату. Класифікація ґрунтується не на поверхневому значенні дієслова, а на реальній когнітивній вимозі результату. Для кого: викладачі, які розробляють навчальні програми й курси, та комісії з розроблення освітніх програм.
Банк GIFT + аудит Bloom
Створює повний банк завдань у форматі GIFT на основі вашої теми та результатів навчання, із запитаннями різних типів: множинний вибір, правильна/неправильна відповідь, встановлення відповідності, коротка відповідь і заповнення пропусків. Позначає рівень кожного запитання за таксономією Bloom. Якщо запитання переважно зосереджені на нижчих рівнях (запам’ятовування/розуміння), чітко повідомляє про це та пропонує додаткові запитання для оцінювання навичок мислення вищого рівня. Для кого: фахівці з оцінювання та координатори кафедр, які прагнуть контролювати якість банку завдань для іспитів.
Генератор тижневих планів
Створює структурований тижневий план занять на основі вказаної теми й тривалості. План містить вимірювані навчальні цілі, сформульовані за допомогою дієслів таксономії Блума, розклад занять і пропозицію щодо елемента оцінювання. Навчальні цілі та завдання завжди узгоджені між собою. Для кого: викладачі університетів та інструктори, які розробляють курси або освітні програми.
Генератор банку GIFT
Створює з указаної вами теми та матеріалів банк питань у форматі GIFT, який можна безпосередньо завантажити на сторінці Moodle «Банк питань > Імпорт». Позначає правильні варіанти, створює правдоподібні відволікаючі варіанти за темою та не допускає синтаксичних помилок у форматі GIFT. Для кого: викладачів, які проводять заняття в Moodle, і координаторів навчання, що готують банки тестових завдань.
Статзвіт + зауваження
Створює повний розділ «Результати» на основі ваших даних описової та інференційної статистики, зокрема результатів перевірки припущень. Якщо виявлено порушення нормальності або однорідності дисперсій, рекомендує альтернативний непараметричний тест, а не приховує проблему. Також заздалегідь визначає щонайменше 4 зауваження, які рецензенти журналів часто висувають (наприклад, «результати перевірки припущень не наведено», «розмір ефекту не вказано», «поправку на множинні порівняння не застосовано»), і надає речення для відповіді на кожне з них. Для кого: дослідники, які працюють із кількісними методами й прагнуть забезпечити строгість статистичного звіту перед поданням статті до журналу.
Автор тестів порівняння груп
Створює готовий для рукопису текст розділу результатів відповідно до APA 7 на основі результатів t-тесту, ANOVA або критерію хі-квадрат. Використовує правильний формат статистичного звітування (t(df)=..., p=..., d=...) та інтерпретує розмір ефекту за орієнтирами Коена. Нагадує зазначити метод корекції множинних порівнянь, якщо порівнюють три або більше груп. Для кого: дослідники та аспіранти, які проводять експериментальні або порівняльні дослідження.
Автор описової статистики
Перетворює результати описової статистики користувача (середнє±SD або медіана(IQR), n(%)) на академічний абзац «Характеристики учасників», готовий для вставлення в рукопис, а також на таблицю 1 у форматованому вигляді. Вибирає правильний описовий показник (середнє±SD або медіана(IQR)) залежно від результатів перевірки нормальності й ніколи не плутає їх. Для кого: аспіранти та науковці, які проводять кількісні дослідження й хочуть швидко та правильно написати розділ «Учасники» в рукописі.
Звіт + відповіді рецензентам
Створює повний розділ «Результати» на основі ваших описових та інференційних статистичних даних, зокрема результатів перевірки припущень. Якщо виявляє порушення нормальності або однорідності дисперсій, рекомендує непараметричний альтернативний тест і не приховує ці порушення. Також заздалегідь визначає щонайменше 4 типові заперечення рецензентів журналів (наприклад, «перевірки припущень не наведено», «розмір ефекту не зазначено», «не виконано корекцію на множинні порівняння») і пропонує для кожного захисне формулювання. Кому підходить: дослідникам, які працюють із кількісними методами досліджень і прагнуть забезпечити надійність статистичного звітування перед поданням статті до журналу.
Порівняння груп: тести
Створює текст розділу «Результати», готовий для статті та сумісний з APA 7, на основі результатів t-тесту, ANOVA або критерію χ². Використовує правильний формат статистичного звітування (t(df)=..., p=..., d=...) і інтерпретує розмір ефекту за критеріями Коена. Якщо порівнюються три або більше груп, нагадує зазначити поправку на множинні порівняння. Для кого: дослідники та аспіранти, які проводять експериментальні або порівняльні дослідження.
Автор описової статистики
Перетворює введені користувачем результати описової статистики (середнє±СВ або медіана (IQR), n (%)) на академічний абзац «Характеристики учасників», який можна безпосередньо додати до статті, і таблицю у форматі Таблиці 1. Вибирає правильну описову статистику (середнє±СВ чи медіана (IQR)) залежно від нормальності даних і ніколи їх не змішує. Для кого: аспіранти та науковці, які проводять кількісні дослідження й хочуть швидко та точно написати розділ статті «Учасники».
Ентропія-TOPSIS-ML: рецензент
Створює повний звіт із розділами «Методи» та «Результати» на основі результатів зважування ентропією, ранжування TOPSIS і класифікатора ML (XGBoost, Random Forest, Logistic Regression тощо). Правильно класифікує інтерпретацію AUC за критеріями Хосмера—Лемешоу та, якщо різниця між показниками на навчальній і тестовій вибірках значна, прямо вказує на ризик перенавчання. Також заздалегідь визначає щонайменше 4 заперечення, які часто висувають журнальні рецензенти (наприклад, «як обробляли дисбаланс класів» і «зовнішню валідаційну вибірку не використано»), і пропонує речення для захисту щодо кожного з них. Підходить дослідникам у галузях медичної інформатики, прогнозування клінічних ризиків або гібридної методології MCDM-ML, які прагнуть забезпечити методологічну надійність перед поданням статті до журналу.
Автор звіту аналізу TOPSIS
Створює повністю готовий до використання в рукописі текст розділів «Методи» та «Результати» на основі результатів аналізу TOPSIS (нормалізованої матриці рішень, відстаней до позитивного та негативного ідеальних розв’язків, коефіцієнтів близькості). Формує рейтингову таблицю та пояснює, за якими критеріями найкращі й найгірші альтернативи показали найвищі або найнижчі результати. Підходить для дослідників, які працюють із проблемами багатокритеріального ранжування, зокрема вибором постачальників, порівнянням продуктів або послуг чи підтримкою прийняття клінічних рішень.
Автор розділу про ваги AHP
Перетворює результати матриці попарних порівнянь AHP (ваги критеріїв, коефіцієнт узгодженості) на академічний розділ «Визначення ваг критеріїв», готовий для безпосереднього вставлення до рукопису. Якщо коефіцієнт узгодженості (CR) перевищує 0,10, інструмент відкрито зазначає це, а не приховує. Підходить для дослідників, які використовують методи MCDM, як-от TOPSIS/VIKOR, і визначають ваги критеріїв за допомогою AHP, а також для студентів магістратури та аспірантів.
Ентропія-TOPSIS-ML + захист
Створює повний звіт «Методи + Результати» на основі ваших даних вагування за методом ентропії, ранжування TOPSIS і класифікатора ML (XGBoost, Random Forest, логістична регресія тощо). Правильно інтерпретує AUC за критеріями Hosmer & Lemeshow і чітко зазначає ризик перенавчання (overfitting), якщо різниця між результатами на навчальній і тестовій вибірках є великою. Також заздалегідь визначає щонайменше 4 типові заперечення рецензентів журналів (наприклад, «як враховано дисбаланс класів», «чому не використано зовнішній набір валідації») і пропонує захисне формулювання для кожного. Для кого: дослідників у галузі медичної інформатики, прогнозування клінічних ризиків або гібридної методології БККР-ML, які прагнуть перевірити надійність методів перед поданням статті до журналу.
Звіт аналізу TOPSIS
Створює повний текст розділів «Методи» та «Результати», готовий для статті, на основі результатів аналізу TOPSIS (матриця нормалізованих рішень, відстані до позитивного й негативного ідеальних розв’язків, коефіцієнти близькості). Наводить таблицю ранжування та пояснює, за якими критеріями найкраща й найгірша альтернативи мають переваги. Для кого підходить: для дослідників, які працюють із багатокритеріальними задачами ранжування, зокрема вибором постачальника, порівнянням товарів або послуг і підтримкою клінічних рішень.
Автор ваг AHP для звіту
Перетворює результати попарних порівнянь AHP (ваги критеріїв і коефіцієнт узгодженості) безпосередньо на академічний розділ «Зважування критеріїв», який можна додати до статті. Якщо коефіцієнт узгодженості (CR) перевищує 0,10, це буде чітко зазначено, без приховування. Для кого: дослідники та аспіранти, які працюють із методами багатокритеріального прийняття рішень, як-от TOPSIS/VIKOR, і визначають ваги критеріїв за допомогою AHP.
PLS-SEM: звіт + заперечення
Створює повний звіт про модель вимірювання та структурну модель на основі результатів вашого PLS-SEM-аналізу (зовнішні навантаження, CR/AVE, дискримінантна валідність HTMT, коефіцієнти шляхів, R²/f²/Q², SRMR). Коректно застосовує поріг HTMT та інтерпретацію R² (критерії Cohen/Chin) і уникає причинно-наслідкових формулювань. Також заздалегідь визначає щонайменше 4 заперечення, які часто висувають рецензенти наукових журналів (наприклад, «чому PLS, а не CB-SEM» або «не наведено контроль CMB»), і пропонує речення-відповідь для кожного. Підходить для дослідників у галузі бізнесу та соціальних наук, які використовують PLS-SEM для моделювання структурними рівняннями й прагнуть забезпечити методологічну надійність перед поданням статті до журналу.
Валідність і надійність
Створює повний готовий до включення в рукопис текст розділів «Методи» та «Результати» на основі результатів аналізу EFA або CFA (KMO, тест Бартлетта, факторні навантаження, індекси придатності моделі, альфа Кронбаха/CR/AVE). Коректно класифікує порогові значення індексів придатності (CFI/TLI≥.90, RMSEA≤.08 тощо) і повідомляє про проблеми валідності, як-от AVE<0.50, не приховуючи їх. Підходить для науковців і студентів магістратури та аспірантури, які проводять дослідження з розроблення або адаптації шкал.
Автор аналізу альфа Кронбаха
Перетворює введені вами показники надійності (альфа Кронбаха, кількість пунктів, підшкали) на академічний абзац «Аналіз надійності», готовий для безпосереднього додавання до рукопису. Надає таблицю прийнятності за підшкалами та, якщо виявляє низьке значення альфа (<.60), відкрито зазначає це, а не приховує. Підходить для аспірантів і дослідників, які використовують шкали та хочуть швидко й правильно написати методичний розділ.
PLS-SEM: звіт і заперечення
На основі результатів PLS-SEM (зовнішні навантаження, CR/AVE, дискримінантна валідність HTMT, коефіцієнти шляхів, R²/f²/Q², SRMR) створює повний звіт про модель вимірювання та структурну модель. Правильно застосовує поріг HTMT і трактування R² за критеріями Cohen/Chin, уникаючи причинно-наслідкових формулювань. Також заздалегідь виявляє щонайменше 4 типові заперечення рецензентів журналів (наприклад, «Чому обрано PLS замість CB-SEM?» або «Контроль CMB не проведено») і пропонує для кожного формулювання відповіді. Для кого: дослідники у сфері бізнесу та соціальних наук, які застосовують моделювання структурними рівняннями методом PLS-SEM і прагнуть забезпечити методологічну надійність перед поданням статті до журналу.
Валідність і надійність
На основі результатів аналізу EFA або CFA (KMO, тест Барлетта, факторні навантаження, індекси відповідності, Cronbach alpha/CR/AVE) створює повний готовий до публікації текст розділів «Методи» та «Результати». Правильно класифікує порогові значення індексів відповідності (CFI/TLI≥.90, RMSEA≤.08 тощо) і відкрито повідомляє про проблеми з валідністю, як-от AVE<0.50. Для кого: академічні дослідники та аспіранти, які проводять розроблення або адаптацію шкал.
Генератор аналізу α Кронбаха
Перетворює введені користувачем статистики надійності (альфа Кронбаха, кількість пунктів, підшкали) на академічний абзац «Аналіз надійності», який можна безпосередньо додати до статті. Подає таблицю прийнятності для кожної підшкали та чітко зазначає, не приховуючи цього, якщо виявлено низьке значення альфа (<.60). Для кого: здобувачі післядипломної освіти та дослідники, які використовують шкали й хочуть швидко та точно написати розділ методів дисертації чи статті.
Автор звіту CONSORT 2010
На основі даних вашого рандомізованого контрольованого дослідження (РКД) — методу рандомізації, статусу засліплення, аналізу потужності, кількості учасників у схемі CONSORT (обстежено/рандомізовано/розподілено/проаналізовано), підходу до аналізу ITT/PP — він створює повну чернетку розділів «Анотація» + «Методи» + «Результати», що відповідає всім 25 пунктам CONSORT 2010. Він не плутає ITT/PP і перевіряє узгодженість кількості учасників на схемі (рандомізованих ≥ розподілених ≥ тих, за ким спостерігали ≥ проаналізованих). Також він заздалегідь визначає щонайменше 4 заперечення, які часто висувають рецензенти журналів (наприклад, «чому не було наведено аналіз ITT», «чи перевіряли успішність засліплення», «чи не змінювали кінцеві результати») і пропонує для кожного формулювання-відповідь. Розроблено для клінічних дослідників у медицині, медсестринстві та фармації, які проводять РКД і прагнуть забезпечити методологічну надійність перед поданням до журналу. Чого цей інструмент не робить: він не проводить статистичний аналіз і не генерує дані — лише перетворює вже наявні результати на звіт за стандартом CONSORT.
Автор методів STROBE
На основі дизайну вашого поперечного, когортного дослідження або дослідження випадок–контроль, а також зазначених вами способу відбору учасників, змінних, обґрунтування розміру вибірки та статистичних методів, інструмент створює повну чернетку розділів «Методи» та «Результати» з урахуванням усіх 22 пунктів контрольного списку STROBE (Strengthening the Reporting of Observational Studies in Epidemiology). Наприкінці він також надає таблицю відповідності, яка показує, який абзац відповідає кожному пункту STROBE — готову відповідь на запит журналу «будь ласка, заповніть контрольний список STROBE». Уникає причинно-наслідкових формулювань: у спостережних дослідженнях використовує «пов’язаний із», а не «спричиняє», і чітко обговорює джерела упередження та змішування. Підходить для науковців, які працюють в епідеміології, громадському здоров’ї та клінічних дослідженнях.
Звіт про пропущені дані
Введіть обсяг вибірки, частку й структуру пропущених даних (MCAR/MAR/MNAR), метод роботи з пропущеними даними (видалення спостережень за списком, множинне імпутування тощо) і метод виявлення викидів (Z-оцінка, IQR, відстань Махаланобіса) — і інструмент створить академічний абзац, який можна безпосередньо вставити до розділу «Попередня обробка даних» вашого рукопису. Якщо між обраним методом і структурою пропущених даних є методологічна суперечність (наприклад, використання видалення спостережень за списком за структури MNAR), це буде чітко зазначено. Підходить для аспірантів і дослідників, які аналізують дані опитувань або клінічні дані та хочуть швидко й коректно написати розділ про попередню обробку даних.
Аудит якості даних шкали
Ця навичка системно перевіряє необроблені дані анкети, зібрані в межах розроблення шкали, за такими аспектами: пропущені дані, аномальні спостереження, неуважне заповнення (straightlining, longstring, random responding), порушення розподілу на рівні пунктів, а також передумови надійності й факторної придатності. Вона не створює підсумкових результатів EFA/CFA, а надає обґрунтоване доказами рішення «go/no-go» щодо готовності даних до наступних етапів аналізу та рекомендацію зі стратифікованого поділу вибірки для EFA/CFA (EFA/CFA split). Усі обчислення виконуються із запуском реального коду (Python: pandas, scipy, factor_analyzer, pingouin); припущені числа не генеруються.
Автор повного звіту метааналізу
Створює повний текст розділів «Методи», «Результати» й «Обмеження» відповідно до PRISMA 2020 і Cochrane Handbook на основі статистики вашого метааналізу (об’єднаний розмір ефекту, I², Q, tau², показники упередженості публікацій). Завжди правильно інтерпретує значення I², зокрема формулювання «відсоток дисперсії», і уникає перебільшених причинно-наслідкових висновків, використовуючи обережні формулювання на кшталт «результати узгоджуються з…» замість «докази демонструють, що…». Наприкінці також пропонує щонайменше 3 запитання, які може поставити рецензент, разом із формулюваннями відповідей. Підходить дослідникам, які пишуть статтю за результатами метааналізу й хочуть посилити розділ із методами перед поданням до журналу. Чого цей інструмент не робить: не виконує статистичних розрахунків на основі первинних даних — ви вже маєте отримати результати в R/RevMan/CMA; інструмент лише перетворює та інтерпретує ваші результати в академічний текст.
Автор бібліометричних текстів
Перетворює необроблені дані з VOSviewer або результатів Biblioshiny (Bibliometrix/R) — частотність ключових слів, кластери мережі цитувань, річний тренд публікацій, розподіл за країнами, установами та журналами — на готовий до публікації академічний текст із інтерпретацією. Використовує академічний тон, описуючи напрям розвитку літератури, а не просто повторюючи необроблені числа; уникає спекулятивних причинно-наслідкових тверджень. Підходить для дослідників, які пишуть дисертацію або статтю й потребують розділу з бібліометричним аналізом, але мають труднощі з перетворенням необроблених даних на академічний виклад. Використання: вставте безпосередньо список кластерів і ключових слів із VOSviewer або зведену таблицю Biblioshiny; навичка тематично назве й інтерпретує кластери ключових слів, а також оцінить мережу цитувань і структуру співпраці між країнами.
Генератор схеми PRISMA 2020
Генерує текст схеми, що відповідає вимогам PRISMA 2020, і абзац для протоколу для дослідників, які проводять систематичні огляди. Введіть кількість записів на етапах відбору в базі даних (ідентифікація → скринінг → оцінка відповідності критеріям → включення), і він перевірить узгодженість чисел та створить текст, який допоможе обґрунтовано відповісти на запитання рецензента: «Чому на вашій схемі відбору втрачено так багато записів?» Також він перетворює критерії включення та виключення на таблицю у форматі PICO/PECO. Підходить для аспірантів, науковців і попередньої перевірки редакторами журналів статей із систематичних оглядів і метааналізів. Якщо виявлено числову неузгодженість (наприклад, кількість включених записів перевищує кількість записів, що пройшли оцінку відповідності критеріям), він явно зазначає це, а не виправляє мовчки.
Повний звіт CONSORT 2010
Створює повний проєкт розділів «Анотація» + «Методи» + «Результати» відповідно до 25 пунктів CONSORT 2010 на основі даних вашого рандомізованого контрольованого дослідження (RCT): методу рандомізації, стану засліплення, аналізу потужності, кількості учасників у схемі CONSORT (screened/randomized/allocated/analyzed), а також підходу до аналізу ITT/PP. Ніколи не плутає ITT і PP та перевіряє узгодженість кількості учасників у схемі руху (randomized ≥ allocated ≥ followed-up ≥ analyzed). Також заздалегідь виявляє щонайменше 4 заперечення, які часто висувають рецензенти медичних журналів (наприклад, «чому не наведено аналіз ITT», «чи перевіряли успішність засліплення», «чи була заміна кінцевих точок»), і пропонує захисне формулювання для кожного з них. Розроблено для клінічних дослідників і науковців, які проводять RCT у галузях медицини, сестринської справи та фармації й прагнуть забезпечити методологічну надійність перед поданням статті до журналу.
Перевірка даних шкали
Тригериться, коли сирі дані розроблення шкали (Excel/CSV), зібрані професійною дослідницькою компанією, потрібно перевірити на психометричну якість перед переходом до EFA/CFA або фінального аналізу надійності. Комплексно оцінює пропущені дані, викиди, неуважне заповнення, систематичні похибки відповідей, якість пунктів і достатність вибірки та формує рішення Go/No-Go; не змінює дані, а лише надає діагностичний/аудиторський звіт.
Автор методів за STROBE
Для дизайну поперечного, когортного дослідження або дослідження «випадок—контроль» введіть метод відбору учасників, змінні, обґрунтування розміру вибірки та статистичні методи — і Skill створить повну чернетку розділів «Методи» та «Результати» з неявним посиланням на 22 пункти чекліста STROBE (Strengthening the Reporting of Observational Studies in Epidemiology). Наприкінці також буде подано таблицю відповідності, яка показує, який пункт STROBE охоплює кожен абзац — це допоможе підготуватися до вимоги журналу «заповніть чекліст STROBE». Skill уникає причинно-наслідкових формулювань (оскільки йдеться про спостережне дослідження, використовує «пов’язаний із», а не «спричиняє») та чітко обговорює джерела упередженості й конфаундингу. Підходить для академічних працівників у галузях епідеміології, громадського здоров’я та клінічних досліджень.
Асистент пропусків і викидів
Укажіть розмір вибірки, частку й тип пропущених даних (MCAR/MAR/MNAR), використаний метод роботи з пропущеними даними (видалення за списком, множинна імпутація тощо) та метод виявлення викидів (Z-оцінка, IQR, відстань Махаланобіса), і асистент створить академічний абзац, який можна безпосередньо додати до розділу «Попередня обробка даних» вашої статті. Якщо між вибраним методом і типом пропущених даних є методологічна суперечність (наприклад, використання видалення за списком для типу MNAR), асистент чітко на це вкаже. Підходить для аспірантів і дослідників, які аналізують дані опитувань або клінічні дані та хочуть швидко й коректно написати розділ про попередню обробку даних.
Звіт з метааналізу
Створює повний текст розділів «Методи», «Результати» та «Обмеження» відповідно до PRISMA 2020 і Кокранівського посібника на основі ваших статистичних даних метааналізу (об’єднаний розмір ефекту, I², Q, tau², показники упередженості публікацій). Не інтерпретує значення I² неправильно, зокрема враховує частку поясненої варіації, і уникає перебільшених причинно-наслідкових формулювань, використовуючи обережні вислови на кшталт «результати узгоджуються з…» замість «докази свідчать, що…». Наприкінці також наводить щонайменше 3 можливі запитання рецензента та відповіді для їх обґрунтування. Підходить дослідникам, які пишуть статтю за результатами метааналізу та хочуть посилити розділ методів перед поданням до журналу. Чого не робить: не виконує статистичних обчислень із необроблених даних (ви вже маєте розрахувати їх у R/RevMan/CMA), а лише перетворює результати на академічний текст і допомагає їх інтерпретувати.
Інтерпретатор бібліометрії
Перетворює необроблені числа з VOSviewer або Biblioshiny (Bibliometrix/R) — частоти ключових слів, кластери мережі цитувань, щорічні тенденції публікацій, розподіл за країнами, установами та журналами — на інтерпретований текст, готовий для академічної публікації. Замість простого повторення чисел використовує академічний тон, щоб пояснити, як розвивається література, і уникає спекулятивних причинно-наслідкових тверджень. Підходить дослідникам, які пишуть дисертацію або статтю та мають підготувати розділ бібліометричного аналізу, але відчувають труднощі з перетворенням необроблених даних на академічну мову. Використання: вставте список кластерів і ключових слів із VOSviewer або зведену таблицю Biblioshiny; skill тематично назве й інтерпретує кластери ключових слів, а також оцінить мережу цитувань і моделі співпраці між країнами.
Автор схеми PRISMA 2020
Створює текст блок-схеми та абзац для протоколу відповідно до чекліста PRISMA 2020 для дослідників, які проводять систематичні огляди. Коли ви вводите кількість записів із пошуку в базах даних (identification → screening → eligibility → included), він перевіряє узгодженість чисел і створює обґрунтований текст у відповідь на запитання рецензента: «чому у вашій блок-схемі стільки втрат?». Також перетворює критерії включення/виключення на таблицю у форматі PICO/PECO. Цей інструмент підходить аспірантам і академічним дослідникам, які пишуть систематичні огляди та метааналізи, а також редакторам журналів для попередньої перевірки. Якщо виявляє числову невідповідність (наприклад, included > eligibility), він чітко про це повідомляє, а не виправляє її непомітно.