缺失資料報告助理
將資料清理流程轉成 STROBE 段落
描述
輸入樣本數、缺失資料比例／模式（MCAR/MAR/MNAR）、缺失資料處理方法（逐列刪除、多重插補等），以及離群值偵測方法（Z 分數、IQR、Mahalanobis）後，即可產生學術段落，直接插入論文的「資料前處理」章節。若方法選擇與缺失資料模式之間存在方法學矛盾（例如在 MNAR 模式下使用逐列刪除），系統會明確指出。適合想快速且正確撰寫資料前處理章節的研究生，以及進行問卷／臨床資料分析的研究人員。
相關技能
查看全部
STROBE 方法撰寫器
根據您的橫斷面、世代或病例對照研究設計，當您輸入參與者選取方法、變項、樣本數依據與統計方法後，便會產生完整的〈方法〉與〈結果〉草稿，並在內容中隱含涵蓋 STROBE（Strengthening the Reporting of Observational Studies in Epidemiology）檢核表的全部 22 個項目。文末也會提供對照表，說明各段落對應的 STROBE 項目，方便您回應期刊「請完成 STROBE 檢核表」的要求。此工具避免使用因果語言（針對觀察性研究使用「與……相關」而非「導致」），並明確討論偏差與混雜的來源。適合流行病學、公共衛生與臨床研究領域的學術研究者使用。
統合分析完整報告撰寫器
根據統合分析統計資料（合併效應量、I²、Q、tau²、出版偏誤指標），產出符合 PRISMA 2020 與 Cochrane Handbook 的完整方法 + 結果 + 限制文字。絕不誤解 I² 數值（包括「變異數百分比」的表述），並避免過度強烈的因果語言（使用「研究結果與……一致」等謹慎措辭，而非「證據證明……」）。文末還會提供至少 3 個審稿人可能提出的問題，以及相應的答辯句。適合想在投稿期刊前強化方法章節的統合分析論文研究者。無法執行的事項：不會根據原始資料進行統計計算（你必須先備妥 R／RevMan／CMA 的輸出結果）——它只會將你的結果轉換並解讀為學術文字。
PRISMA 2020 流程圖撰寫器
為進行系統性回顧的研究者產生符合 PRISMA 2020 規範的流程圖文字與研究計畫段落。輸入資料庫篩選數據（識別 → 篩選 → 資格評估 → 納入）後，它會檢查數字是否一致，並產生可合理回應審稿人「為什麼流程圖中少了這麼多筆紀錄？」這類問題的文字。它也會將您的納入／排除標準轉換為 PICO／PECO 格式的表格。適用於：研究生、學者，以及期刊編輯對系統性回顧／統合分析論文的預審。如果偵測到數字不一致（例如納入數大於資格評估數），它會明確指出問題，而不會在未告知的情況下自行修正。
缺失資料報告助理
將資料清理流程轉成 STROBE 段落
描述
輸入樣本數、缺失資料比例／模式（MCAR/MAR/MNAR）、缺失資料處理方法（逐列刪除、多重插補等），以及離群值偵測方法（Z 分數、IQR、Mahalanobis）後，即可產生學術段落，直接插入論文的「資料前處理」章節。若方法選擇與缺失資料模式之間存在方法學矛盾（例如在 MNAR 模式下使用逐列刪除），系統會明確指出。適合想快速且正確撰寫資料前處理章節的研究生，以及進行問卷／臨床資料分析的研究人員。
相關技能
查看全部STROBE 方法撰寫器
根據您的橫斷面、世代或病例對照研究設計，當您輸入參與者選取方法、變項、樣本數依據與統計方法後，便會產生完整的〈方法〉與〈結果〉草稿，並在內容中隱含涵蓋 STROBE（Strengthening the Reporting of Observational Studies in Epidemiology）檢核表的全部 22 個項目。文末也會提供對照表，說明各段落對應的 STROBE 項目，方便您回應期刊「請完成 STROBE 檢核表」的要求。此工具避免使用因果語言（針對觀察性研究使用「與……相關」而非「導致」），並明確討論偏差與混雜的來源。適合流行病學、公共衛生與臨床研究領域的學術研究者使用。
統合分析完整報告撰寫器
根據統合分析統計資料（合併效應量、I²、Q、tau²、出版偏誤指標），產出符合 PRISMA 2020 與 Cochrane Handbook 的完整方法 + 結果 + 限制文字。絕不誤解 I² 數值（包括「變異數百分比」的表述），並避免過度強烈的因果語言（使用「研究結果與……一致」等謹慎措辭，而非「證據證明……」）。文末還會提供至少 3 個審稿人可能提出的問題，以及相應的答辯句。適合想在投稿期刊前強化方法章節的統合分析論文研究者。無法執行的事項：不會根據原始資料進行統計計算（你必須先備妥 R／RevMan／CMA 的輸出結果）——它只會將你的結果轉換並解讀為學術文字。
PRISMA 2020 流程圖撰寫器
為進行系統性回顧的研究者產生符合 PRISMA 2020 規範的流程圖文字與研究計畫段落。輸入資料庫篩選數據（識別 → 篩選 → 資格評估 → 納入）後，它會檢查數字是否一致，並產生可合理回應審稿人「為什麼流程圖中少了這麼多筆紀錄？」這類問題的文字。它也會將您的納入／排除標準轉換為 PICO／PECO 格式的表格。適用於：研究生、學者，以及期刊編輯對系統性回顧／統合分析論文的預審。如果偵測到數字不一致（例如納入數大於資格評估數），它會明確指出問題，而不會在未告知的情況下自行修正。
發現下一個適合你的技能
繼續探索更多精選 AI 技能，用於研究、創作和日常工作。