Murat Sakal
學習成果－Bloom 對應器
依 Bloom 分類法的層級分類您的學習成果，修正無法測量的動詞（如「知道」、「理解」），並為每項成果建議合適的評量方式。分類依據不是動詞的表面含義，而是成果所要求的實際認知層次。適用對象：負責課程／教學設計的教師與課程發展委員會。
GIFT 題庫＋Bloom 檢核
根據您的主題與學習成果，產生包含選擇題、是非題、配對題、簡答題與填充題等題型的完整 GIFT 格式題庫。每題都會標註其 Bloom 分類學層級；若題目過度集中在較低層次（記憶／理解），也會明確提出報告，並建議加入可評量高階思考能力的題目。適用對象：希望檢核測驗題庫品質的評量人員與系所協調員。
每週教學計畫寫作工具
根據您提供的課程主題與時長，產生結構化的每週教學計畫，內容包含以布魯姆分類學動詞撰寫的可衡量學習目標、含時間表的課程流程，以及評量方式建議。學習目標與活動一律彼此對應。適用對象：大專院校教師，以及規劃課程或培訓方案的講師。
GIFT 格式題庫產生器
根據您提供的主題與內容，產生 GIFT 格式的選擇題題庫，可直接上傳至 Moodle「題庫 > 匯入」畫面。標示正確答案、建立與主題相關且合理的干擾選項，並避免 GIFT 語法錯誤。 適用對象：在 Moodle 授課的教師，以及準備考試題庫的教育協調人員。
統計報告＋審稿人質疑
根據您的描述性與推論統計輸出（包括假設檢定），產生完整的結果章節。若偵測到常態性或變異數同質性違反，會建議採用非參數替代檢定，而不是加以隱瞞。此外，還會預先列出期刊審稿人常提出的至少 4 項質疑（例如：「未報告假設檢定」、「未說明效果量」、「未進行多重比較校正」），並為每項質疑提供一則回應辯護句。適用對象：使用量化方法、希望在投稿期刊前提升統計報告嚴謹度的研究人員。
組別比較檢定寫作器
根據你的 t 檢定、ANOVA 或卡方檢定結果，產生符合 APA 第 7 版規範、可直接用於論文的 Results 文字。使用正確的統計報告格式（t(df)=...、p=...、d=...），並依據 Cohen 的標準解讀效果量。比較三組以上時，提醒你說明多重比較校正方法。適用對象：進行實驗或比較研究的研究人員與研究生。
描述性統計撰寫器
將使用者的描述性統計結果（mean±SD 或 median(IQR)、n(%)）轉換成可直接放入論文的學術「參與者特徵」段落，並產生格式化的 Table 1。根據常態性狀態選擇正確的描述性統計方式（mean±SD 或 median(IQR)），絕不混用。適用對象：進行量化研究、希望快速且正確撰寫論文「參與者」段落的研究生與學術研究者。
統計報告＋審稿疑義預判
根據您的描述性與推論統計輸出（包括假設檢定），產出完整的「結果」章節。若偵測到常態性或變異數同質性違反，會建議非參數替代檢定，不會加以隱瞞。此外，還會預先辨識期刊審稿人經常提出的至少 4 項疑義（例如：「未報告假設檢定」、「未說明效果量」、「未進行多重比較校正」），並為每項疑義提供一則回應句。適用對象：採用定量研究方法，並希望在投稿期刊前提升統計報告嚴謹性的研究人員。
群組比較檢定寫作器
根據您的 t 檢定、ANOVA 或卡方檢定結果，產生符合 APA 第 7 版規範、可直接用於論文的結果段落。使用正確的統計報告格式（t(df)=...、p=...、d=...），並依據 Cohen 的標準解讀效果量。若比較三組以上，會提醒您需註明多重比較校正。適用對象：進行實驗或比較研究的研究人員與研究生。
描述性統計撰寫器
將使用者的描述性統計結果（平均值±標準差或中位數（IQR）、n（%））直接轉換為可加入論文的學術性「參與者特徵」段落，以及表 1 格式的表格。依據常態性結果選擇正確的描述性統計（平均值±標準差或中位數（IQR）），絕不混用。適用對象：希望快速且準確撰寫論文「參與者」章節的研究生與進行量化研究的學者。
Entropy-TOPSIS-ML＋審稿人質疑
根據您的熵權法＋TOPSIS 排名＋ML 分類器（XGBoost、Random Forest、Logistic Regression 等）輸出結果，產製完整的 Methods＋Results 報告。依照 Hosmer & Lemeshow 標準正確解讀 AUC；若訓練集與測試集的效能差距較大，也會明確指出過度擬合風險。此外，預先列出期刊審稿人經常提出的至少 4 項質疑（例如：「如何處理類別不平衡？」、「未使用外部驗證集」），並為每項質疑提供建議的回應句。適合從事健康資訊學、臨床風險預測或混合式 MCDM-ML 方法研究，並希望在投稿期刊前強化方法學嚴謹性的研究人員。
TOPSIS 決策分析報告撰寫
根據您的 TOPSIS 分析輸出（正規化決策矩陣、與正／負理想解的距離，以及接近度係數），產出完整、可直接用於論文的「方法」與「結果」文字。提供排名表，並解讀最佳與最差方案在哪些準則上表現較佳或較弱。適合用於供應商選擇、產品／服務比較或臨床決策支援等多準則排名問題的研究人員。
AHP 權重分析撰寫器
將使用者的 AHP（分析層級程序）成對比較矩陣結果（準則權重、一致性比率）轉換為學術論文中的「準則權重」段落，可直接置入稿件。如果一致性比率（CR）超過 0.10，會如實說明，不加以隱藏。適合使用 TOPSIS/VIKOR 等多準則決策方法（MCDM），並以 AHP 決定準則權重的研究人員與研究生。
熵權-TOPSIS-ML＋審稿質疑
根據熵權法＋TOPSIS 排序＋ML 分類器（XGBoost、Random Forest、Lojistik Regresyon 等）的輸出，產生完整的〈方法〉＋〈結果〉報告。依 Hosmer & Lemeshow 標準正確解讀 AUC；若訓練集與測試集的表現差異較大，也會明確指出過度擬合（overfitting）風險。此外，預先辨識期刊審稿人常提出的至少 4 項質疑（例如「如何處理類別不平衡」、「未使用外部驗證集」），並為每項質疑提供答辯句。適用對象：從事健康資訊學、臨床風險預測或混合式多準則決策（ÇKKV）-ML 方法研究的研究者，以及在投稿期刊前希望確認方法穩健性的人員。
TOPSIS 決策分析報告撰寫器
根據您的 TOPSIS 分析結果（標準化決策矩陣、正／負理想解距離、接近度係數），產生可直接用於論文的完整「方法＋結果」文字。提供排序表，並解讀最佳／最差方案在哪些準則上表現突出。適用對象：從事供應商選擇、產品／服務比較、臨床決策支援等多準則排序問題的研究人員。
AHP 準則權重撰寫器
將使用者的 AHP（分析層級程序）成對比較矩陣輸出（準則權重、一致性比率）直接轉換為可加入論文的學術〈準則權重〉章節。若一致性比率（CR）超過 0.10，會不加隱瞞地明確指出。適用對象：使用 TOPSIS、VIKOR 等多準則決策方法，並以 AHP 決定準則權重的研究人員與研究生。
PLS-SEM 報告＋質疑預判引擎
根據您的 PLS-SEM 分析結果（外部負荷量、CR／AVE、HTMT 區別效度、路徑係數、R²／f²／Q²、SRMR），產出完整的測量模型＋結構模型報告。正確套用 HTMT 閾值與 R² 解讀方式（Cohen／Chin 標準），並避免使用因果語言。同時預先辨識期刊審稿人經常提出的至少 4 項質疑（例如「為什麼使用 PLS，而不是 CB-SEM？」、「未報告共同方法偏誤（CMB）控制」），並為每項質疑提供建議的回應句。適合使用 PLS-SEM 進行結構方程模型分析、希望在投稿期刊前強化方法嚴謹性的商管與社會科學研究者。
效度與信度報告撰寫器
根據您的 EFA 或 CFA 分析輸出（KMO、Bartlett 檢定、因素負荷量、適配度指標、Cronbach alpha/CR/AVE），產生可直接用於論文的完整方法與結果文字。正確判定適配度指標門檻（CFI/TLI≥.90、RMSEA≤.08 等），並如實報告 AVE<0.50 等效度問題，不加以隱瞞。適用於：進行量表開發或改編研究的學者與研究生。
Cronbach α 信度撰寫器
將您輸入的信度統計（Cronbach α、題項數、分量表）轉換成可直接放入論文的學術「信度分析」段落。它會依分量表提供可接受性表格；若偵測到低 α（<.60），也會如實說明，而不是加以隱藏。適合使用量表、希望快速且正確撰寫研究方法部分的研究生與研究人員。
PLS-SEM 報告與審稿回應引擎
根據您的 PLS-SEM 分析輸出（外部負荷、CR/AVE、HTMT 區別效度、路徑係數、R²/f²/Q²、SRMR），生成完整的測量模型與結構模型報告。正確套用 HTMT 閾值與 R² 解讀（Cohen/Chin 準則），並避免使用因果關係措辭。此外，預先辨識期刊審稿人常提出的至少 4 項質疑（例如「為何選用 PLS 而非 CB-SEM」、「未進行共同方法偏誤（CMB）檢驗」），並為每項質疑提供回應說法。適用對象：使用 PLS-SEM 進行結構方程模型分析的商管與社會科學研究者，以及在投稿期刊前尋求方法嚴謹性的使用者。
效度與信度報告撰寫器
根據您的 EFA 或 CFA 分析輸出（KMO、Bartlett 檢定、因素負荷量、適配度指標、Cronbach α／CR／AVE），產生可直接用於論文的完整「方法」＋「結果」文字。正確分類適配度指標的門檻值（CFI/TLI≥.90、RMSEA≤.08 等），並在不隱瞞效度問題的情況下，如 AVE<0.50，清楚加以說明。適用對象：進行量表開發或翻譯與調適研究的學者及研究生。
Cronbach Alpha 信度撰寫器
將使用者輸入的信度統計（Cronbach alpha、題目數量、分量表）直接轉換為可加入論文的學術「信度分析」段落。提供各分量表的可接受性判定表；若偵測到較低的 alpha（<.60），也會如實明確指出，不加以隱瞞。適用對象：研究所學生及使用量表的研究者，適合希望快速且正確撰寫論文或期刊文章方法章節的人。
CONSORT 2010 報告撰寫器
根據您的隨機對照試驗（RCT）資料——包括隨機分派方法、盲法狀態、檢定力分析、CONSORT 流程圖數字（篩選／隨機分派／分配／分析），以及 ITT／PP 分析方式——產出符合 CONSORT 2010 全部 25 項要求的完整摘要＋方法＋結果初稿。不會混淆 ITT 與 PP，並會檢查流程圖數字的一致性（隨機分派 ≥ 分配 ≥ 完成追蹤 ≥ 納入分析）。此外，還會預先指出期刊審稿人常提出的至少 4 項疑問（例如「為何未報告 ITT 分析」、「是否檢驗過盲法是否成功」、「是否變更過結局指標」），並為每項疑問建議一段回應說法。專為進行 RCT 的醫學、護理與藥學臨床研究人員設計，協助您在投稿期刊前提升方法學嚴謹度。本工具不會進行統計分析或產生資料——只會將您已有的結果轉換為符合 CONSORT 標準的報告。
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。
缺失資料報告助理
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。
量表開發資料品質稽核
此技能會針對量表開發研究所蒐集的原始問卷資料，從遺漏資料、離群觀測值、粗心作答（straightlining、longstring、random responding）、題目層級的分布異常、信度與可因素分析之前提等面向，進行系統性的品質稽核。不會產出最終的 EFA/CFA 結果；而是根據證據判斷資料是否已準備好進入後續分析階段，並提出分層分割樣本（EFA/CFA split）的建議。所有計算皆透過實際執行程式碼（Python：pandas、scipy、factor_analyzer、pingouin）完成，不會產生假設性數值。
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。
文獻計量研究寫作助手
將您從 VOSviewer 或 Biblioshiny（Bibliometrix/R）取得的原始數據（關鍵詞頻率、引文網絡群集、年度發表趨勢，以及國家／機構／期刊分布）轉換為可直接用於論文發表、並經過詮釋的學術文字。採用學術語氣，敘述文獻發展方向，而非重複原始數字；避免提出推測性的因果關係。適合需要撰寫文獻計量分析章節、但不易將原始數據轉化為學術語言的論文或學位論文研究者。使用方式：直接貼上 VOSviewer 的群集／關鍵詞清單，或 Biblioshiny 的摘要表；此技能會為關鍵詞群集命名並進行主題詮釋，同時評估引文網絡與國家合作模式。
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。
CONSORT 2010 完整報告撰寫器
根據您的隨機對照試驗（RCT）資料——包括隨機分派方法、盲法狀態、檢定力分析、CONSORT 流程圖人數（screened/randomized/allocated/analyzed），以及 ITT/PP 分析方法——產生符合 CONSORT 2010 25 項條目的完整摘要＋方法＋結果草稿。絕不混淆 ITT/PP 的區分；並檢查流程圖人數的一致性（randomized ≥ allocated ≥ followed-up ≥ analyzed）。此外，會預先找出期刊審稿人經常提出的至少 4 項質疑（例如「為什麼未報告 ITT 分析」、「是否測試過盲法成功與否」、「是否存在 outcome switching」），並為每項質疑提供可用於回應的辯護句。專為臨床研究人員，以及在醫學、護理或藥學領域執行 RCT、希望在投稿前確認研究方法嚴謹性的學術工作者設計。
量表開發資料前置審查
當您需要在進行 EFA/CFA 或最終信度分析前，從心理計量資料品質的角度審查由專業問卷公司蒐集的原始量表開發資料（Excel/CSV）時，即可使用此技能。它會全面評估缺失值、離群值、隨意作答、作答偏誤、題目品質與樣本數充足性，並產出 Go/No-Go 決策；不會修改資料，僅提供診斷與審查報告。
STROBE 檢核表方法撰寫器
依據您的橫斷面、世代或病例對照研究設計，在您輸入參與者選取方法、變項、樣本數依據與統計方法後，產生完整的〈方法〉與〈結果〉草稿，並涵蓋 STROBE（Strengthening the Reporting of Observational Studies in Epidemiology）檢核表的 22 個項目。最後也會提供對照表，顯示各段落符合哪些 STROBE 項目，讓您準備好回應期刊投稿時「請填寫 STROBE 檢核表」的要求。由於觀察性研究的特性，內容會避免因果語言，不使用「導致」，而採用「與……有關」等表述，並明確討論偏差與混雜的來源。適合從事流行病學、公共衛生與臨床研究的學術工作者。
遺失資料與離群值助理
輸入樣本數、遺失資料比例／模式（MCAR／MAR／MNAR）、所使用的遺失資料處理方法（listwise deletion、多重插補等），以及離群值偵測方法（Z 分數、IQR、Mahalanobis）後，即可產生能直接加入論文「資料前處理」章節的學術段落。若您選擇的方法與遺失資料模式之間存在方法學上的矛盾（例如在 MNAR 模式下使用 listwise deletion），系統會明確指出。適合進行問卷或臨床資料分析，並希望快速且正確撰寫資料前處理章節的研究生與研究人員。
Meta分析與系統性回顧報告
依據 PRISMA 2020 與 Cochrane 手冊，將您的 Meta 分析統計（合併效應量、I²、Q、tau²、出版偏誤指標）整理為完整的「方法＋結果＋限制」文字。絕不誤解 I² 數值（包括對變異百分比的說明），並避免誇大的因果語言（使用「研究結果與……一致」等審慎表述，取代「證據顯示……」）。最後還會提供至少 3 個審稿人可能提出的問題，以及相應的答辯句。適合撰寫 Meta 分析論文，或希望在投稿前強化方法章節的研究人員。不會做什麼：不會從原始資料進行統計計算（您必須先使用 R／RevMan／CMA 完成計算），只會將結果轉寫並解讀為學術文字。
文獻計量分析結果撰寫器
將您從 VOSviewer 或 Biblioshiny（Bibliometrix/R）取得的原始數據（關鍵詞頻率、引用網絡叢集、年度發表趨勢、國家／機構／期刊分布）轉換為適合學術發表、經過詮釋的文字。與其重複列出數字，不如採用學術語調說明文獻的發展方向；同時避免提出推測性的因果論述。適合需要撰寫論文或文章、準備文獻計量分析章節，但難以將原始數據轉化為學術語言的研究者。使用方式：直接貼上從 VOSviewer 取得的叢集／關鍵詞清單，或 Biblioshiny 的摘要表格；此 Skill 會為關鍵詞叢集進行主題命名與解讀，並評估引用網絡及國家間的合作模式。
PRISMA 2020 流程圖撰寫器
為進行系統性文獻回顧的研究人員，產生符合 PRISMA 2020 checklist 的流程圖文字與研究流程段落。輸入資料庫檢索數據（identification → screening → eligibility → included）後，它會檢查數字是否一致，並產生一段可用來回應審稿人「為什麼你的流程圖排除了這麼多文獻？」的說明文字。此外，也能將您的納入／排除標準整理成 PICO／PECO 格式的表格。此技能適合撰寫系統性文獻回顧或統合分析的研究生與學者，也適合期刊編輯進行初步檢查。若偵測到數字不一致（例如 included > eligibility），它會明確指出問題，不會在未告知的情況下自行修正。