你手头已有的
课程材料研究方法课课件与作业
00
先记住一句话
方法论材料是你最好的起点。这一页看完，你就明白了整门课的逻辑。
不是你去适应 AI，
而是把你的材料喂给 AI，
让它按你的方法论标准帮你干活。
你手头已有的
方法书测量、效度、研究设计经典
它们可以变成
触发场景什么情况下调用这套标准
它们可以变成
判断规则审查、建议、写作的依据
关键认知 KEY INSIGHT
AI 辅助科研的瓶颈从来不是 AI，而是你能不能把研究问题、数据条件、方法假设说清楚。Skill 的作用，就是把这套"说清楚"的标准一次写好、长期复用。
01
能力阶梯：三层，从易到难
不要一步跳到"建 Skill"。先爬完这三级台阶，每一层都有明确目标。本课重点是第二层。
LEVEL 1
今天就能开始
直接当上下文用
零门槛：把方法书章节、课件直接传给 AI，让它当你的"方法课助教"，按这份材料的标准审查你的设计、解释概念。
示例问法
「按这份材料的标准，我的研究设计有哪些漏洞？构念测量够吗？」
LEVEL 2
本课核心 · 六步完成
固化成专属 Skill
把方法论标准、检查清单、写作规范打包成一个技能包。你的标准只整理一次，之后每次调用都稳定输出，不随提问质量飘忽。
示例产物
「研究设计审查员」：丢入设计草稿，按效度四类威胁逐项挑刺。
LEVEL 3
一个学期内形成
串成科研工作流
选题与文献 → 研究设计 → 数据处理 → 写作与回应审稿，全链路调用你的 Skill，形成稳定的个人研究流水线。
示例场景
让 AI 模拟审稿人，按你领域的审稿惯例攻击你的论文初稿。
- 提醒一：AI 不能替代方法判断——尤其在因果识别上，它常把相关关系说成因果，所有建议都要用书里的标准验证。
- 提醒二：从一篇课程作业开始练手，不要拿毕业论文直接试错。
02
解剖一个 Skill
一个 Skill 本质就是一个文件夹：一份必需的说明书，加上按需读取的参考资料。最后打包成一个 .skill 文件。
SKILL 文件夹结构ANATOMY
research-method-skill/ ├── SKILL.md ← 核心说明书（必需，≤500行） ├── references/ ← 详细材料，AI 按需读取 │ ├── validity-threats.md 效度威胁完整清单 │ └── method-decision-tree.md 方法选择决策树 ├── scripts/ ← 可复用代码（可选） │ └── reliability-check.R 信效度检验模板 └── assets/ ← 模板文件（可选）
三层放置规则PROGRESSIVE DISCLOSURE
| 层级 | 放什么 | 你的例子 | 何时被读取 |
|---|---|---|---|
| SKILL.md 正文 | 核心流程、铁律、判断规则，写明何时去读哪个参考文件 | 审查研究设计的五步流程；「先查假设再建模」 | Skill 触发后必读，控制在 500 行内 |
| references/ | 详细清单、决策树、长材料 | 效度威胁完整清单；管理/IS 方法章节惯例 | AI 判断需要时才读 |
| scripts/ | 需要稳定重复执行的代码 | 固定的信效度检验 R / Python 模板 | 需要执行时调用 |
最重要的坑 PITFALL
不要把整本书塞进 Skill。AI 的上下文窗口是稀缺资源，设计原则是渐进披露：说明书保持精简，细节放进 references 按需加载。
03
六步构建流程
按顺序闯关：读完一步、完成它的"课堂练习"，再解锁下一步。右上角 HUD 会记录你的构建进度。
怎么做：先不要想"我要做一个研究方法 Skill"，而是写下 3~5 个你实际会怎么用它的问法。Skill 质量的上限，在这一步就定了。
课堂练习 · 写出你的场景（示例）
「这是我的研究设计草稿，帮我按效度四类威胁逐项审查」
「我的因变量是二分变量、自变量连续，该用什么模型？帮我检查前提假设」
「帮我把方法章节按 AMJ 的惯例重排」
怎么做：把每个场景拆开问自己：流程指令进 SKILL.md；细节清单进 references/；要重复跑的代码进 scripts/。同一份信息只放一处，不要重复。
课堂练习 · 归类（示例）
「审查设计的五步流程」→ SKILL.md 正文
「效度威胁完整清单」→ references/validity-threats.md
「信效度检验 R 代码」→ scripts/reliability-check.R
怎么做：生成标准化的目录结构——带正确 YAML 头部的 SKILL.md 模板和三个资源目录。这步是纯体力活，直接让 AI 执行即可。
课堂练习 · 你可以这样对 AI 说
「帮我初始化一个名为 research-design-reviewer 的 skill 骨架，用于审查管理学研究设计。」
怎么做：先写 references（把你的方法材料整理成清单和决策树），再写 SKILL.md 正文。两个写作要点：description 当触发器写；区分死规矩与活判断。下一节有正反对照示例。
课堂练习
从一门课的课件里，整理出一张「方法选择决策树」放进 references，再在 SKILL.md 里写明"何时去读它"。
怎么做：运行打包脚本，它会自动校验格式（头部字段、目录结构、描述完整性），校验通过后生成一个 .skill 文件——本质是一个 zip 包，可以分发和复用。
课堂练习
校验报错时不要绕过去，按提示修正头部或结构，重新打包直到通过。
怎么做：把 Skill 用在真实科研任务上，记录每一次不满意的输出（bad case），归因后回去改 SKILL.md 或 references，再测。Skill 是在使用中长出来的，不是一次设计出来的。
课堂练习
先用最小可用版完成 5 次真实任务，把最痛的一个问题改掉——然后再用 5 次。
04
写作两个要点（正反对照）
STEP 4 的两个关键决策，直接决定 Skill 好不好用。每组先看反例，再看正例。
要点一 · description 是触发器
它决定 AI 什么时候"想起"用你的 Skill。要同时写清「这是什么」和「什么情况该用」。
✗ 反例
只写"是什么"
description：「一个研究方法工具」
后果：AI 根本不知道什么场景该调用它，Skill 形同虚设。
✓ 正例
"是什么" + "何时用"
description：「按管理学/信息系统学科标准审查研究设计、选择统计方法、撰写方法章节。当用户要求审查研究设计、比较统计方法、撰写或修改论文方法章节时使用。」
效果：场景一说出口，Skill 自动触发。
要点二 · 区分死规矩与活判断
必须遵守的写成强制指令；需要情境判断的写成启发式指引。两者混着写，Skill 要么僵化、要么形同虚设。
死规矩 · 强制指令
没有商量余地的标准
「必须报告量表信度系数」
「先检查前提假设，再运行模型」
活判断 · 启发式
依赖情境的专业判断
「根据数据类型与理论贡献，建议合适的方法组合」
- 全写成死规矩 → Skill 僵化，漏掉需要情境判断的问题；全写成建议 → 等于没写。
05
第三方 Skill：能用，先过三关
网上能找到别人做好的 Skill。可以用，但装上之前先过这三关。
关 1
通读全文
Skill 的本质是写给 AI 的指令，会实实在在改变 AI 的行为。花十分钟读完，排查与你的需求冲突的规矩，以及引导数据外发等可疑指令。
关 2
检查撞车
第三方 Skill 若与你自建的覆盖同一领域，行为会互相干扰。你自己的 Skill 优先级更高——想清楚让谁说了算。
关 3
小任务试用
拿一个你已知道正确答案的任务测它，确认输出真的比裸 AI 更好，再让它上岗处理真实科研任务。
定位建议 POSITIONING
通用学术 Skill（文献综述、润色类）可以打底；但管理 / IS 学科对因果识别的严苛要求、对共同方法偏差的执念是高度专用的——核心方法论标准必须自建，这正是你手里材料的价值。
06
怎么确保好用？当作量表做效度检验
用你最熟悉的测量框架来验收 Skill。点击卡片勾选你已建成的一道道"防线"。
建金标准测试集内容效度
收集 5~10 个你知道好答案是什么的真实任务。例：5 份研究设计草稿，其中 2 份有内生性缺陷、1 份有测量问题。每次改 Skill 都跑一遍，防止改好 A 场景、弄坏 B 场景。
做对照测试校标效度
同一任务跑两遍：裸 AI 一遍、带 Skill 的 AI 一遍。差异必须正好是你要固化的那套方法论标准。没差异 → 指令太泛；更差 → 死规矩写太多。
Bad case 归因迭代修复
没说清 → 补指令；材料缺 → 补 references；指令矛盾 → 删减或拆分（一个 Skill 只干一件事）；AI 能力边界 → 写边界声明，如「因果识别建议仅供参考，需人工判断」。
用 5 次，改 1 次迭代节奏
不追求一次完美：先做一个最小可用版（哪怕只有一页核心清单）→ 真实科研中用 5 次 → 改掉最痛的点 → 再用 5 次。
07
课后行动
回到你的书桌前，回答这四个问题，你的第一个 Skill 就可以开工了。
- 你手头哪份材料，最适合做你的第一个 Skill 的 references？
- 写出你会真实使用的 3 个触发场景（越具体越好）。
- 你的学科里，哪些是必须写死的规矩，哪些必须留给情境判断？
- 你的「金标准测试集」里，前 5 个任务是什么？
本课要点 TAKEAWAY
Skill 不是设计出来的，是在使用中长出来的。先做一个最小可用版，让它在你的真实科研里长大。