软件下载帮助文档新闻资讯

Skill UI

浏览并发现 19222+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索 Rust ，共找到 22 条记录

默认排序最新上传最多下载

KDD论文结果可复现性指南

kdd-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南为数据挖掘和机器学习领域的学术研究提供了确保结果可复现性的最佳实践。它详细介绍了三层诚实模型（可重跑、可重建、可证明），并提供了从数据采集、预处理到模型配置的全流程披露清单，旨在极大地提升科研报告的严谨度和可信度。

质性研究与多案例分析指南

nbr-qualitative-case

brycewang-stanford/Awesome-Journal-Skills

这是一份针对质性研究和多案例比较的综合性指南。内容涵盖了如何从访谈、档案等资料中归纳理论、设定案例选择逻辑、完成层次编码（开放、主轴、选择），并确保研究的科学严谨性。重点指导如何达到理论饱和，以及通过三角验证、成员核查和审计追踪来提升研究的可信度。

组织科学数据分析与报告规范

orgsci-data-analysis

brycewang-stanford/Awesome-Journal-Skills

本指南为组织科学领域提供了一套全面的数据分析和报告标准。它涵盖了从定性研究的“可信度”构建，到定量研究的模型选择与检验，再到计算和形式模型的透明化报告。目标是确保无论采用何种方法，分析结果都能达到最高级别的学术严谨性和可复现性，支持机制证据的推论。

AI/模式识别实验可复现性指南

prai-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本技能提供了全面的指南，旨在帮助作者确保模式识别和机器学习研究的实验结果具有高度可复现性。它指导用户固定随机种子、锁定软硬件环境、规范数据处理流程，并组织完整的复现材料包，是提升学术结果可靠性和可信度的关键步骤。

元分析纳入与编码规范

psychbull-inclusion-and-coding

brycewang-stanford/Awesome-Journal-Skills

本技能指导在进行元分析时，如何科学、透明地确定研究纳入标准和数据编码流程。它强调预先制定纳入/排除准则、构建详细代码手册、进行双重编码，并计算编码者间信度（如Kappa、ICC），以此确保研究综合结果的可靠性和可重复性。

工业组织经济学顶刊定位指南

rand-journal-of-economics

brycewang-stanford/Awesome-Journal-Skills

本指南专为撰写工业组织、市场结构、监管和反垄断领域的论文设计。它提供了一个严谨的评估框架，帮助作者判断稿件是否达到顶级工业组织期刊的要求。核心关注理论模型的严谨性、实证数据的识别能力以及政策贡献的清晰度。

可视化实验评估与设计指南

vis-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南为撰写高水平学术论文（如IEEE VIS）提供实验设计和评估流程的详细指导。它帮助作者学习如何根据不同的贡献类型（感知、系统、算法等），设计出具有统计学严谨性、可复现性的实验证据。内容包括对照研究设计、功效分析、效果量报告以及颜色可访问性检查，确保研究结论的科学权威性。

开发研究鲁棒性与可信度检查

worlddev-robustness

brycewang-stanford/Awesome-Journal-Skills

本指南为世界发展研究提供了全面、结构化的鲁棒性和可信度检查框架。它指导作者不再仅仅堆砌附表，而是应根据识别出的具体“威胁”（定量）或“挑战”（定性）来组织检查。旨在确保研究发现经受住替代解释的检验，极大地提升学术论文的严谨性和可信度。

学术数据透明与可复现性政策

wp-transparency-and-data-policy

brycewang-stanford/Awesome-Journal-Skills

本指南为学术论文作者提供数据透明度和可复现性的强制要求。它详细介绍了构建完整复制包的过程，包括原始数据、主脚本、随机种子和详细的README文档。其核心目的是确保定量或混合方法研究具有最高的科学严谨性，所有发表的结果都必须可复现和可追溯。

Polars：高性能数据分析框架

sickn33/antigravity-awesome-skills

Polars是一个专为Python和Rust构建的超高性能DataFrame库。它基于Apache Arrow，支持惰性求值（Lazy Evaluation）和并行计算，非常适合构建数据抽取、转换和加载（ETL）管道。它能够高效处理大型数据集，是需要超越Pandas性能瓶颈的数据分析和转换的最佳选择。

语言