前言¶
审稿或复现时，人工通读全文里的均值、标准差和 p 值，很难系统排查末位分布、固定差、跨表不一致等统计层面的疑点。常见做法是凭经验挑几列手算，覆盖面有限，也缺少统一报告格式。
下面介绍 SkillHub 社区 Skill「论文数据造假检测器」（@user_a95aac1d/research-fakedata，当前版本 v1.3.3）。它接受学术论文 PDF 或 CSV/Excel 表格，抽取数值表与正文中的统计表述，对数据跑一批既定统计检测器，并生成 HTML 造假嫌疑报告。定位是「只报告统计层级的可量化异常」，不做主观定性。
这是什么¶
一句话：面向学术稿件的数据异常筛查 Skill，输入 PDF 或表格文件，输出 HTML 报告。
- 坐标：
@user_a95aac1d/research-fakedata - 来源：SkillHub 社区（
community），分类为professional - 维护：发布者
user_a95aac1d（SkillHub 页面标注为「普通AI星球作者」） - 依赖：标签标明
requires_api_key=false，无需额外 API Key
官方页面：SkillHub - 论文数据造假检测器
核心功能¶
根据 SkillHub 简介与已核实元数据，当前 v1.3.3 能力如下。
输入
- 学术论文 PDF
- 数据表格文件（CSV / Excel）
处理流程（Skill 侧）
- 从 PDF 或表格中提取数值表格
- 从正文中提取与统计相关的表述（如报告中的统计结果）
- 对抽取结果运行 11 种统计检测器
检测器类型（官方列举）
末位卡方、固定差、固定比、等差、小数位重复、取整、本福特、重复列、跨表、GRIM、statcheck p 值复算。
输出
HTML 格式的造假嫌疑报告，汇总各检测器发现的统计层级异常。
适用触发语（Skill 自带说明）
在 Agent 中可在需要「检查论文数据造假嫌疑」「检测 PDF 数据异常」或「学术审稿」相关任务时启用该 Skill。
安装与启用¶
安装方式以 SkillHub 官方安装文档为准。页面写明：请根据 SkillHub 安装与优先源配置 安装 @user_a95aac1d/research-fakedata。
1. 检查或安装 skillhub CLI¶
先确认本机是否已有 skillhub：
command -v skillhub && skillhub --version
若未安装，可按官方文档执行完整安装（含 CLI 与默认 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
仅需 CLI 时：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
2. 安装到当前 Agent 的 skills 目录¶
官方强调：安装时必须用 --dir 指向当前 Agent 识别的 skills 目录，否则默认落在 ./skills/，Agent 可能读不到。
skillhub install @user_a95aac1d/research-fakedata --dir <skills 目录>
常用路径（摘自 SkillHub 安装文档）：
| 环境 | skills 目录 |
|---|---|
| Cursor | ~/.cursor/skills/ |
| Claude Code | ~/.claude/skills/ |
| Codex | ~/.codex/skills/ 或项目下的 .agents/skills/ |
以 Cursor 为例：
skillhub install @user_a95aac1d/research-fakedata --dir ~/.cursor/skills/
安装完成后，按你所用客户端的要求重启或刷新 Agent，使 Skill 被加载。
典型用法¶
本 Skill 遵循通用 SKILL.md 格式，具体脚本与参数以安装包内 Skill 说明为准。结合官方简介，可复现的工作流如下。
- 在支持 Skills 的 Agent（如 Cursor）中确认已安装
@user_a95aac1d/research-fakedata。 - 在对话中提供待检材料：论文 PDF，或已整理好的 CSV/Excel 数据表。
- 明确任务意图，例如：对文中表格与统计报告做造假嫌疑筛查，并生成 HTML 报告。
- Agent 按 Skill 指引完成表格抽取、运行 11 类检测器，将 HTML 报告作为输出；在本地打开该 HTML 查看各检测项与嫌疑说明。
全程由 Skill 定义检测逻辑；Agent 负责调用 Skill、传递文件路径与用户需求，不替代检测器做「定性结论」。
适用场景与注意¶
适合谁
- 需要初筛稿件数据一致性的审稿人、编辑或合作者
- 复现他人论文前，想快速看表格与报告统计是否存在常见统计异常模式的研究者
- 在 Agent 工作流里把「PDF/表格 → 结构化检测 → HTML 报告」串成一步的团队
边界与限制
- 报告的是统计异常，不是司法级认定。Skill 自述「不猜、不算命」，异常项需结合学科背景与原始实验记录人工判断。
- 抽取质量依赖 PDF 与版式。扫描版、复杂排版或表格识别失败时，检测覆盖面会下降；若已有干净表格，优先提供 CSV/Excel 往往更稳。
- 版本以 SkillHub 为准。撰写时核对为 v1.3.3，检测器列表含 GRIM 与 statcheck；若你本地版本不同，以安装包内
SKILL.md与 SkillHub 页面说明为准。 - 无需 API Key 仅表示 Skill 元数据未要求额外密钥；本机仍需能运行 Agent 及 Skill 所依赖的运行环境（以 Skill 包内文档为准）。
SkillHub 侧公开数据（供选型参考）：分类 professional，评分 100000，下载 4491 次（统计随平台更新而变化）。
结尾¶
「论文数据造假检测器」把多篇方法论文里常见的数值异常检测收成一条 Agent Skill：统一输入 PDF 或表格，统一跑 11 类检测器，统一输出 HTML 报告，适合作为学术审稿与复现前的统计层筛查步骤。
- SkillHub 页面：https://www.skillhub.cn/skills/user_a95aac1d/research-fakedata
- API 元数据地址：https://api.skillhub.cn/user_a95aac1d/research-fakedata
- 安装说明：https://skillhub.cn/install/skillhub.md
