前言¶
審稿或復現時，人工通讀全文裏的均值、標準差和 p 值，很難系統排查末位分佈、固定差、跨表不一致等統計層面的疑點。常見做法是憑經驗挑幾列手算，覆蓋面有限，也缺少統一報告格式。
下面介紹 SkillHub 社區 Skill「論文數據造假檢測器」（@user_a95aac1d/research-fakedata，當前版本 v1.3.3）。它接受學術論文 PDF 或 CSV/Excel 表格，抽取數值表與正文中的統計表述，對數據跑一批既定統計檢測器，並生成 HTML 造假嫌疑報告。定位是「只報告統計層級的可量化異常」，不做主觀定性。
這是什麼¶
一句話：面向學術稿件的數據異常篩查 Skill，輸入 PDF 或表格文件，輸出 HTML 報告。
- 座標：
@user_a95aac1d/research-fakedata - 來源：SkillHub 社區（
community），分類爲professional - 維護：發佈者
user_a95aac1d（SkillHub 頁面標註爲「普通AI星球作者」） - 依賴：標籤標明
requires_api_key=false，無需額外 API Key
官方頁面：SkillHub - 論文數據造假檢測器
核心功能¶
根據 SkillHub 簡介與已覈實元數據，當前 v1.3.3 能力如下。
輸入
- 學術論文 PDF
- 數據表格文件（CSV / Excel）
處理流程（Skill 側）
- 從 PDF 或表格中提取數值表格
- 從正文中提取與統計相關的表述（如報告中的統計結果）
- 對抽取結果運行 11 種統計檢測器
檢測器類型（官方列舉）
末位卡方、固定差、固定比、等差、小數位重複、取整、本福特、重複列、跨表、GRIM、statcheck p 值復算。
輸出
HTML 格式的造假嫌疑報告，彙總各檢測器發現的統計層級異常。
適用觸發語（Skill 自帶說明）
在 Agent 中可在需要「檢查論文數據造假嫌疑」「檢測 PDF 數據異常」或「學術審稿」相關任務時啓用該 Skill。
安裝與啓用¶
安裝方式以 SkillHub 官方安裝文檔爲準。頁面寫明：請根據 SkillHub 安裝與優先源配置 安裝 @user_a95aac1d/research-fakedata。
1. 檢查或安裝 skillhub CLI¶
先確認本機是否已有 skillhub：
command -v skillhub && skillhub --version
若未安裝，可按官方文檔執行完整安裝（含 CLI 與默認 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
僅需 CLI 時：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
2. 安裝到當前 Agent 的 skills 目錄¶
官方強調：安裝時必須用 --dir 指向當前 Agent 識別的 skills 目錄，否則默認落在 ./skills/，Agent 可能讀不到。
skillhub install @user_a95aac1d/research-fakedata --dir <skills 目錄>
常用路徑（摘自 SkillHub 安裝文檔）：
| 環境 | skills 目錄 |
|---|---|
| Cursor | ~/.cursor/skills/ |
| Claude Code | ~/.claude/skills/ |
| Codex | ~/.codex/skills/ 或項目下的 .agents/skills/ |
以 Cursor 爲例：
skillhub install @user_a95aac1d/research-fakedata --dir ~/.cursor/skills/
安裝完成後，按你所用客戶端的要求重啓或刷新 Agent，使 Skill 被加載。
典型用法¶
本 Skill 遵循通用 SKILL.md 格式，具體腳本與參數以安裝包內 Skill 說明爲準。結合官方簡介，可復現的工作流如下。
- 在支持 Skills 的 Agent（如 Cursor）中確認已安裝
@user_a95aac1d/research-fakedata。 - 在對話中提供待檢材料：論文 PDF，或已整理好的 CSV/Excel 數據表。
- 明確任務意圖，例如：對文中表格與統計報告做造假嫌疑篩查，並生成 HTML 報告。
- Agent 按 Skill 指引完成表格抽取、運行 11 類檢測器，將 HTML 報告作爲輸出；在本地打開該 HTML 查看各檢測項與嫌疑說明。
全程由 Skill 定義檢測邏輯；Agent 負責調用 Skill、傳遞文件路徑與用戶需求，不替代檢測器做「定性結論」。
適用場景與注意¶
適合誰
- 需要初篩稿件數據一致性的審稿人、編輯或合作者
- 復現他人論文前，想快速看錶格與報告統計是否存在常見統計異常模式的研究者
- 在 Agent 工作流裏把「PDF/表格 → 結構化檢測 → HTML 報告」串成一步的團隊
邊界與限制
- 報告的是統計異常，不是司法級認定。Skill 自述「不猜、不算命」，異常項需結合學科背景與原始實驗記錄人工判斷。
- 抽取質量依賴 PDF 與版式。掃描版、複雜排版或表格識別失敗時，檢測覆蓋面會下降；若已有乾淨表格，優先提供 CSV/Excel 往往更穩。
- 版本以 SkillHub 爲準。撰寫時覈對爲 v1.3.3，檢測器列表含 GRIM 與 statcheck；若你本地版本不同，以安裝包內
SKILL.md與 SkillHub 頁面說明爲準。 - 無需 API Key 僅表示 Skill 元數據未要求額外密鑰；本機仍需能運行 Agent 及 Skill 所依賴的運行環境（以 Skill 包內文檔爲準）。
SkillHub 側公開數據（供選型參考）：分類 professional，評分 100000，下載 4491 次（統計隨平臺更新而變化）。
結尾¶
「論文數據造假檢測器」把多篇方法論文裏常見的數值異常檢測收成一條 Agent Skill：統一輸入 PDF 或表格，統一跑 11 類檢測器，統一輸出 HTML 報告，適合作爲學術審稿與復現前的統計層篩查步驟。
- SkillHub 頁面：https://www.skillhub.cn/skills/user_a95aac1d/research-fakedata
- API 元數據地址：https://api.skillhub.cn/user_a95aac1d/research-fakedata
- 安裝說明：https://skillhub.cn/install/skillhub.md
