Bericht gründlich prüfen
Daten, Logik und Konsistenz vor Abgabe prüfen
Bericht gründlich prüfen
Daten, Logik und Konsistenz vor Abgabe prüfen
Einblicke
Beschreibung
Bericht / Konzept gründlich prüfen. Verwende diese Skill, wenn der Nutzer einen Bericht (Word, PDF, PPT) hochlädt und darum bittet, ihn zu „prüfen“, „gründlich zu prüfen“, „auf Schwachstellen zu untersuchen“, zu beurteilen, ob der Bericht in Ordnung ist oder abgegeben werden kann, die finale Fassung abzusichern oder einen Prüfbericht zu bewerten. Behandle den Bericht als formelles Ergebnis, das einem Auftraggeber oder einer Führungskraft vorgelegt werden soll, und prüfe ihn anhand von neun Dimensionen mit einer Beurteilung auf zwei Achsen (Qualitätsbewertung × Art der Überarbeitung). Extrahiere zwingend alle Datenträger, einschließlich eingebetteter Diagramme. Erstelle in der ersten Runde eine entscheidungsorientierte Prüfzusammenfassung und arbeite nach der Bestätigung die vollständige Version aus.
Ähnliche Fähigkeiten
Alle anzeigen
Längsschnittbericht Pro
【Unverzichtbar für die Abschlussberichts-Saison】Erstellen Sie in 3 Stunden einen hochwertigen Abschlussbericht und vermeiden Sie Zurückweisungen! 🔥 Kennen Sie diese Probleme auch? → Die Abgabefrist rückt näher und Sie wissen nicht, wo Sie mit den Jahren an Forschungsmaterial beginnen sollen. → Erst nach dem Schreiben stellen Sie fest, dass Sie den Abgleich der Bewertungsindikatoren und die Erklärung der Mittelverwendungsrate vergessen haben. → Sie möchten professionelle Diagramme zur Darstellung Ihrer Ergebnisse, aber Sie können keine komplexen Tools verwenden. → Der generierte Bericht riecht nach "KI" und Sie befürchten, dass die Gutachter es bemerken. ✅ Dieses Skill löst alle Ihre Probleme auf einmal: 【Highlight 1】8-stufiger strukturierter Prozess × Checkpoint-Mechanismus Von der Datenerfassung bis zur endgültigen Fertigstellung bietet jeder Schritt klare Anleitungen und Bestätigungen. Probleme werden bereits in der Entstehungsphase abgefangen, nicht erst im Endbericht. Deckt alle Szenarien ab: nationale, provinzielle und universitäre Projekte. 【Highlight 2】6 professionelle Diagramme mit einem Klick Enthält mehrere Sub-Skill-Generatoren für Wortwolken, Balkendiagramme, Liniendiagramme und mehr (ohne zusätzliche Kosten). Die KI empfiehlt intelligent den am besten geeigneten Diagrammtyp, generiert in 30 Sekunden ein Diagramm, damit Gutachter Ihre Ergebnisse auf einen Blick verstehen. 【Highlight 3】Exklusive "Ent-KI"-Optimierung Vierdimensionale KI-Spurenerkennung + drei Optimierungsstufen (konservativ/mittel/aggressiv). Ersetzen Sie leere Phrasen durch spezifischere, tiefgründigere Ausdrücke. Der optimierte Bericht ist nicht nur natürlicher, sondern auch informationsdichter und überzeugender. 📩 Feedback/Vorschläge bitte an: 1329806797@qq.com Es geht nicht darum, Ihnen den Bericht zu "schreiben", sondern Ihnen zu helfen, den gesamten Abschlussprozess richtig zu machen.
Antragsoptimierung PRO V2.0
🎯 Überblick über die Kernfunktionen Dies ist ein intelligentes Bewertungs- und Optimierungssystem, das speziell für die Beantragung von nationalen Sozialwissenschafts-, Bildungsministeriums- und Provinzprojekten entwickelt wurde. Es simuliert die Denkweise eines erfahrenen Gutachters mit 15 Jahren Erfahrung und gewährleistet durch drei Kernmechanismen die akademische Strenge und Wettbewerbsfähigkeit des Antrags. 🔧 Drei Kernmechanismen 1️⃣ 12-stufige strukturierte Methodik Die gesamte Bewertung eines Projektantrags wird in 12 Schritten abgedeckt: Phase 1-3: Basisdiagnose - Detaillierte Analyse der Ausschreibung (Förderschwerpunkte, Bewertungskriterien, Anforderungen) - Identifizierung des interdisziplinären Typs (8 Typen präzise erkennbar) - Forschungslücke in 5 Dimensionen identifizieren (Theorie/Methode/Empirie/Policy/Technik) Phase 4-7: Bewertung der Kernelemente - Analyse der Forschungsfrage nach dem TMAQ-Modell (Theorie, Methode, Ansatz, Frage) - Überprüfung der Forschungsziele nach SMART-Prinzipien - Bewertung der Vollständigkeit des Forschungskonzepts - Zuordnung des Forschungstyps (6 Typen) Phase 8-10: Tiefe Qualitätssteigerung - Präzise Identifizierung der Schwerpunkte und Herausforderungen (mit Abgrenzungskriterien und Lösungswegen) - 7-dimensionale Erkundung von Innovationspunkten - 7-dimensionale Durchführbarkeitsbegründung Phase 11-12: Gesamtoptimierung - 9-dimensionale Qualitätskontrolle (akademische Strenge, Innovation, Durchführbarkeit usw.) - Umfassende Optimierungsvorschläge und Abschlussbericht 2️⃣ Dual-Core-Konfrontationsmechanismus (Builder vs. Supervisor) Funktionsweise: - Builder (akademischer Schreiber): Generiert Optimierungsvorschläge auf Basis der Benutzermaterialien - Supervisor (Top-Journal-Gutachter): Stellt die Vorschläge des Builders mit strengsten Maßstäben in Frage - Konfrontationsiteration: Drei Runden der Konfrontation stellen sicher, dass die Vorschläge einer Prüfung standhalten Anwendungsszenarien: - Bei der Identifizierung von Innovationspunkten: Builder schlägt Innovation vor → Supervisor hinterfragt die Neuheit → iterative Optimierung - Bei der Durchführbarkeitsargumentation: Builder entwirft Plan → Supervisor hinterfragt die Durchführbarkeit → ergänzende Argumentation - Bei der Zitation von Literatur: Builder zitiert → Supervisor überprüft die Echtheit → stellt akademische Standards sicher 3️⃣ Literatur-Echtheits-Verifikationsmechanismus Zwei Arbeitsmodi: Modus A: Platzhalter-Modus (Standard) - Verwendung von [Literatur-Platzhalter-001] u.ä. anstelle konkreter Literatur - Ausgabe einer „Literaturanforderungsliste", die die Suchkriterien für jeden Platzhalter festlegt - Der Benutzer sucht selbst und fügt echte Literatur ein Modus B: Echtzeit-Verifikationsmodus - Aufruf von Google Scholar zur Echtzeit-Überprüfung der Literatur - Erstellung eines „Literaturverifikationsberichts" (Bewertung von Echtheit/Relevanz/Autorität) - Sicherstellung, dass jede Zitation nachvollziehbar ist Vermeidung von KI-Halluzinationen: - Keine erfundenen Autoren, Zeitschriften, DOIs - Alle Literatur muss verifiziert oder als Platzhalter markiert sein - Wahrung der akademischen Integrität 💡 Kernwerte und Anwendungsszenarien ✅ Gelöste Kernprobleme 1. Mangelnde akademische Strenge: KI-generierte Inhalte enthalten oft erfundene Literatur, logische Lücken 2. Unzureichende Innovation: Schwierigkeiten, echte akademische Innovationspunkte zu identifizieren 3. Schwache Durchführbarkeit: Forschungspläne entbehren systematischer Argumentation 4. Interdisziplinäre Herausforderungen: interdisziplinäre Themen sind oft „zwischen den Stühlen" 🎓 Zielgruppe - Hochschuldozenten (Sozialwissenschaften, Bildung, Geisteswissenschaften) - Wissenschaftler (Beantragung nationaler, provinzieller Projekte) - Akademische Teams (die systematisierte Bewertungsprozesse benötigen) 📋 Typischer Arbeitsablauf 1. Eingabe: Hochladen der Ausschreibung + Antragsentwurf 2. Bewertung: System führt 12-stufige strukturierte Analyse durch 3. Konfrontation: Dual-Core-Mechanismus optimiert Schlüsselbereiche iterativ 4. Verifikation: Überprüfung der Literatur auf Echtheit 5. Ausgabe: Vollständiger Bewertungsbericht + Optimierungsvorschläge + Literatursammlung 🔍 Vergleich mit herkömmlicher Begutachtung | Dimension | Herkömmliche manuelle Begutachtung | Dieses Gutachtersystem | |-----------|------------------------------------|-------------------------| | Bewertungstiefe | abhängig von persönlicher Erfahrung | 12-stufig strukturiert + 9D-Qualitätskontrolle | | Akademische Strenge | schwer umfassend zu prüfen | Literaturverifikation + Dual-Core-Konfrontation | | Innovationsidentifikation | subjektive Beurteilung | 7-dimensionale systematische Analyse | | Durchführbarkeitsargumentation | erfahrungsgetrieben | 7-dimensionale schrittweise Argumentation | | Konsistenz | variiert von Person zu Person | standardisierter Prozess | | Effizienz | Tage bis Wochen | 1-2 Stunden für erste Bewertung | Der Kernvorteil dieses Systems liegt darin, dass es das implizite Wissen eines erfahrenen Gutachters mit 15 Jahren Erfahrung explizit, strukturiert und reproduzierbar macht, sodass jeder Benutzer eine Bewertung auf Expertenniveau erhält.
KI-Lehrbuch-Qualitätsexperte
📚 KI-Lehrbuch-Qualitätsexperte – Fünfdimensionaler Scan: KI-geschriebene Lehrbücher prüfbar machen KI-gestützte Lehrbücher haben fünf häufige Mängel: Wissensfehler schwer selbst zu erkennen, didaktische Gestaltung ohne Unterrichtsgefühl, viele „richtige Floskeln", schablonenhaft wie von Maschine geschrieben, unverständlich und von Studenten abgelehnt. Dieses System führt für jedes Kapitel eine tiefgehende fünfdimensionale Qualitätsprüfung durch, betrachtet jedes Kapitel aus vier Rollen: Fachwissenschaftler, Instruktionsdesigner, Faktenprüfer, Stilanalyst. Es liefert quantitative Bewertungen und direkt austauschbare Änderungsvorschläge. Fünf Dimensionen: 📐 Wissensgenauigkeit – Konzepte, Modelle, Daten einzeln zurückverfolgen und korrigieren, jede Fehlerquelle markieren 🎯 Instruktionsdesign – Schwierigkeitskurve, Vorwissenaufbau, Kapitelverknüpfung wie ein erfahrener Lehrer bewerten 💎 Inhaltliche Substanz – „Richtige Floskeln" aufdecken, den tatsächlichen Informationszuwachs pro Abschnitt berechnen 🤖 KI-Geruchstest – Lehrbuchspezifische Kriterien, um normale Schreibweise von KI-Vorlagen zu unterscheiden 📖 Lesbarkeit – Absatzrhythmus, Terminologiedichte, bewerten ob Studenten flüssig lesen können Besondere Funktionen: 🔗 Kapitelübergreifende Konsistenz – automatisch Wissensprofil erstellen, Konzeptwidersprüche, Terminologieinkonsistenzen, doppelte Definitionen erkennen 🔄 Closed-Loop-Iteration – nach Überarbeitung erneut einreichen, automatisch Verbesserungen, verbleibende und neue Probleme verfolgen 📊 Gestaffelter Bericht – zuerst Übersichtsbewertung + TOP3-Probleme anzeigen, dann bei Bedarf detaillierte Abschnittsanalyse 🎤 Deutliche Sprache – nichts beschönigen, wenn eine Definition falsch ist, wird es klar gesagt, jede Kritik mit Änderungsvorschlag Anwendung: KI-gestützte Bachelor- und Master-Lehrbücher, akademische Monografien, Vorlesungsskripte. Aktuelle Version für Bachelor-Lehrbücher optimiert, aber auch für Master geeignet. Kapitel einfügen → Bewertung erhalten → gezielt verbessern → erneut prüfen, bis die Qualität stimmt.
Informationen
- Version
- v4
- Zuletzt aktualisiert
- Credits pro Ausführung
- Nach Verbrauch
- Modelle
- Automatisch
