Audit approfondi de rapport
Auditez données, logique et cohérence
Audit approfondi de rapport
Auditez données, logique et cohérence
Aperçu
Description
Audit approfondi de rapports et de propositions. À utiliser lorsque l’utilisateur importe un rapport (Word, PDF ou PPT) et demande de « l’examiner », de réaliser un « audit approfondi », d’« identifier les problèmes », de vérifier si le rapport est satisfaisant ou prêt à être remis, de faire une dernière vérification ou d’évaluer un rapport. Le rapport est traité comme un livrable officiel destiné à un client ou à un dirigeant, avec un audit selon neuf dimensions et une double évaluation (score de qualité × nature des corrections à apporter). Tous les supports contenant des données sont obligatoirement extraits, y compris les graphiques intégrés. Une première version décisionnelle des conclusions d’audit est fournie, puis la version complète est développée après confirmation.
Compétences associées
Tout voir
Rapport de clôture Pro
【Indispensable pour la saison de clôture】 Préparez un rapport de clôture de haute qualité en 3 heures, fini les retours ! 🔥 Avez-vous déjà rencontré ces problèmes ? → Date limite de clôture approchant, vous ne savez pas par où commencer avec des années de données de recherche → Vous découvrez après coup que vous avez oublié la comparaison des indicateurs d'évaluation et l'explication du taux d'exécution budgétaire → Vous voulez créer des graphiques professionnels pour présenter vos résultats, mais vous ne maîtrisez pas les outils complexes → Le rapport généré sent l'IA, vous craignez que les experts évaluateurs le remarquent ✅ Ce skill résout tous ces problèmes en une seule fois : 【Point fort 1】 Processus structuré en 8 étapes × mécanisme de Checkpoint De la collecte d'informations à la version finale, chaque étape comporte des consignes claires et des points de validation. Les problèmes sont interceptés dès qu'ils surviennent, pas lors de la relecture finale. Couvre tous les scénarios : nationaux, provinciaux, universitaires. 【Point fort 2】 6 types de graphiques professionnels générés en un clic Intègre des sous-skills générateurs de nuages de mots, graphiques à barres, courbes, etc. (sans frais supplémentaires). L'IA recommande intelligemment le type de graphique le plus adapté, généré en 30 secondes, permettant aux experts de comprendre vos résultats en un coup d'œil. 【Point fort 3】 Optimisation exclusive « anti-odeur d'IA » Détection des traces d'IA en 4 dimensions + 3 niveaux d'optimisation (conservateur/moyen/agressif). Remplace les formules creuses par des expressions plus concrètes et plus profondes. Le rapport optimisé est non seulement plus naturel, mais aussi plus dense en informations et plus convaincant. 📩 Envoyez vos retours et suggestions à : 1329806797@qq.com Il ne s'agit pas de vous « écrire » un rapport, mais de vous aider à « bien faire » tout le processus de clôture.
Optimisation de prop. PRO V2.0
🎯 Présentation des fonctionnalités principales Il s'agit d'un système intelligent d'évaluation et d'optimisation conçu spécifiquement pour les propositions de projets CNSF, MEN et provinciaux. Il simule le mode de pensée d'experts évaluateurs ayant 15 ans d'expérience et garantit la rigueur académique et la compétitivité des propositions via trois mécanismes principaux. 🔧 Trois mécanismes principaux 1️⃣ Méthodologie structurée en 12 étapes Couverture complète du cycle de vie de l'évaluation des propositions de projets : Phase 1-3 : Diagnostic de base - Analyse approfondie de l'annonce (orientations de financement, critères d'évaluation, exigences de soumission) - Identification du type interdisciplinaire (8 types précis) - Identification des lacunes de recherche sur 5 dimensions (théorie/méthode/empirique/politique/technique) Phase 4-7 : Évaluation des éléments clés - Analyse du modèle TMAQ pour les questions de recherche (4 dimensions : théorie/méthode/approche/question) - Vérification des objectifs de recherche selon le principe SMART - Évaluation de l'exhaustivité du cadre de contenu de recherche - Mise en correspondance des types d'approche de recherche (6 types) Phase 8-10 : Amélioration profonde de la qualité - Extraction précise des points clés et des difficultés (critères de distinction + voies de percée) - Exploration des points d'innovation sur 7 dimensions - Justification de la faisabilité sur 7 dimensions Phase 11-12 : Optimisation globale - Contrôle qualité sur 9 dimensions (rigueur académique, innovation, faisabilité, etc.) - Recommandations d'optimisation complètes et rapport final 2️⃣ Mécanisme de confrontation dual-core (Builder vs Supervisor) Principe de fonctionnement : - Builder (rédacteur académique) : génère des propositions d'optimisation à partir des matériaux de l'utilisateur - Supervisor (relecteur de revue de premier plan) : remet en question les solutions du Builder selon les critères les plus stricts - Itération par confrontation : 3 cycles de confrontation garantissent que les solutions sont solides Scénarios d'application : - Lors de l'exploration des points d'innovation : Builder propose une innovation → Supervisor remet en question sa nouveauté → itération et optimisation - Lors de la justification de la faisabilité : Builder conçoit un plan → Supervisor remet en question sa faisabilité → justification complémentaire - Lors de la citation des références : Builder cite une référence → Supervisor vérifie l'authenticité → garantit les normes académiques 3️⃣ Mécanisme de vérification de l'authenticité des références Deux modes de fonctionnement : Mode A : Mode avec placeholders (par défaut) - Utilise des marqueurs tels que [Placeholder-réf-001] pour remplacer les références spécifiques - Génère une « Liste des besoins en références » précisant les exigences de recherche pour chaque placeholder - L'utilisateur recherche lui-même et insère les références réelles Mode B : Mode de vérification en temps réel - Utilise Google Scholar pour vérifier en temps réel l'authenticité des références - Génère un « Rapport de vérification des références » (notes d'authenticité, pertinence, autorité) - Garantit que chaque citation est traçable Prévention des hallucinations IA : - Interdiction de fabriquer de toutes pièces des auteurs, revues, DOI - Toutes les références doivent être vérifiées ou marquées comme placeholders - Protège le seuil d'intégrité académique 💡 Valeur principale et scénarios d'application ✅ Problèmes clés résolus 1. Manque de rigueur académique : les contenus générés par IA présentent souvent des références fausses et des failles logiques 2. Innovation insuffisante : difficulté à trouver de véritables points d'innovation académique 3. Faisabilité faible : le plan de recherche manque de justification systématique 4. Difficulté interdisciplinaire : les sujets transdisciplinaires tombent souvent entre deux chaises 🎓 Utilisateurs concernés - Enseignants-chercheurs (sciences sociales, éducation, sciences humaines) - Chercheurs (soumission de projets nationaux, provinciaux et ministériels) - Équipes académiques (nécessitant un processus d'évaluation systématique) 📋 Processus d'utilisation type 1. Saisie : téléchargement de l'annonce du projet + brouillon de la proposition 2. Évaluation : le système effectue une analyse structurée en 12 étapes 3. Confrontation : le mécanisme dual-core optimise itérativement les parties clés 4. Vérification : contrôle de l'authenticité des références 5. Sortie : rapport d'évaluation complet + recommandations d'optimisation + liste des références 🔍 Différence avec l'évaluation traditionnelle | Dimension | Évaluation humaine traditionnelle | Système d'évaluation expert | |----------|---------------------------------|-----------------------------| | Profondeur de l'évaluation | Dépend de l'expérience personnelle | 12 étapes structurées + contrôle qualité 9 dims | | Rigueur académique | Difficile à vérifier complètement | Vérification des références + confrontation dual-core | | Exploration de l'innovation | Jugement subjectif | Analyse systématique sur 7 dimensions | | Justification de la faisabilité | Guidée par l'expérience | Argumentation dimension par dimension sur 7 dimensions | | Cohérence | Varie d'une personne à l'autre | Processus standardisé | | Efficacité | De plusieurs jours à plusieurs semaines | Évaluation initiale en 1-2 heures | L'avantage principal de ce système est de rendre explicite, structurée et reproductible la connaissance tacite d'experts évaluateurs ayant 15 ans d'expérience, permettant à chaque utilisateur d'obtenir un service d'évaluation de niveau expert de premier plan.
Expert qualité IA manuels
📚 Expert qualité IA manuels — Analyse multidimensionnelle pour des manuels IA dignes de révision Les manuels rédigés avec l'aide de l'IA souffrent de cinq défauts courants : erreurs de connaissance difficiles à repérer, conception pédagogique sans sensation de salle de classe, beaucoup de « phrases vides mais correctes », modélisation qui semble générée par machine, et contenu obscur que les étudiants abandonnent. Ce système effectue une vérification approfondie sur cinq dimensions, chapitre par chapitre, en examinant chaque chapitre sous quatre angles : expert disciplinaire, concepteur pédagogique, vérificateur de faits et analyste stylistique. Il fournit des scores quantitatifs et des suggestions de modification directement remplaçables. Cinq dimensions : 📐 Précision des connaissances — Vérification et correction des concepts, modèles et données un par un, chaque erreur est annotée avec sa source. 🎯 Conception pédagogique — Courbe de difficulté, prérequis, enchaînement des chapitres, examinés comme un enseignant expérimenté. 💎 Substance du contenu — Détection des « phrases vides mais correctes », calcul de l'apport réel d'information de chaque section. 🤖 Détection du style IA — Normes spécifiques aux manuels pour distinguer une écriture naturelle des modèles typiques de l'IA. 📖 Lisibilité — Rythme des paragraphes, densité de jargon, évaluation de la fluidité de lecture pour les étudiants. Fonctionnalités clés : 🔗 Cohérence inter-chapitres — Génération automatique d'un dossier de connaissances, détection des contradictions conceptuelles, incohérences terminologiques et définitions redondantes. 🔄 Itération en boucle — Soumettez à nouveau après modification, suivi automatique des améliorations, des problèmes persistants et des nouveaux problèmes. 📊 Rapports hiérarchiques — Consultez d'abord un score global et les 3 principaux problèmes, puis développez une analyse section par section selon vos besoins. 🎤 Ton incisif — Pas de langage poli : si une définition est erronée, le système le dit clairement, chaque critique est accompagnée d'une référence de modification. Application : Manuels de premier cycle et de cycles supérieurs rédigés avec l'aide de l'IA, monographies académiques, supports de cours. La version actuelle est optimisée pour les manuels de premier cycle, mais convient également aux cycles supérieurs. Collez un chapitre → obtenez un score → modifiez ciblé → retestez, jusqu'à ce que la qualité soit satisfaisante.
Informations
- Version
- v4
- Dernière mise à jour
- Crédits par exécution
- Selon l’utilisation
- Modèles
- Automatique
