Analisador de Matriz de Lacunas
Motor de deteção de 9 agentes + análise geom.
Analisador de Matriz de Lacunas
Motor de deteção de 9 agentes + análise geom.
Pré-visualização
Descrição
Deteta, classifica e justifica lacunas na literatura em 9 dimensões usando semelhança semântica e análise de geometria de lacunas. Transforma uma pergunta de investigação e 10–50 resumos num relatório académico estruturado com pontuações de confiança, matriz de geometria de lacunas, grafo de relações, estratégias de preenchimento e modelos de frases prontos para publicação. Passo: 2 etapas (Geometria de Lacunas + Análise Profunda) Subagente: 9 (6 deteção + 3 síntese) Ponto de Controlo: Adaptativo — 1 para ≤20 resumos, 2 para >20 resumos Idioma: Inglês Componentes da estrutura da skill: A metáfora da ponte — a formulação matemática X ≠ Y mas X ≈ Y Geometria de lacunas de 4 regiões (Redundância / Região de Lacuna / Lacuna Oculta / Irrelevante) Arquitetura de 9 subagentes — Contexto, Método, Variável, Teoria, Tempo, Descoberta, Lacuna Semântica, Lacuna de Composição, Lacuna de Dependência Grafo de relações — similar_to, belong_to, compose_with, depend_on Calibração de limiar por disciplina — ciências sociais (0.60), engenharia (0.70), padrão (0.65) Conjunto de regras para elementos a incluir ou excluir (5+5) Seleção baseada na pontuação de confiança — limiar de 70%+, máximo de 3 lacunas Texto de amostra pronto para publicação — claramente marcado como gerado por IA Ponto de verificação adaptativo — mecanismo de aprovação que se ajusta automaticamente com base no número de resumos
Habilidades relacionadas
Ver tudo
InvestigaçãoEncontrar temas e lacunas
Sugere temas de investigação originais e viáveis e lacunas na sua área de interesse, com base no conhecimento da literatura; fornece um rascunho da pergunta de investigação e uma nota de viabilidade para cada um. Para quem se destina: estudantes de pós-graduação e investigadores que procuram um tema para uma tese ou artigo.
InvestigaçãoRedator Bibliométrico
Converte os dados brutos obtidos a partir dos resultados do VOSviewer ou do Biblioshiny (Bibliometrix/R) — frequências de palavras-chave, clusters de redes de citações, tendências anuais de publicação e distribuição por país, instituição ou revista — em texto académico interpretado e pronto para publicação. Utiliza um tom académico que descreve a evolução da literatura, em vez de repetir números brutos, e evita afirmações causais especulativas. Adequado para: investigadores que estão a redigir uma tese ou artigo e precisam de uma secção de análise bibliométrica, mas têm dificuldade em transformar dados brutos em linguagem académica. Utilização: cole diretamente a sua lista de clusters/palavras-chave do VOSviewer ou a tabela-resumo do Biblioshiny; a skill atribui nomes temáticos e interpreta os clusters de palavras-chave, além de avaliar a rede de citações e o padrão de colaboração entre países.
InvestigaçãoRedator de Meta-análise
Produz um texto completo de Métodos + Resultados + Limitações, em conformidade com o PRISMA 2020 e o Cochrane Handbook, a partir das estatísticas da sua meta-análise (tamanho do efeito combinado, I², Q, tau² e indicadores de viés de publicação). Nunca interpreta incorretamente o valor de I², incluindo a formulação sobre a «percentagem da variância», e evita uma linguagem causal exagerada, usando formulações cautelosas como «os resultados são consistentes com...» em vez de «as evidências demonstram que». No final, apresenta também pelo menos 3 perguntas que um revisor poderá fazer, acompanhadas de frases de defesa. Adequado para: investigadores que escrevem um artigo de meta-análise e pretendem reforçar a secção de métodos antes da submissão a uma revista. O que não faz: não efetua cálculos estatísticos a partir de dados brutos (já deve ter os resultados do R/RevMan/CMA) — apenas converte e interpreta os seus resultados em texto académico.
Informações
- Versão
- v2
- Última atualização
- Créditos por execução
- Conforme a utilização
- Modelos
- Automático
