BC topic-modeling
Задает и диагностирует структурные тематические модели для текстовых данных опросов и экспериментов — выбор между STM, LDA и BERTopic, решения по предварительной обработке и их последствия, формулы распространенности и содержания со спектральной инициализацией и заданным seed, выбор количества тем по семантической согласованности, эксклюзивности и FREX, скрытой правдоподобности и остаткам вместо одной метрики, интерпретация и валидация на репрезентативных документах, проверки устойчивости и отчетность в соответствии с DA-RT. Используйте, когда у пользователя есть открытые ответы или другой корпус, и он спрашивает, какие темы в нем есть, сколько тем использовать, о STM, searchK, coherence или FREX, или хочет сравнить распространенность тем между группами лечения или странами. Кодирование по фиксированному кодексу относится к классификации текстов.
машинный переводПоказать оригиналСкрыть оригинал«Specifies and diagnoses structural topic models for survey and experim…»
Specifies and diagnoses structural topic models for survey and experimental text — choosing among STM, LDA, and BERTopic, preprocessing decisions and their consequences, prevalence and content formulas with spectral initialization and a recorded seed, selecting the topic count across semantic coherence, exclusivity and FREX, held-out likelihood, and residuals rather than one metric, interpretation and validation against representative documents, robustness checks, and DA-RT-compliant reporting. Use when the user has open-ended responses or another corpus and asks what topics are in it, asks how many topics to use, asks about STM, searchK, coherence, or FREX, or wants topic prevalence compared across treatment arms or countries. Coding against a fixed codebook goes to text-classification.
Задает и диагностирует структурные тематические модели для текстовых данных опросов и экспериментов — выбор между STM, LDA и BERTopic, решения по…
Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 59/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 48
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3645 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 798 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 11 заголовков
- +3Пошаговые инструкции: 48 пунктов
- +4Есть примеры (1 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.