القائمة
論文品質の定量的評価スキル。可読性スコア、セクションバランス分析、 語彙多様性、学術語使用率、冗長表現検出、ジャーナル要件適合チェック、 再現可能性チェックを実行する。 「論文の品質をチェックして」「可読性スコアを出して」「投稿前チェック」で発火。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/nahisaho/satori --skill scientific-paper-qualityيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
実験の監査レポート・データ来歴（プロベナンス）生成スキル。 データ変換履歴・使用ツールのバージョン・データ整合性チェックを 含むトレーサビリティレポートを自動生成する。 「監査レポート作成」「データ来歴を記録」「トレーサビリティ」で発火。
派生実験設計スキル。既存の実験をベースに条件を変更した派生実験を 設計する。実験計画法（DOE）に基づくパラメータ探索を支援。 「派生実験を設計して」「条件を変えて実験」「パラメータ探索」で発火。
実験テンプレート生成スキル。研究目的・仮説・手法・実験条件・評価基準・ スケジュールを構造化した実験計画書を自動作成する。 「実験テンプレート作成して」「実験計画を立てて」「実験プロトコルを作成」で発火。
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | scientific-paper-quality |
| description | 論文品質の定量的評価スキル。可読性スコア、セクションバランス分析、 語彙多様性、学術語使用率、冗長表現検出、ジャーナル要件適合チェック、 再現可能性チェックを実行する。 「論文の品質をチェックして」「可読性スコアを出して」「投稿前チェック」で発火。 |
| tu_tools | [{"key":"crossref","name":"Crossref","description":"引用品質・ジャーナルメトリクス参照"}] |
論文品質を定量的メトリクスで評価し、投稿前の品質保証を支援するスキル。 可読性・構造・語彙・ジャーナル適合性を多角的にスコアリングする。
原稿 (manuscript/manuscript.md)
├─ Dimension 1: 可読性メトリクス
│ ├─ Flesch-Kincaid Grade Level
│ ├─ Gunning Fog Index
│ ├─ 平均文長 / 平均単語長
│ └─ セクション別可読性
├─ Dimension 2: 構造品質
│ ├─ セクション長バランス（IMRAD 比率）
│ ├─ 段落構成の適切さ
│ ├─ 図表-テキスト参照の網羅性
│ └─ セクション間の論理フロー
├─ Dimension 3: 語彙・表現品質
│ ├─ 語彙多様性 (TTR / MTLD)
│ ├─ 学術語使用率
│ ├─ 冗長表現の検出
│ ├─ 弱い動詞 / 曖昧表現の検出
│ └─ ヘッジ表現の適切性
├─ Dimension 4: ジャーナル適合性
│ ├─ 語数制限チェック
│ ├─ 図表数制限チェック
│ ├─ 参考文献数チェック
│ └─ フォーマット要件適合
├─ Dimension 5: 再現可能性
│ ├─ Methods の詳細度
│ ├─ 統計手法の記載完全性
│ ├─ データ可用性記載
│ └─ コード/ソフトウェアバージョン記載
└─ 総合スコアカード出力
└─ manuscript/quality_report.json
import re
import json
import math
from pathlib import Path
from collections import Counter
def compute_readability(text):
"""
テキストの可読性メトリクスを計算する。
Args:
text: str — 解析対象テキスト
Returns:
dict: {
"flesch_kincaid_grade": float,
"gunning_fog": float,
"avg_sentence_length": float,
"avg_word_length": float,
"sentences": int,
"words": int,
"syllables": int,
"complex_words": int,
}
"""
# 前処理: Markdown 構文を除去
clean = _strip_markdown(text)
sentences = _split_sentences(clean)
words = _tokenize_words(clean)
n_sentences = len(sentences)
n_words = len(words)
if n_sentences == 0 or n_words == 0:
return {"error": "テキストが短すぎます"}
syllable_counts = [_count_syllables(w) for w in words]
n_syllables = sum(syllable_counts)
complex_words = sum(1 for s in syllable_counts if s >= 3)
# Flesch-Kincaid Grade Level
fk_grade = (0.39 * (n_words / n_sentences)
+ 11.8 * (n_syllables / n_words)
- 15.59)
# Gunning Fog Index
fog = 0.4 * ((n_words / n_sentences) + 100 * (complex_words / n_words))
return {
"flesch_kincaid_grade": round(fk_grade, 1),
"gunning_fog": round(fog, 1),
"avg_sentence_length": round(n_words / n_sentences, 1),
"avg_word_length": round(sum(len(w) for w in words) / n_words, 1),
"sentences": n_sentences,
"words": n_words,
"syllables": n_syllables,
"complex_words": complex_words,
}
def _strip_markdown(text):
"""Markdown 構文を除去してプレーンテキストにする。"""
text = re.sub(r'^#{1,6}\s+', '', text, flags=re.MULTILINE)
text = re.sub(r'\*\*(.+?)\*\*', r'\1', text)
text = re.sub(r'\*(.+?)\*', r'\1', text)
text = re.sub(r'!\[.*?\]\(.*?\)', '', text)
text = re.sub(r'\[(.+?)\]\(.*?\)', r'\1', text)
text = re.sub(r'```.*?```', '', text, flags=re.DOTALL)
text = re.sub(r'`(.+?)`', r'\1', text)
text = re.sub(r'^\|.*\|$', '', text, flags=re.MULTILINE)
text = re.sub(r'^\s*[-*]\s+', '', text, flags=re.MULTILINE)
return text
def _split_sentences(text):
"""テキストを文に分割する。"""
sentences = re.split(r'(?<=[.!?])\s+(?=[A-Z])', text)
return [s.strip() for s in sentences if s.strip() and len(s.strip()) > 5]
def _tokenize_words(text):
"""テキストを単語に分割する。"""
return re.findall(r'\b[a-zA-Z]+\b', text)
def _count_syllables(word):
"""単語の音節数を推定する。"""
word = word.lower()
if len(word) <= 3:
return 1
vowels = "aeiou"
count = 0
prev_vowel = False
for char in word:
is_vowel = char in vowels
if is_vowel and not prev_vowel:
count += 1
prev_vowel = is_vowel
if word.endswith('e') and count > 1:
count -= 1
return max(1, count)
IMRAD_BALANCE = {
"ideal_ratios": {
"Introduction": (0.15, 0.25),
"Methods": (0.15, 0.30),
"Results": (0.20, 0.35),
"Discussion": (0.20, 0.35),
},
"abstract_max_words": {
"nature": 150,
"science": 125,
"acs": 250,
"ieee": 250,
"elsevier": 300,
"default": 250,
},
}
def analyze_structure(text):
"""
論文構造の品質を分析する。
Returns:
dict: {
"section_word_counts": {"Introduction": 450, ...},
"section_ratios": {"Introduction": 0.18, ...},
"balance_score": float (0-1),
"balance_issues": [...],
"figure_text_coverage": {...},
"paragraph_stats": {...},
}
"""
sections = _split_into_sections(text)
total_body_words = 0
section_words = {}
# IMRAD セクションの語数
for name, content in sections.items():
clean = _strip_markdown(content)
wc = len(_tokenize_words(clean))
section_words[name] = wc
if any(k.lower() in name.lower() for k in
["introduction", "method", "result", ]):
total_body_words += wc
section_ratios = {}
total_body_words > :
name, wc section_words.items():
section_ratios[name] = (wc / total_body_words, )
balance_issues = []
balance_scores = []
section, (low, high) IMRAD_BALANCE[].items():
matched_key =
key section_ratios:
section.lower() key.lower():
matched_key = key
matched_key:
ratio = section_ratios[matched_key]
ratio < low:
balance_issues.append(
)
balance_scores.append(ratio / low)
ratio > high:
balance_issues.append(
)
balance_scores.append(high / ratio)
:
balance_scores.append()
balance_score = (balance_scores) / (balance_scores) balance_scores
figure_refs = (re.findall(, text, re.IGNORECASE))
figure_embeds = (re.findall(, text, re.IGNORECASE))
table_refs = (re.findall(, text, re.IGNORECASE))
paragraphs = [p p text.split() p.strip() p.strip().startswith()]
para_lengths = [(_tokenize_words(p)) p paragraphs]
{
: section_words,
: section_ratios,
: (balance_score, ),
: balance_issues,
: {
: (figure_refs),
: (figure_embeds),
: (table_refs),
},
: {
: (paragraphs),
: ((para_lengths) / (, (para_lengths)), ),
: (para_lengths) para_lengths ,
: (para_lengths) para_lengths ,
},
}
WEAK_VERBS = [
"is", "are", "was", "were", "been", "being",
"have", "has", "had", "do", "does", "did",
"make", "makes", "made", "get", "gets", "got",
"seem", "seems", "seemed", "appear", "appears",
]
REDUNDANT_PHRASES = {
"in order to": "to",
"due to the fact that": "because",
"it is important to note that": "[omit]",
"it should be noted that": "[omit]",
"a large number of": "many",
"a small number of": "few",
"in the case of": "for",
"on the other hand": "conversely",
"at the present time": "now / currently",
"in the event that": "if",
"in close proximity to": "near",
"has the ability to": "can",
"is able to": "can",
"as a matter of fact": "[omit]",
"it is well known that": ,
: ,
: ,
: ,
: ,
: ,
: ,
: ,
: ,
}
HEDGE_WORDS = [
, , , , ,
, , , ,
, , , ,
]
OVERCLAIM_PHRASES = [
, , ,
, , ,
, , ,
, , ,
, , ,
,
]
():
clean = _strip_markdown(text)
words = _tokenize_words(clean)
words_lower = [w.lower() w words]
words:
{: }
unique_words = (words_lower)
ttr = (unique_words) / (words_lower)
weak_verb_positions = []
i, w (words_lower):
w WEAK_VERBS:
context_start = (, i - )
context_end = ((words), i + )
weak_verb_positions.append({
: w,
: .join(words[context_start:context_end]),
})
redundant_found = []
text_lower = clean.lower()
phrase, suggestion REDUNDANT_PHRASES.items():
count = text_lower.count(phrase)
count > :
redundant_found.append({
: phrase,
: suggestion,
: count,
})
hedge_count = (text_lower.count(h) h HEDGE_WORDS)
overclaim_found = []
phrase OVERCLAIM_PHRASES:
phrase.lower() text_lower:
overclaim_found.append(phrase)
{
: (ttr, ),
: (words),
: (unique_words),
: (weak_verb_positions),
: weak_verb_positions[:],
: redundant_found,
: hedge_count,
: (overclaim_found),
: overclaim_found,
}
JOURNAL_REQUIREMENTS = {
"nature": {
"max_words": 3000,
"max_figures": 8,
"max_references": 50,
"max_abstract_words": 150,
"requires_data_availability": True,
"requires_author_contributions": True,
"requires_competing_interests": True,
},
"science": {
"max_words": 2500,
"max_figures": 4,
"max_references": 40,
"max_abstract_words": 125,
"requires_data_availability": True,
"requires_author_contributions": True,
"requires_competing_interests": True,
},
"acs": {
"max_words": 7000,
"max_figures": 10,
"max_references": 60,
"max_abstract_words": 250,
"requires_data_availability": False,
"requires_author_contributions": True,
"requires_competing_interests": True,
},
"ieee": {
"max_words": 8000,
: ,
: ,
: ,
: ,
: ,
: ,
},
: {
: ,
: ,
: ,
: ,
: ,
: ,
: ,
},
}
():
reqs = JOURNAL_REQUIREMENTS.get(journal_format, JOURNAL_REQUIREMENTS[])
clean = _strip_markdown(text)
words = _tokenize_words(clean)
word_count = (words)
figures = (re.findall(, text))
figure_count = (figures)
ref_section = re.search(, text, re.DOTALL | re.IGNORECASE)
ref_count =
ref_section:
ref_count = (re.findall(, ref_section.group(), re.MULTILINE))
abstract_match = re.search(,
text, re.DOTALL | re.IGNORECASE)
abstract_words = (_tokenize_words(abstract_match.group())) abstract_match
violations = []
warnings = []
word_count > reqs[]:
violations.append(
)
word_count > reqs[] * :
warnings.append(
)
figure_count > reqs[]:
violations.append(
)
ref_count > reqs[]:
warnings.append(
)
abstract_words > reqs[]:
violations.append(
)
text_lower = text.lower()
reqs.get():
text_lower text_lower:
violations.append()
reqs.get():
text_lower text_lower:
warnings.append()
reqs.get():
text_lower text_lower:
warnings.append()
{
: journal_format,
: (violations) == ,
: violations,
: warnings,
: word_count,
: abstract_words,
: figure_count,
: ref_count,
}
REPRODUCIBILITY_CHECKS = {
"statistical_methods": {
"patterns": [
r't-test|ANOVA|chi-square|Mann-Whitney|Kruskal-Wallis|Wilcoxon',
r'p\s*[<>=]\s*0\.\d+|α\s*=\s*0\.\d+|significance level',
r'n\s*=\s*\d+|sample size|number of (?:samples|subjects|participants)',
r'confidence interval|CI|standard (?:deviation|error)',
r'effect size|Cohen[\'s]?\s*d|η²|R²',
],
"required": ["test_type", "significance_level", "sample_size"],
},
"software_versions": {
"patterns": [
r'Python\s+\d+\.\d+|R\s+\d+\.\d+|MATLAB\s+R\d{4}',
r'(?:version|v\.?)\s*\d+\.\d+',
r'scikit-learn|scipy|numpy|pandas|statsmodels|ggplot',
],
},
"data_availability": {
"patterns": [
r'data\s+(?:are|is)\s+(?:available|deposited|accessible)',
r'(?:GitHub|Zenodo|Figshare|Dryad)',
r'accession\s+(?:number|code)',
r'(?:doi|DOI):\s*10\.\d+',
],
},
}
def check_reproducibility(text):
"""
Methods セクションの再現可能性を評価する。
Returns:
dict: {
"score": float (0-1),
"checks": {
"statistical_methods": {"present": [...], "missing": [...]},
"software_versions": {"present": [...], "missing": [...]},
"data_availability": {"present": [...], "missing": [...]},
},
"recommendations": [...],
}
"""
# Methods セクション抽出
methods_match = re.search(
r'#{1,2}\s*(?:Methods?|Materials?\s+and\s+Methods?|Experimental)\s*\n(.*?)(?=\n#{1,2}\s|\Z)',
text, re.DOTALL | re.IGNORECASE
)
methods_text = methods_match.group(1) if methods_match text
checks = {}
total_found =
total_checks =
category, config REPRODUCIBILITY_CHECKS.items():
present = []
pattern config[]:
matches = re.findall(pattern, methods_text, re.IGNORECASE)
matches:
present.extend((matches))
checks[category] = {
: present,
: (present) > ,
}
total_checks +=
present:
total_found +=
score = total_found / total_checks total_checks >
recommendations = []
checks[][]:
recommendations.append(
)
checks[][]:
recommendations.append(
)
checks[][]:
recommendations.append(
)
{
: (score, ),
: checks,
: recommendations,
}
def run_quality_check(manuscript_path, journal_format="elsevier",
comparison_path=None, filepath=None):
"""
論文品質チェックパイプラインを実行する。
Args:
manuscript_path: Path — 原稿ファイルパス
journal_format: str — ジャーナル形式
comparison_path: Path — 比較用原稿（改訂前版など、差分表示用）
filepath: Path — レポート出力先
出力ファイル:
manuscript/quality_report.json — 品質スコアカード
"""
if filepath is None:
filepath = BASE_DIR / "manuscript" / "quality_report.json"
filepath.parent.mkdir(parents=True, exist_ok=True)
print("=" * 60)
print("Paper Quality Check Pipeline")
print("=" * 60)
with open(manuscript_path, "r", encoding="utf-8") as f:
text = f.read()
# Dimension 1: 可読性
print("\n[Dim 1] 可読性メトリクスを計算中...")
readability = compute_readability(text)
print(f" → Flesch-Kincaid Grade: {readability.get('flesch_kincaid_grade', 'N/A')}")
print(f" → Gunning Fog Index: {readability.get('gunning_fog', 'N/A')}")
print(f" → 平均文長: {readability.get('avg_sentence_length', 'N/A')} 語")
()
structure = analyze_structure(text)
()
issue structure[]:
()
()
vocabulary = analyze_vocabulary(text)
()
()
()
()
compliance = check_journal_compliance(text, journal_format)
status = compliance[]
()
v compliance[]:
()
w compliance[]:
()
()
reproducibility = check_reproducibility(text)
()
rec reproducibility[]:
()
scores = {
: _readability_score(readability),
: structure[],
: _vocabulary_score(vocabulary),
: compliance[] ,
: reproducibility[],
}
weights = {
: ,
: ,
: ,
: ,
: ,
}
overall = (scores[k] * weights[k] k scores) *
()
()
()
comparison =
comparison_path:
()
(comparison_path, , encoding=) f:
old_text = f.read()
old_readability = compute_readability(old_text)
old_scores = {
: _readability_score(old_readability),
: analyze_structure(old_text)[],
: _vocabulary_score(analyze_vocabulary(old_text)),
}
old_overall = (old_scores.get(k, ) * weights[k] k old_scores) *
comparison = {
: (overall - old_overall, ),
: overall > old_overall,
}
()
report = {
: (manuscript_path),
: journal_format,
: (overall, ),
: {k: (v * , ) k, v scores.items()},
: readability,
: structure,
: vocabulary,
: compliance,
: reproducibility,
: comparison,
}
(filepath, , encoding=) f:
json.dump(report, f, indent=, ensure_ascii=)
()
report
():
fk = readability.get(, )
<= fk <= :
<= fk < < fk <= :
:
():
ttr = vocabulary.get(, )
redundant = (vocabulary.get(, []))
overclaim = vocabulary.get(, )
score = (, ttr * )
score -= redundant *
score -= overclaim *
(, (score, ))
| TU Key | ツール名 | 連携内容 |
|---|---|---|
crossref | Crossref | 引用品質・ジャーナルメトリクス参照 |
| ファイル | 形式 | 生成タイミング |
|---|---|---|
manuscript/quality_report.json | 品質スコアカード | チェック完了時 |
| Dimension | メトリクス | 適正範囲（学術論文） |
|---|---|---|
| 可読性 | Flesch-Kincaid Grade | 12-16 |
| 可読性 | Gunning Fog Index | 12-18 |
| 可読性 | 平均文長 | 15-25 語 |
| 構造 | IMRAD バランス | 各セクション 15-35% |
| 語彙 | TTR (語彙多様性) | > 0.4 |
| 語彙 | 冗長表現 | < 5 種類 |
| 適合性 | 語数制限 | ジャーナル依存 |
| 再現性 | 統計手法記載 | 必須 |
| スキル | 連携 |
|---|---|
scientific-academic-writing | 原稿 manuscript/manuscript.md の品質を評価 |
scientific-critical-review | セルフレビュー結果と品質スコアの照合 |
scientific-peer-review-response | 改訂後の品質改善を定量的に検証 |
scientific-revision-tracker | 改訂前後の品質スコア比較 |
scientific-latex-formatter | 投稿前の最終品質ゲート |