| name | negative-case-finder |
| description | 质性研究负面案例分析工具（Negative Case Analysis）。研究者提供当前的暂定命题和
相关材料，skill 系统识别与命题不一致的案例，并将不一致区分为四种类型：
真反例、边界案例、维度差异、数据不足——分别给出命题修订方向。
当用户说"帮我找反例""挑战一下这个命题""这个结论成立吗""负面案例分析"
"有没有不符合的情况""检验一下这个命题""有没有例外"时触发此 skill。
注意：这不是"找不同意见"的工具，而是用来发展更有边界感的命题的分析工具。
|
负面案例分析工具（Negative Case Analysis）
本 skill 基于 Lincoln & Guba（1985）的负面案例分析方法及 Charmaz（2014）的理论抽样逻辑，
协助研究者系统识别与当前命题不一致的案例，并通过类型区分来推进命题修订，而非简单否定命题。
核心立场：负面案例不是命题的敌人，而是命题的精化器。
一个不能被负面案例修订的命题，要么是已经精确的好命题，要么是没有边界的泛化陈述。
启动：获取必要信息
触发后，收集以下信息：
必填 1：当前暂定命题
一句话格式最佳，例如：
"在有正式雇佣经历对照的平台工人中，时间自由叙事的内部裂缝以'不接单罪恶感'为表征，
揭示平台将工作时间边界的管理责任从组织转移至工人个体。"
必填 2：支撑命题的关键材料
可以是：
- 编码列表（指出哪些编码支撑了这个命题）
- 原始访谈片段（支撑命题的核心段落）
- 已有分析备忘录（直接粘贴）
选填 3：研究者已发现的不一致之处（若有）
如果研究者已注意到某些让命题不稳定的材料，先行标注，skill 优先处理。
选填 4：当前研究进展阶段
- 早期编码阶段 → 重点做"数据不足"类识别，推动理论抽样
- 中期分析阶段 → 重点做"边界案例"类识别，精化命题范围
- 后期理论建构阶段 → 重点做"真反例"类识别，检验命题稳健性
执行流程
收到信息后，自动连续执行以下三个阶段，无需每步等待用户确认。
第一阶段：命题结构解析
在寻找负面案例之前，先解析命题的内部逻辑结构，输出：
- 命题的条件范围：命题声称在什么条件下成立？（显性条件 + 隐性预设）
- 命题的核心机制：命题声称发生了什么过程？（A → B 的逻辑链条）
- 命题的可证伪点：什么样的发现会对命题构成威胁？
- 威胁类型一：条件出现但结果不出现
- 威胁类型二：结果出现但条件不出现
- 威胁类型三：结果出现但机制不同
这一步的目的是让后续的负面案例识别有明确的靶向，而非泛泛寻找"不同意见"。
第二阶段：负面案例系统识别
根据命题结构，从提供的材料中（或基于对材料的推断）识别不一致之处，
将每个不一致归入以下四种类型之一，并给出对应处理建议：
类型一：真反例（Genuine Disconfirming Case）
定义：满足命题的全部前提条件，但结果与命题预测相反，且无法通过调整边界条件来解释。
识别信号：
- 受访者具备命题声称的全部条件
- 其行为/感受/叙述与命题预期明显相悖
- 研究者无法用"这是个特殊情境"来合理化这个偏差
分析要求：
- 描述这个案例的具体情况
- 解释它为什么是真反例而非边界案例
- 提出命题修订方向：是否需要修改核心机制，而非只调整边界条件？
输出格式：
[真反例] 案例描述：
机制威胁：该案例挑战命题中的哪个环节？
修订方向：命题可能需要如何根本性修订？
类型二：边界案例（Boundary/Limit Case）
定义：命题在某个条件范围内成立，但在另一个条件范围内不成立。这类案例不否定命题，
而是揭示命题的适用边界，帮助研究者精化命题的条件范围。
识别信号：
- 案例与命题主体案例的关键差异在于某个情境条件
- 改变这个条件后，结果发生系统性变化
- 研究者可以用"当X时，命题成立；当Y时，命题不成立"来描述这种差异
分析要求：
- 描述这个案例与支撑命题的主体案例有何不同
- 识别"关键转折条件"——是什么让这个案例落在命题边界之外？
- 提出命题精化方向：在命题中加入什么条件限定可以更准确？
输出格式：
[边界案例] 案例描述：
关键转折条件：是什么条件差异导致了不同结果？
命题精化方向：可以在命题中加入"当……时"来更准确地界定适用范围
精化后命题草稿：
类型三：维度差异（Dimensional Variation）
定义：案例表面上与命题不一致，实质上是同一现象在不同程度、阶段或侧面的表现。
这类案例不否定命题，而是提示命题所描述的现象是有内部变异的，可能需要引入维度分析。
识别信号：
- 案例中的现象"好像是同一件事，但表现形式不同"
- 可以用强度、频率、时间阶段、关系类型等维度来区分
- 核心机制相同，但结果的表现形式或程度有差异
分析要求：
- 描述这个案例与主体案例的相似之处（确认核心机制相同）
- 识别维度差异的来源（是什么导致了表现形式的差异？）
- 提出分析深化方向：是否需要在命题中引入维度概念来容纳这种变异？
输出格式：
[维度差异] 案例描述：
核心机制一致性：该案例与命题共享哪些核心机制？
维度来源：表现形式的差异来自哪个维度（程度/阶段/类型/关系形式）？
分析深化方向：是否需要引入维度分析来容纳这种变异？
类型四：数据不足（Insufficient Data）
定义：存在理论上可能威胁命题的情况，但目前材料不足以判断它究竟是真反例、边界案例
还是维度差异。这类情况不是"没有问题"，而是提示理论抽样的方向。
识别信号：
- 研究者直觉上感到某类受访者或情境可能与命题不符，但尚未有材料
- 现有材料在某个关键维度上缺少对比案例
- 命题中的某个预设条件没有被系统性检验
分析要求：
- 描述哪个理论上的威胁点目前缺乏材料覆盖
- 提出理论抽样建议：应该寻找什么类型的受访者或情境来填补这个空白？
- 说明这个空白对命题当前可信度的影响
输出格式：
[数据不足] 缺口描述：目前哪个关键情境/受访者类型缺少材料？
理论抽样建议：应寻访什么类型的案例，预期会看到什么，预期找不到什么？
当前命题可信度影响：这个数据空白对命题的当前使用有何限制？
第三阶段：命题修订路径建议
综合以上分析，提供命题修订的整体方向：
修订优先级排序
按照威胁程度从高到低列出需要处理的负面案例：
- 真反例 → 最高优先级，可能需要修改核心机制
- 边界案例 → 次高优先级，需要精化条件范围
- 数据不足 → 中等优先级，需要推进理论抽样
- 维度差异 → 提示分析深化，但不威胁命题基本成立
修订路径建议（按情形）
情形 A：发现真反例
命题可能需要根本性修订。建议：
- 回到数据，重新检视支撑命题的核心机制是否真的在材料中有直接证据
- 考虑原命题是否是一个特殊条件下的现象，而非普遍机制
- 提出修订后的命题草稿
情形 B：发现多个边界案例
命题的适用范围需要精化。建议：
- 在命题中加入更明确的条件限定
- 考虑是否可以发展为"在A条件下……；在B条件下……"的比较命题
- 提出精化后的命题草稿
情形 C：主要是数据不足
命题目前处于初步成立状态，需要主动寻找挑战。建议：
- 按理论抽样建议寻访新案例
- 暂时以"在目前材料范围内"为前提使用命题
- 标注哪些关键检验尚未完成
情形 D：主要是维度差异
命题核心成立，但需要内部分化。建议：
- 引入维度分析来容纳现象的内部变异
- 考虑是否可以发展为包含维度概念的更细致命题
输出规范
每次分析的最终输出包括：
- 命题结构解析摘要（第一阶段产出，约100字）
- 负面案例清单（按四种类型分类，每条含案例描述+分析要点）
- 修订路径建议（明确指出当前命题处于哪种情形，给出具体建议）
- 修订后命题草稿（若适用）
在所有输出之后，输出以下固定文字：
命题修订判断移交研究者。
负面案例的最终解释和命题的最终修订必须由研究者作出。
以下问题请研究者自行判断后告知，以便进入后续工作：
- 你认为哪些不一致是真反例，哪些是边界案例？
- 你是否认可这里的修订方向？
- 有没有你在材料中注意到但这里没有提及的不一致之处？
与其他 skill 的关系
| Skill | 定位 | 何时使用 |
|---|
negative-case-finder | 负面案例识别与命题修订 | 命题初步成立后，系统性挑战其边界 |
thematic-analysis | 主题识别与结构化 | 有了初始编码，需要组织成主题结构 |
grounded-coding | 编码生成与类属建构 | 需要从原始访谈材料生成系统编码 |
memo-coach | 分析备忘录引导 | 对某个命题有深入想法，需要提炼 |
推荐使用顺序：
grounded-coding（生成初始编码，形成初步命题）
↓
memo-coach（深化命题的分析备忘录）
↓
negative-case-finder（挑战命题，发现边界与反例）
↓
memo-coach（修订后的命题再次深化）
负面案例分析不是终点，而是一次命题精化的循环。
每次 negative-case-finder 的输出，都可能触发新一轮的 memo-coach 或理论抽样。
参考文献
- Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic Inquiry. SAGE.
（负面案例分析的经典方法论来源：negative case analysis 作为信效度保障手段）
- Charmaz, K. (2014). Constructing Grounded Theory (2nd ed.). SAGE.
（理论抽样与负面案例的关系：理论抽样的目标之一是主动寻找对命题的挑战）
- Bringer, J. D., Johnston, L. H., & Brackenridge, C. H. (2006). Using computer-assisted qualitative data analysis software to develop a grounded theory project. Field Methods, 18(3), 245–266.
（此文献需要你自行核实）
- Miles, M. B., Huberman, A. M., & Saldaña, J. (2014). Qualitative Data Analysis: A Methods Sourcebook (3rd ed.). SAGE.
（确认性/否定性案例的系统处理方法）
语言
- 默认中文
- 若用户用英文输入，输出用英文，frontmatter 字段名保持英文
