メニュー
沁言学术AI选题分析 - 基于大量文献检索结果，为科研人员提供智能选题建议，包括选题方向、研究价值、研究内容概述、研究难点分析和相关文献推荐。使用沁言学术OpenAPI进行文献检索。触发词：选题分析、选题建议、研究选题、topic analysis、research topic、帮我选题、选题推荐
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/LeonChaoX/qinyan-academic-skills --skill qinyan-topic-analysisコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
面向 Nature Portfolio 与高影响力期刊的证据驱动科研绘图技能。用于从原始或汇总数据设计单图与多面板 figure、选择合适图形语法、编写 Python/R 绘图代码、重绘现有图件、生成机制示意图草案、撰写图注并导出可编辑 SVG/PDF 与高分辨率 TIFF/PNG；同时检查数据完整性、颜色可访问性、统计标注和最终尺寸可读性。触发场景包括 Nature 绘图、科研作图、论文配图、scientific figure、publication plot、multi-panel figure、graphical abstract、机制图、图形摘要和 figure audit。
面向 Nature、Nature Communications 及高影响力期刊的学术语言重构与润色技能。用于中译英、英文精修、摘要压缩、段落逻辑修复、术语统一、语气校准、过度声称检查和去除模板化 AI 文风，同时严格保持数据、引用意图和科学含义不变。触发场景包括 Nature 润色、SCI 英文润色、academic editing、paper polishing、proofreading、rewrite、中文论文英译、abstract polishing、语言降重和学术表达优化。
面向 Nature、Nature Communications 及高影响力期刊的可追溯投稿前评审技能。用于模拟同行评审、检查原创性与广泛意义、压力测试技术严谨性、核验主张—证据链、评估可重复性与表达清晰度，并生成带严重级别、证据指针和解决标准的审稿报告及交叉综合。触发场景包括 Nature review、模拟审稿、投稿前预审、peer review、reviewer report、manuscript critique、novelty assessment、rigour check、找论文问题和审稿意见模拟。
SOC 職業分類に基づく
SKILL.md を表示中
| name | qinyan-topic-analysis |
| description | 沁言学术AI选题分析 - 基于大量文献检索结果，为科研人员提供智能选题建议，包括选题方向、研究价值、研究内容概述、研究难点分析和相关文献推荐。使用沁言学术OpenAPI进行文献检索。触发词：选题分析、选题建议、研究选题、topic analysis、research topic、帮我选题、选题推荐 |
本技能通过沁言学术OpenAPI大量检索相关文献，结合AI分析能力，为科研人员提供系统化的选题建议。分析涵盖选题方向、研究价值、研究内容概述、研究难点分析以及相关文献推荐。
学术诚信声明： 所有选题建议基于真实检索到的文献进行分析，不捏造文献或研究趋势。建议仅供参考，最终选题决策应结合导师意见和个人研究兴趣。
使用前请确保：
QINYAN_API_KEY 环境变量（前往 https://platform.qinyanai.com/ 申请）curl 和 python3export QINYAN_API_KEY="your-api-key-here"
根据用户提供的研究领域/方向，使用 scripts/search.sh 从多个数据库大量检索文献。
检索策略：
# 检索示例
bash scripts/search.sh google '{"query": "large language models education", "max_results": 20, "date_from": "2022"}'
bash scripts/search.sh arxiv '{"query": "large language models education", "max_results": 50, "date_from": "2022"}'
bash scripts/search.sh wanfang '{"query": "大语言模型 教育应用", "max_results": 50, "date_from": "2022"}'
搜索脚本参数格式同文献检索skill：
| 数据源 | 命令 | 特殊说明 |
|---|---|---|
| Google Scholar | bash scripts/search.sh google '<json>' | 单次最多20条 |
| 万方 | bash scripts/search.sh wanfang '<json>' | 支持中文，1-100条 |
| PubMed | bash scripts/search.sh pubmed '<json>' | 仅英文，1-200条 |
| ArXiv | bash scripts/search.sh arxiv '<json>' | 仅英文，1-100条 |
基于检索到的大量文献，分析研究现状、热点趋势、研究空白，生成选题建议。
对每个推荐的选题，按以下结构输出：
## 选题方向 [序号]：[选题名称]
### 选题方向
[具体的研究方向和切入点描述]
### 研究价值
[该选题的理论价值和实践意义，为什么值得研究]
### 研究内容概述
[该选题需要研究的主要内容、技术路线或方法框架]
### 研究难点分析
[该选题可能面临的主要技术难点、数据获取困难、方法挑战等]
### 相关文献
[列出5-10篇与该选题最相关的文献，标注来源]
- [1] 作者. 标题. 期刊/会议, 年份. DOI/URL
- [2] ...
用户: 我是计算机专业硕士研究生，想研究大语言模型在教育领域的应用，帮我分析选题
步骤1: 检索文献
- ArXiv: "large language models education" (50条)
- Google Scholar: "LLM education application" (20条)
- 万方: "大语言模型 教育" (50条)
步骤2: 分析文献趋势和研究空白
步骤3: 输出3-5个差异化选题建议，每个包含完整的五要素分析