msqca-analysis

# 多值定性比较分析(msQCA)技能 ### 四阶段渐进式披露 #### Level 1: 元数据层 (始终加载) - **技能识别**: msQCA分析能力 - **触发条件**: 需要复杂因果机制分析时自动激活 - **Token成本**: ~100 tokens #### Level 2: 指令层 (触发时加载) - **分析流程**: 四阶段分析框架 - **决策逻辑**: 定性与定量结合的决策机制 - **Token成本**: ~2000 tokens #### Level 3: 定性提示词层 (按需加载) - **理论分析**: `prompts/theoretical-analysis.md` - **校准指导**: `prompts/calibration-guidance.md` - **结果解释**: `prompts/result-interpretation.md` - **Token成本**: 按具体分析需求动态加载 #### Level 4: 定量计算层 (脚本调用) - **校准算法**: `scripts/calibration.py` - **真值表构建**: `scripts/truth_table.py` - **逻辑最小化**: `scripts/minimization.py` - **集成引擎**: `scripts/integrated_analysis.py` - **Token成本**: 0 (直接执行，不加载到上下文) ## 功能架构 ### 定性分析 通过专门的提示词文件引导AI进行分析： 1. **理论分析** (`theoretical-analysis.md`) - 条件变量的理论选择 - 因果机制的构建 - 理论框架的完善 2. **校准指导** (`calibration-guidance.md`) - 校准方法的理论依据 - 阈值设定的合理性判断 - 数据特征与理论的结合 3. **结果解释** (`result-interpretation.md`) - 统计结果的理论阐释 - 因果机制的深度解释 - 实践意义的提炼 ### 定量计算 通过Python脚本执行计算任务： 1. **数据校准** (`calibration.py`) - 多种校准算法实现 - 自动阈值识别 - 质量检验指标 2. **真值表构建** (`truth_table.py`) - 智能组合识别 - 矛盾组合处理 - 逻辑余项管理 3. **逻辑最小化** (`minimization.py`) - Quine-McCluskey算法 - 多种解类型生成 - 质量指标计算 4. **集成分析** (`integrated_analysis.py`) - 定性与定量协调 - 分析流程控制 - 结果整合输出 ## 智能协作机制 ### AI决策引擎 ```python # 集成分析器的核心决策逻辑 class IntegratedQCAAnalyzer: def execute_analysis(self, data, research_context): # 阶段1: AI进行理论分析 (定性) theoretical_analysis = self.execute_theoretical_analysis(research_context) # 阶段2: AI制定校准方案 (定性+定量判断) calibration_plan = self.execute_calibration_guidance(data, theoretical_analysis) # 阶段3: 脚本执行定量计算 (定量) quantitative_results = self.execute_quantitative_analysis(data, calibration_plan) # 阶段4: AI进行结果解释 (定性) interpretation = self.execute_result_interpretation(quantitative_results, theoretical_analysis) return self.integrate_results(theoretical_analysis, quantitative_results, interpretation) ``` ### 智能调用时机 - **理论分析**: 研究开始时，加载`theoretical-analysis.md` - **校准指导**: 数据分析前，加载`calibration-guidance.md` - **定量计算**: 需要精确计算时，调用相应Python脚本 - **结果解释**: 获得统计结果后，加载`result-interpretation.md` ## 使用流程 ### 第一阶段: 理论框架构建 **AI任务**: 加载`theoretical-analysis.md`，进行深度理论分析 **输出**: 理论框架、条件选择、因果机制假设 **定量支持**: 无需计算，纯理论思考 ### 第二阶段: 校准方案制定 **AI任务**: 加载`calibration-guidance.md`，结合理论与数据制定校准方案 **输出**: 每个变量的校准方法、阈值设定、理论依据 **定量支持**: 数据特征分析脚本提供数据描述 ### 第三阶段: 定量计算执行 **AI任务**: 决策调用哪些计算脚本 **脚本执行**: - `calibration.py`: 执行数据校准 - `truth_table.py`: 构建分析真值表 - `minimization.py`: 执行逻辑最小化 **输出**: 精确的计算结果、质量指标 ### 第四阶段: 结果深度解释 **AI任务**: 加载`result-interpretation.md`，进行理论阐释 **输出**: 因果机制解释、理论贡献、实践建议 **定量支持**: 计算结果提供解释基础 ## 适用场景 ### 学术研究 - **理论构建**: 复杂因果机制的理论化 - **假设检验**: 理论假设的实证验证 - **方法创新**: QCA方法的改进和发展 ### 政策分析 - **政策组合**: 多政策协同效应分析 - **条件识别**: 成功政策的关键条件 - **情境适配**: 政策移植的条件要求 ### 组织管理 - **绩效路径**: 高绩效的多重实现路径 - **资源配置**: 资源要素的最优组合 - **变革管理**: 组织变革的成功条件 ## 技术特性 ### 定性与定量结合 - **定性深度**: AI进行理论思考和机制解释 - **定量精度**: 脚本保证计算的准确性 - **智能协调**: 决策引擎协调两者 ### 渐进式信息披露 - **按需加载**: 只在需要时加载相应提示词 - **上下文优化**: 避免无关信息干扰 - **计算独立**: 复杂计算不占用上下文 ### 智能化分析流程 - **自动决策**: AI自动判断何时调用何种工具 - **质量保障**: 内置质量检验和改进机制 - **结果整合**: 自动生成完整的分析报告 ## 技术特性 ### 智能提示词系统 每个提示词文件都采用渐进式结构： - **任务明确**: 清晰定义AI的具体任务 - **流程指导**: 分步骤的操作指南 - **质量标准**: 明确的质量检验清单 - **输出规范**: 标准化的输出格式 ### 高效计算引擎 - **算法优化**: 针对msQCA特点优化的算法 - **错误处理**: 完善的异常处理机制 - **性能监控**: 实时的计算质量监控 - **结果验证**: 多层次的结果验证 ### 集成控制系统 - **状态跟踪**: 完整的分析状态管理 - **决策记录**: 所有决策过程的详细记录 - **版本控制**: 分析过程和结果的版本管理 - **审计追踪**: 完整的操作审计日志 ## 质量保证体系 ### 三层质量控制 1. **输入质量**: 理论一致性和数据完整性检验 2. **过程质量**: 分析逻辑和计算准确性验证 3. **输出质量**: 结果稳健性和理论价值评估 ### 智能质量监控 ```python # 自动质量检验示例 def quality_monitor(analysis_results): quality_issues = [] # 理论一致性检验 if not check_theoretical_consistency(analysis_results): quality_issues.append("理论一致性不足") # 计算准确性检验 if not validate_computational_accuracy(analysis_results): quality_issues.append("计算准确性存疑") # 结果稳健性检验 if not assess_result_robustness(analysis_results): quality_issues.append("结果稳健性不足") return quality_issues ``` ## 开始使用 ### 快速启动 ```bash # 进入技能目录 cd msqca-analysis/ # 运行集成分析 python scripts/integrated_analysis.py ``` ### 自定义分析 1. 准备研究数据 (CSV格式) 2. 定义研究问题和理论框架 3. 运行集成分析器 4. 根据AI提示进行深度理论分析 5. 获得完整的分析报告 ## 扩展资源 ### 提示词文件 - `prompts/theoretical-analysis.md`: 理论分析专家提示 - `prompts/calibration-guidance.md`: 校准指导专家提示 - `prompts/result-interpretation.md`: 结果解释专家提示 ### 计算脚本 - `scripts/calibration.py`: 数据校准算法 - `scripts/truth_table.py`: 真值表构建算法 - `scripts/minimization.py`: 逻辑最小化算法 - `scripts/integrated_analysis.py`: 集成分析引擎 ### 参考文档 - `references/METHODOLOGY.md`: 完整方法论说明 - `references/BEST_PRACTICES.md`: 最佳实践指南 - `assets/templates/`: 数据模板和报告模板 --- **注意**: AI负责理论思考和解释，脚本负责精确计算，通过智能决策引擎实现协作。