1. Beschreibe die Aufgabe
Claudes Fähigkeit, Manuskripte zu analysieren und gleichzeitig statistische Analysen auf Rohdaten durchzuführen, hilft dir, ein tieferes Verständnis dafür zu entwickeln, wie man Forschungsmethoden bewertet, und kritische Lesefähigkeiten aufzubauen, die du während deiner gesamten Karriere nutzen wirst.
Bitte Claude, ein Paper zu untersuchen, indem es jede statistische Aussage extrahiert und jede Analyse mit den bereitgestellten Datendateien erneut durchführt. Diese praktische Überprüfung lehrt dich, worauf du achten musst, und hilft dir zu verstehen, ob die Schlussfolgerungen der Studie durch ihre Daten gestützt werden.
Ich lese gerade dieses Paper, das für meine Literaturübersicht zentral ist, und ich möchte es tiefer verstehen, bevor ich es ausführlich zitiere. Ich habe das veröffentlichte Manuskript und ihre ergänzenden Datendateien.
Kannst du mir helfen, ihre statistischen Aussagen zu überprüfen? Geh das Paper systematisch durch und extrahiere jeden p-Wert, Mittelwert, Standardfehler, Stichprobenumfang und jedes Testergebnis, das sie berichten. Führe dann jede Analyse selbst mit ihren tatsächlichen Daten durch.
Zeig mir für jede statistische Aussage drei Dinge: was das Paper angibt, was du aus ihren Daten berechnet hast, und ob diese übereinstimmen. Markiere alle Probleme, die dir auffallen - Dinge wie die Verwendung falscher Tests für den Datentyp, Stichprobenumfänge, die nicht zusammenpassen, oder p-Werte, die mathematisch fragwürdig erscheinen.
Erstelle mir dann eine detaillierte Excel-Arbeitsmappe, in der ich deine vollständige Überprüfung sehen kann. Erstelle separate Tabellenblätter für jede Analyse, die deine Berechnungen Schritt für Schritt zeigen, sowie ein Zusammenfassungsblatt, das alle Probleme hervorhebt, die ich verstehen sollte, bevor ich mich auf diese Arbeit verlasse.
Gestalte die Tabelle gut durchdacht und leicht navigierbar - professionelle Formatierung, fixierte Kopfzeilen, gefilterte Spalten und klare Notizen, die erklären, was du gefunden hast.
2. Gib Claude Kontext
Stelle das veröffentlichte Manuskript und die zugrunde liegenden Rohdaten bereit, damit Claude jede statistische Aussage überprüfen und dir helfen kann zu verstehen, wie gründlich die Analyse die Schlussfolgerungen stützt.
Erforderlicher Kontext
Klicke auf die (+)-Schaltfläche in der Chat-Leiste, um durch deine Dateien zu browsen, oder ziehe alternativ das Manuskript und alle zusätzlichen Datendateien, die du analysieren möchtest, per Drag-and-Drop in den Chat-Bereich.
3. Was Claude erstellt
Claude erstellt eine umfassende Prüfungsarbeitsmappe, die jede statistische Überprüfung dokumentiert, dir genau zeigt, worauf du achten musst, und deine Fähigkeit aufbaut, Forschungsmethoden kritisch zu bewerten.
Statistische Reproduzierbarkeitsprüfung abgeschlossen
Ich habe die statistischen Aussagen in „Effects of Chronic Sleep Deprivation on Spatial Memory and Anxiety-like Behavior in C57BL/6 Mice" anhand der experimentellen Daten überprüft. Hier ist, was ich gefunden habe:
Zusammenfassung der Überprüfung:
- 31 statistische Aussagen überprüft
- ✓ 22 korrekt verifiziert
- ⚠ 3 geringfügige Abweichungen
- ✗ 6 erfordern Aufmerksamkeit
Kritische Punkte zum Verständnis:
1. Diskrepanz bei der Stichprobengröße (im gesamten Manuskript)
- Manuskript gibt an: n=12 pro Gruppe
- Daten zeigen: n=11 für die Kontrollgruppe
- Auswirkung: Dies beeinflusst die statistische Power und Validität aller Vergleiche der Kontrollgruppe. Das Paper hätte etwaige Ausschlüsse von Probanden erklären sollen.
2. Einheitenumrechnungsfehler (Open Field - Gesamtdistanz)
- Manuskript berichtet: 2456 ± 234 cm (Kontrolle), 1834 ± 187 cm (SD)
- Daten zeigen: 24,43 ± 1,8 Meter (Kontrolle), 18,38 ± 1,1 Meter (SD)
- Problem: Werte um den Faktor 100 abweichend - Daten in Metern gespeichert, aber als Zentimeter berichtet
- Warum das wichtig ist: Diese Art von Fehler deutet auf unzureichende Datenprüfung hin, was Fragen zu anderen Ergebnissen aufwirft
3. Unangemessener statistischer Test (Corticosteron)
- Problem: Ungepaarter t-Test für Vorher/Nachher-Messungen derselben Mäuse verwendet
- Sollte verwenden: Gepaarter t-Test, der Ausgangswerte berücksichtigt
- p-Wert im Manuskript: 0,003
- Korrekter gepaarter Test: p<0,001
- Auswirkung: Der Effekt ist tatsächlich stärker als berichtet, aber die methodische Entscheidung zeigt begrenztes statistisches Verständnis
4. Präzisionsfehler bei p-Werten
- Zeit im Zielquadranten: Berichtet p=0,004, tatsächlich p=0,0001
- Latenz an Tag 5: Berichtet p=0,02, tatsächlich p=0,026
- Warum das wichtig ist: Exakte p-Werte sind wichtig für Metaanalysen und das Verständnis der Effektstärke
5. Inkonsistenz in der Methodenbeschreibung
- Methoden geben an: „ungepaarte t-Tests für Vergleiche zwischen Gruppen"
- Problem: Corticosteron-Daten sind gepaarte Stichproben (Ausgangswert und Endwert derselben Mäuse)
- Dies deutet entweder auf unklare Formulierung oder ein Missverständnis ihrer eigenen Analyse hin
Sieh dir deine statistische Prüfungsarbeitsmappe an
4. Folgeprompts
Setze das Gespräch mit Claude fort, um zu verfeinern, zu erweitern oder weiter zu erkunden.
Geh über Zahlen hinaus und überprüfe die Abbildungen
Überprüfe, ob visuelle Darstellungen mit den zugrunde liegenden Daten übereinstimmen. Claude vergleicht Grafiken, Diagramme und Tabellen mit Rohdatenwerten, um Fehldarstellungen oder Fehler zu erkennen.
Überprüfe, ob alle Balkenhöhen, Fehlerbalken und Datenpunkte in Abbildung 2 mit den tatsächlichen Datenwerten übereinstimmen. Zeig mir alle Abweichungen.
Lerne, worauf du beim nächsten Mal achten solltest
Claude kann erklären, welche Warnsignale es wert sind, untersucht zu werden, wenn du Paper ohne Zugang zu Rohdaten liest - wie methodische Inkonsistenzen, verdächtig runde Zahlen oder statistische Entscheidungen, die nicht zum Studiendesign passen.
Bring mir basierend auf dem, was wir hier gefunden haben, bei, auf welche Warnsignale ich beim Lesen anderer Paper in meinem Fachgebiet achten sollte. Welche Muster deuten darauf hin, dass ich skeptisch sein sollte, selbst wenn ich die Rohdaten nicht überprüfen kann?
Entwirf Gutachterkommentare
Formuliere statistische oder methodische Probleme konstruktiv, damit Autoren verstehen, was korrigiert werden muss, ohne defensiv zu werden. Claude kann helfen, Spezifität mit Ermutigung auszubalancieren.
Verwandle diese statistischen Probleme in hilfreiche Gutachterkommentare, die klar darlegen, was korrigiert werden muss, aber ermutigend sind, wie man es behebt.
5. Tricks, Tipps und Fehlerbehebung
Beginne dort, wo du bereits Fachwissen hast
Du wirst die besten Praktiken für die Arbeit mit Claude schnell erfassen, indem du Paper in deinem Fachgebiet überprüfst, da dein Fachwissen dir hilft zu beurteilen, was plausibel ist. Wenn Claude ein Problem markiert, hilft dir dein Fachwissen zu beurteilen, ob es sich um einen echten Fehler oder ein Missverständnis fachspezifischer Praxis handelt. Umgekehrt kannst du, wenn Claude sagt, dass alles stimmt, einschätzen, ob die richtigen Annahmen getestet wurden.
Öffne die tatsächliche Excel-Datei
Die Vorschau im Chat zeigt die Struktur, aber die eigentliche Arbeitsmappe enthält funktionierende Formeln, bedingte Formatierung, die Probleme hervorhebt, Dropdown-Filter zum Erkunden der Ergebnisse und detaillierte Berechnungsnotizen. Lade die Datei herunter und öffne sie, um zu sehen, wie die Überprüfung funktioniert, und um Techniken zu lernen, die du beim Überprüfen anderer Paper anwenden kannst.
6. Bereit, es selbst auszuprobieren?
Lade ein beliebiges Paper mit seinen ergänzenden Datendateien hoch, beschreibe, warum du es untersuchst („Ich erwäge, dies ausführlich zu zitieren" oder „diese Ergebnisse erscheinen überraschend und ich möchte sie besser verstehen"), und lass Claude dir helfen, die kritischen Analysefähigkeiten aufzubauen, die deine Forschung stärken.