empirical-paper-analysis-skill

该技能专为法律经济学实证研究设计，通过结构化五维框架（问题陈述→核心实证难题→识别策略→关键发现→学术贡献）深度解析学术论文。用户上传PDF并补充出版信息后，系统将生成包含因果推断逻辑评估、计量方法审视与学术价值判断的专业分析报告。

核心用法围绕五个递进维度展开：首先识别研究问题及其政策/理论动机，其次诊断选择偏差、遗漏变量等实证挑战，随后解析DID、IV、RDD等识别策略的适用性与假设合理性，再量化总结主要发现的经济显著性，最后评估方法论创新与跨学科贡献。全程支持中英文学术术语对照与数学公式标注。

显著优点体现在学术专业性上：框架严格遵循实证研究规范，要求分析者具备博士级别的计量经济学素养；强制引入批判性思维，不满足于简单总结而是质疑识别假设；输出模板标准化，便于研究者快速生成文献笔记与教学材料。

潜在局限性包括：仅适用于定量实证论文，无法处理理论模型或案例研究；高度依赖用户提供的PDF解析质量，对扫描版或复杂排版文档可能失效；要求使用者熟悉因果推断术语（如内生性、外部效度），对跨领域学者存在门槛；作为T3来源的个人项目，长期维护与更新存在不确定性。

适合群体主要为法律经济学、实证法学领域的博士研究生、青年教师及政策研究机构分析师，特别是频繁处理计量经济学、机器学习与自然语言处理交叉研究的学者。

使用风险方面，该技能为纯文档型提示词模板，无代码执行与网络通信，不存在数据泄露或系统入侵风险。但需注意：AI生成的分析内容可能遗漏关键细节或误读复杂模型，不可直接用于学术发表而不经人工校验；对PDF中的表格数据解读依赖大语言模型的OCR与理解能力，关键数值建议人工核对原始文献。

核心用法

Empirical Paper Analysis Skill 为 Claude Code 提供了一个结构化的学术论文分析框架，专门针对法律与经济学领域的实证研究。该 Skill 要求用户输入 PDF 格式的实证论文及出版信息，系统按照五个递进维度展开分析：问题的提出（识别研究动机与理论直觉）、实证研究的核心难题（厘清因果推断障碍）、识别策略与方法设计（评估技术路线合理性）、重要发现与结论（提取关键效应量与经济解释）、学术价值（多维贡献评估）。输出格式为标准化 Markdown 文档，便于研究者整理笔记或撰写文献综述。

显著优点

1. 方法论严谨性：框架直接对标顶级经济学期刊的审稿标准，强制要求明确识别策略（DID/IV/RD/ML hybrid 等）、检验假设合理性，并鼓励批判性质疑而非简单复述。

2. 双语技术适配：以中文为主要输出语言，但保留技术术语的英文缩写（如 GBDT、embeddings），兼顾本土研究者的阅读舒适度与国际学术交流的术语准确性。

3. 数学表达友好：明确支持 LaTeX 数学公式嵌入，鼓励用回归方程、DID 规范式等形式化呈现识别策略，适合 PhD 级别的方法论讨论。

4. 领域针对性强：针对法律经济学常见难题预设分析模板（如选择性标签问题、法官私人信息、法律概念的量化测量），减少研究者的框架搭建成本。

潜在局限

• 输入门槛较高：要求用户具备基础的计量经济学知识（理解内生性、工具变量、平行趋势等概念），对纯法学背景用户可能形成认知负担。
• 被动依赖用户输入：Skill 本身不集成 PDF 解析引擎或文献数据库接口，无法自动获取论文全文，分析深度受制于用户提供的材料完整性。
• 输出结构固化：严格限定五个核心章节，对于非标准实证设计（如纯理论模型+数值模拟、质性田野调查）的适配性有限。

适合人群

主要面向法律经济学、司法实证研究、规制经济学领域的博士研究者、青年教师及政策分析师。特别适合需要系统性拆解顶级期刊论文（如《Journal of Law and Economics》《American Economic Review》法律相关议题）以学习前沿识别策略的用户群体。

常规风险

该 Skill 为纯 Markdown 提示词技能，无代码执行能力，不存在数据泄露或系统入侵风险。需注意：分析过程可能涉及用户上传的受版权保护论文内容，使用者应确保自身具备合法的文献访问权限；输出内容为 AI 生成的学术解读，不可替代专业同行评议，关键结论应回溯原文验证。