Pensée critique scientifique

Vue d'ensemble

La pensée critique est un processus systématique d'évaluation de la rigueur scientifique. Évaluez la méthodologie, le design expérimental, la validité statistique, les biais, les variables confondantes et la qualité des preuves en utilisant les cadres GRADE et Cochrane ROB. Appliquez cette compétence pour une analyse critique des affirmations scientifiques.

Quand utiliser cette compétence

Cette compétence doit être utilisée quand :

• Vous évaluez la méthodologie de recherche et le design expérimental
• Vous évaluez la validité statistique et la qualité des preuves
• Vous identifiez les biais et les variables confondantes dans les études
• Vous examinez les affirmations et conclusions scientifiques
• Vous menez des revues systématiques ou des méta-analyses
• Vous appliquez les évaluations GRADE ou Cochrane du risque de biais
• Vous fournissez une analyse critique d'articles de recherche

Amélioration visuelle avec schémas scientifiques

Lors de la création de documents avec cette compétence, envisagez toujours d'ajouter des diagrammes et schémas scientifiques pour améliorer la communication visuelle.

Si votre document ne contient pas déjà de schémas ou de diagrammes :

• Utilisez la compétence scientific-schematics pour générer des diagrammes de qualité publication alimentés par l'IA
• Décrivez simplement le diagramme souhaité en langage naturel
• Nano Banana Pro générera, examinera et affinera automatiquement le schéma

Pour les nouveaux documents : Les schémas scientifiques doivent être générés par défaut pour représenter visuellement les concepts clés, les workflows, les architectures ou les relations décrits dans le texte.

Comment générer des schémas :

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

L'IA générera automatiquement :

• Des images de qualité publication avec formatage approprié
• Un examen et un affinement via plusieurs itérations
• L'accessibilité (compatibilité daltonisme, contraste élevé)
• Les sorties sauvegardées dans le répertoire figures/

Quand ajouter des schémas :

• Diagrammes du cadre de pensée critique
• Arbres de décision pour l'identification des biais
• Organigrammes d'évaluation de la qualité des preuves
• Diagrammes de la méthodologie d'évaluation GRADE
• Cadres d'évaluation du risque de biais
• Visualisations de l'évaluation de la validité
• Tout concept complexe qui bénéficie de la visualisation

Pour des conseils détaillés sur la création de schémas, reportez-vous à la documentation de la compétence scientific-schematics.

Capacités principales

1. Critique de la méthodologie

Évaluez la méthodologie de recherche pour sa rigueur, sa validité et ses défauts potentiels.

Appliquez quand :

• Vous examinez des articles de recherche
• Vous évaluez les designs expérimentaux
• Vous évaluez les protocoles d'étude
• Vous planifiez une nouvelle recherche

Cadre d'évaluation :

1. Évaluation du design d'étude

   • Le design est-il approprié pour la question de recherche ?
   • Le design peut-il soutenir les affirmations de causalité formulées ?
   • Les groupes de comparaison sont-ils appropriés et adéquats ?
   • Considérez si le design expérimental, quasi-expérimental ou observationnel est justifié

2. Analyse de la validité

   • Validité interne : Pouvons-nous faire confiance à l'inférence causale ?
     • Vérifiez la qualité de la randomisation
     • Évaluez le contrôle des variables confondantes
     • Évaluez le biais de sélection
     • Examinez les schémas d'attrition/abandon
   • Validité externe : Les résultats se généralisent-ils ?
     • Évaluez la représentativité de l'échantillon
     • Considérez la validité écologique du contexte
     • Évaluez si les conditions correspondent à l'application cible
   • Validité de la construction : Les mesures capturent-elles les construits visés ?
     • Examinez la validation des mesures
     • Vérifiez les définitions opérationnelles
     • Évaluez si les mesures sont directes ou approximatives
   • Validité de la conclusion statistique : Les inférences statistiques sont-elles solides ?
     • Vérifiez la puissance adéquate/taille d'échantillon
     • Vérifiez la conformité aux hypothèses
     • Évaluez l'appropriateness du test

3. Contrôle et insu

   • La randomisation a-t-elle été correctement mise en œuvre (génération de la séquence, dissimulation de l'allocation) ?
   • L'insu était-il réalisable et mis en œuvre (participants, prestataires, évaluateurs) ?
   • Les conditions de contrôle sont-elles appropriées (placebo, contrôle actif, pas de traitement) ?
   • Le biais de performance ou de détection pourrait-il affecter les résultats ?

4. Qualité de la mesure

   • Les instruments sont-ils validés et fiables ?
   • Les mesures sont-elles objectives quand possible, ou subjectives avec limitations reconnues ?
   • L'évaluation des résultats est-elle standardisée ?
   • Plusieurs mesures sont-elles utilisées pour trianguler les résultats ?

Référence : Voir references/scientific_method.md pour les principes détaillés et references/experimental_design.md pour la checklist de design complète.

2. Détection des biais

Identifiez et évaluez les sources potentielles de biais qui pourraient fausser les résultats.

Appliquez quand :

• Vous examinez des recherches publiées
• Vous concevez de nouvelles études
• Vous interprétez des preuves contradictoires
• Vous évaluez la qualité de la recherche

Revue systématique des biais :

1. Biais cognitifs (chercheur)

   • Biais de confirmation : Seuls les résultats support sont-ils mis en évidence ?
   • HARKing : Les hypothèses ont-elles été énoncées a priori ou formulées après avoir vu les résultats ?
   • Biais de publication : Les résultats négatifs manquent-ils de la littérature ?
   • Cherry-picking : Les preuves sont-elles sélectivement rapportées ?
   • Vérifiez la préenregistrement et la transparence du plan d'analyse

2. Biais de sélection

   • Biais d'échantillonnage : L'échantillon est-il représentatif de la population cible ?
   • Biais de volontariat : Les participants s'auto-sélectionnent-ils de manière systématique ?
   • Biais d'attrition : L'abandon est-il différentiel entre les groupes ?
   • Biais de survivant : Seuls les « survivants » sont-ils visibles dans l'échantillon ?
   • Examinez les diagrammes de flux des participants et comparez les caractéristiques de base

3. Biais de mesure

   • Biais de l'observateur : Les attentes pourraient-elles influencer les observations ?
   • Biais de rappel : Les rapports rétrospectifs sont-ils systématiquement inexacts ?
   • Désirabilité sociale : Les réponses sont-elles biaisées vers l'acceptabilité ?
   • Biais instrumental : Les outils de mesure errent-ils systématiquement ?
   • Évaluez l'insu, la validation et l'objectivité de la mesure

4. Biais d'analyse

   • P-hacking : Plusieurs analyses ont-elles été menées jusqu'à l'émergence de la significativité ?
   • Changement de résultat : Les résultats non significatifs ont-ils été remplacés par des résultats significatifs ?
   • Rapport sélectif : Tous les analyses planifiées sont-elles rapportées ?
   • Fishing par sous-groupe : Des analyses de sous-groupe ont-elles été menées sans correction ?
   • Vérifiez l'enregistrement de l'étude et comparez aux résultats publiés

5. Confondants

   • Quelles variables pourraient affecter à la fois l'exposition et le résultat ?
   • Les confondants ont-ils été mesurés et contrôlés (statistiquement ou par design) ?
   • Une confusion non mesurée pourrait-elle expliquer les résultats ?
   • Y a-t-il des explications alternatives plausibles ?

Référence : Voir references/common_biases.md pour la taxonomie complète des biais avec stratégies de détection et d'atténuation.

3. Évaluation de l'analyse statistique

Évaluez de manière critique les méthodes statistiques, l'interprétation et la communication.

Appliquez quand :

• Vous examinez des recherches quantitatives
• Vous évaluez les affirmations basées sur les données
• Vous évaluez les résultats des essais cliniques
• Vous examinez les méta-analyses

Checklist d'examen statistique :

1. Taille d'échantillon et puissance

   • Une analyse de puissance a priori a-t-elle été menée ?
   • L'échantillon est-il adéquat pour détecter des effets significatifs ?
   • L'étude est-elle sous-alimentée (problème courant) ?
   • Les résultats significatifs de petits échantillons soulèvent-ils des questions sur des tailles d'effet gonflées ?

2. Tests statistiques

   • Les tests sont-ils appropriés au type et à la distribution des données ?
   • Les hypothèses des tests ont-elles été vérifiées et satisfaites ?
   • Les tests paramétriques sont-ils justifiés, ou des alternatives non paramétriques doivent-elles être utilisées ?
   • L'analyse correspond-elle au design d'étude (par exemple, appairé vs. indépendant) ?

3. Comparaisons multiples

   • Plusieurs hypothèses ont-elles été testées ?
   • Une correction a-t-elle été appliquée (Bonferroni, FDR, autre) ?
   • Les résultats primaires sont-ils distingués des résultats secondaires/exploratoires ?
   • Les résultats pourraient-ils être des faux positifs dus aux tests multiples ?

4. Interprétation de la valeur p

   • Les valeurs p sont-elles interprétées correctement (probabilité des données si la nullité est vraie) ?
   • La non-significativité est-elle incorrectement interprétée comme « pas d'effet » ?
   • La significativité statistique est-elle confondue avec l'importance pratique ?
   • Les valeurs p exactes sont-elles rapportées, ou seulement « p < ,05 » ?
   • Y a-t-il une accumulation suspecte juste en dessous de ,05 ?

5. Tailles d'effet et intervalles de confiance

   • Les tailles d'effet sont-elles rapportées avec la significativité ?
   • Des intervalles de confiance sont-ils fournis pour montrer la précision ?
   • La taille de l'effet est-elle significative en termes pratiques ?
   • Les tailles d'effet standardisées sont-elles interprétées avec le contexte spécifique du domaine ?

6. Données manquantes

   • Quelle quantité de données manque-t-elle ?
   • Le mécanisme des données manquantes est-il considéré (MCAR, MAR, MNAR) ?
   • Comment les données manquantes sont-elles traitées (suppression, imputation, vraisemblance maximale) ?
   • Les données manquantes pourraient-elles biaiser les résultats ?

7. Régression et modélisation

   • Le modèle est-il surajusté (trop de prédicteurs, pas de validation croisée) ?
   • Des prédictions sont-elles faites en dehors de la plage de données (extrapolation) ?
   • Les problèmes de multicollinéarité sont-ils abordés ?
   • Les hypothèses du modèle sont-elles vérifiées ?

8. Pièges courants

   • Corrélation traitée comme causalité
   • Ignorer la régression vers la moyenne
   • Négligence du taux de base
   • Sophisme du tireur texan (détection de motifs dans le bruit)
   • Paradoxe de Simpson (confusion par sous-groupes)

Référence : Voir references/statistical_pitfalls.md pour les pièges détaillés et les bonnes pratiques.

4. Évaluation de la qualité des preuves

Évaluez systématiquement la force et la qualité des preuves.

Appliquez quand :

• Vous pesez les preuves pour les décisions
• Vous menez des revues de littérature
• Vous comparez les résultats contradictoires
• Vous déterminez la confiance dans les conclusions

Cadre d'évaluation des preuves :

1. Hiérarchie du design d'étude

   • Revues systématiques/méta-analyses (les plus élevées pour les effets d'intervention)
   • Essais contrôlés randomisés
   • Études de cohorte
   • Études cas-témoins
   • Études transversales
   • Séries/rapports de cas
   • Avis d'experts (le plus faible)

   Important : Les designs de niveau supérieur ne sont pas toujours de meilleure qualité. Une étude observationnelle bien conçue peut être plus solide qu'un essai contrôlé randomisé mal conduit.

2. Qualité dans le type de design

   • Évaluation du risque de biais (utilisez l'outil approprié : Cochrane ROB, Newcastle-Ottawa, etc.)
   • Rigueur méthodologique
   • Transparence et complétude de la communication
   • Conflits d'intérêts

3. Considérations GRADE (le cas échéant)

   • Commencez par le type de design (essai contrôlé randomisé = élevé, observationnel = faible)
   • Rétrograder pour :
     • Risque de biais
     • Incohérence entre les études
     • Indirectness (mauvaise population/intervention/résultat)
     • Imprécision (larges intervalles de confiance, petits échantillons)
     • Biais de publication
   • Promouvoir pour :
     • Grandes tailles d'effet
     • Relations dose-réponse
     • Les confondants réduiraient (et non augmenteraient) l'effet

4. Convergence des preuves

   • Plus forte quand :
     • Replications indépendantes multiples
     • Différents groupes de recherche et contextes
     • Différentes méthodologies convergeant vers la même conclusion
     • Preuves mécanistiques et empiriques alignées
   • Plus faible quand :
     • Étude unique ou groupe de recherche
     • Résultats contradictoires dans la littérature
     • Biais de publication évident
     • Aucune tentative de réplication

5. Facteurs contextuels

   • Plausibilité biologique/théorique
   • Cohérence avec les connaissances établies
   • Temporalité (cause précède l'effet)
   • Spécificité de la relation
   • Force de l'association

Référence : Voir references/evidence_hierarchy.md pour la hiérarchie détaillée, le système GRADE et les outils d'évaluation de la qualité.

5. Identification des sophismes logiques

Détectez et nommez les erreurs logiques dans les arguments et affirmations scientifiques.

Appliquez quand :

• Vous évaluez les affirmations scientifiques
• Vous examinez les sections discussion/conclusion
• Vous évaluez la communication de la science populaire
• Vous identifiez le raisonnement défectueux

Sophismes courants en science :

1. Sophismes de causalité

   • Post hoc ergo propter hoc : « B a suivi A, donc A a causé B »
   • Corrélation = causalité : Confusion entre association et causalité
   • Causalité inversée : Confusion de la cause avec l'effet
   • Sophisme de cause unique : Attribuer les résultats complexes à un seul facteur

2. Sophismes de généralisation

   • Généralisation hâtive : Conclusions larges à partir de petits échantillons
   • Sophisme anecdotique : Histoires personnelles comme preuve
   • Cherry-picking : Sélectionner uniquement les preuves de soutien
   • Sophisme écologique : Appliquer les motifs de groupe aux individus

3. Sophismes d'autorité et de source

   • Appel à l'autorité : « Un expert l'a dit, donc c'est vrai » (sans preuves)
   • Ad hominem : Attaquer la personne, pas l'argument
   • Sophisme génétique : Juger par l'origine, pas le mérite
   • Appel à la nature : « Naturel = bon/sûr »

4. Sophismes statistiques

   • Négligence du taux de base : Ignorer la probabilité antérieure
   • Tireur texan : Trouver des motifs dans les données aléatoires
   • Comparaisons multiples : Ne pas corriger pour les tests multiples
   • Sophisme du procureur : Confondre P(E|H) avec P(H|E)

5. Sophismes structurels

   • Fausse dichotomie : « Soit A soit B » quand d'autres options existent
   • Déplacement des poteaux : Changer les normes de preuves après qu'elles soient atteintes
   • Pétition de principe : Raisonnement circulaire
   • Homme de paille : Dénaturer les arguments pour les attaquer

6. Sophismes spécifiques à la science

   • Sophisme de Galilée : « Ils ont ri de Galilée, donc mon idée farfelue est correcte »
   • Argument par l'ignorance : « Non prouvé faux, donc vrai »
   • Sophisme du Nirvana : Rejeter les solutions imparfaites
   • Infalsifiabilité : Faire des affirmations non testables

Lors de l'identification des sophismes :

• Nommez le sophisme spécifique
• Expliquez pourquoi le raisonnement est défectueux
• Identifiez quelles preuves seraient nécessaires pour une inférence valide
• Notez que le raisonnement sophiste ne prouve pas que la conclusion est fausse—juste que cet argument ne la soutient pas

Référence : Voir references/logical_fallacies.md pour le catalogue complet des sophismes avec exemples et stratégies de détection.

6. Orientation sur le design de recherche

Fournissez des conseils constructifs pour planifier des études rigoureuses.

Appliquez quand :

• Vous aidez à concevoir de nouvelles expériences
• Vous planifiez des projets de recherche
• Vous examinez des propositions de recherche
• Vous améliorez les protocoles d'étude

Processus de design :

1. Affinement de la question de recherche

   • Assurez-vous que la question est spécifique, répondable et falsifiable
   • Vérifiez qu'elle comble une lacune ou une contradiction dans la littérature
   • Confirmez la faisabilité (ressources, éthique, temps)
   • Définissez les variables opérationnellement

2. Sélection du design

   • Appariez le design à la question (causal → expérimental ; associationnel → observationnel)
   • Considérez les contraintes de faisabilité et d'éthique
   • Choisissez entre designs inter-sujets, intra-sujets ou mixtes
   • Planifiez les designs factoriels si vous testez plusieurs facteurs

3. Stratégie de minimisation des biais

   • Mettez en œuvre la randomisation quand c'est possible
   • Planifiez l'insu à tous les niveaux réalisables (participants, prestataires, évaluateurs)
   • Identifiez et planifiez le contrôle des confondants (randomisation, appariement, stratification, ajustement statistique)
   • Standardisez toutes les procédures
   • Planifiez de minimiser l'attrition

4. Planification de l'échantillon

   • Menez une analyse de puissance a priori (spécifiez l'effet attendu, la puissance souhaitée, alpha)
   • Tenez compte de l'attrition dans la taille d'échantillon
   • Définissez des critères d'inclusion/exclusion clairs
   • Considérez la stratégie de recrutement et la faisabilité
   • Planifiez la représentativité de l'échantillon

5. Stratégie de mesure

   • Sélectionnez des instruments validés et fiables
   • Utilisez des mesures objectives quand c'est possible
   • Planifiez plusieurs mesures des construits clés (triangulation)
   • Assurez-vous que les mesures sont sensibles aux changements attendus
   • Établissez des procédures de fiabilité inter-évaluateurs

6. Planification de l'analyse

   • Préspécifiez toutes les hypothèses et analyses
   • Désignez clairement le résultat primaire
   • Planifiez des tests statistiques avec vérifications d'hypothèses
   • Spécifiez comment les données manquantes seront traitées
   • Planifiez de rapporter les tailles d'effet et les intervalles de confiance
   • Considérez les corrections pour comparaisons multiples

7. Transparence et rigueur

   • Préenregistrez l'étude et le plan d'analyse
   • Utilisez les directives de communication (CONSORT, STROBE, PRISMA)
   • Planifiez de rapporter tous les résultats, pas seulement les significatifs
   • Distinguez les analyses de confirmation des analyses exploratoires
   • Engagez-vous à partager les données/code

Référence : Voir references/experimental_design.md pour la checklist de design complète couvrant toutes les étapes de la question à la diffusion.

7. Évaluation des affirmations

Évaluez systématiquement les affirmations scientifiques pour leur validité et leur soutien.

Appliquez quand :

• Vous évaluez les conclusions dans les articles
• Vous évaluez les rapports médiatiques sur la recherche
• Vous examinez les affirmations de l'abstract ou de l'introduction
• Vous vérifiez si les données soutiennent les conclusions

Processus d'évaluation des affirmations :

1. Identifier l'affirmation

   • Qu'est-ce qui est exactement affirmé ?
   • Est-ce une affirmation causale, une affirmation associationnelle ou une affirmation descriptive ?
   • Quelle est la force de l'affirmation (prouvée, probable, suggérée, possible) ?

2. Évaluer les preuves

   • Quelles preuves sont fournies ?
   • Les preuves sont-elles directes ou indirectes ?
   • Les preuves sont-elles suffisantes pour la force de l'affirmation ?
   • Les explications alternatives sont-elles exclues ?

3. Vérifier la connexion logique

   • Les conclusions découlent-elles des données ?
   • Y a-t-il des sauts logiques ?
   • Les données corrélatives sont-elles utilisées pour soutenir des affirmations causales ?
   • Les limitations sont-elles reconnues ?

4. Évaluer la proportionnalité

   • La confiance est-elle proportionnelle à la force des preuves ?
   • Les mots de prudence sont-ils utilisés convenablement ?
   • Les limitations sont-elles minimisées ?
   • La spéculation est-elle clairement identifiée ?

5. Vérifier la surengénéralisation

   • Les affirmations s'étendent-elles au-delà de l'échantillon étudié ?
   • Les restrictions de population sont-elles reconnues ?
   • La dépendance contextuelle est-elle reconnue ?
   • Les restrictions à la généralisation sont-elles incluses ?

6. Drapeaux rouges

   • Langage causal à partir d'études corrélatives
   • « Prouve » ou certitude absolue
   • Citations sélectivement choisies
   • Ignorer les preuves contradictoires
   • Rejeter les limitations
   • Extrapolation au-delà des données

Fournissez des commentaires spécifiques :

• Citez l'affirmation problématique
• Expliquez quelles preuves seraient nécessaires pour la soutenir
• Suggérez un langage de prudence approprié si justifié
• Distinguez les données (ce qui a été trouvé) de l'interprétation (ce que cela signifie)

Directives d'application

Approche générale

1. Soyez constructif

   • Identifiez les forces ainsi que les faiblesses
   • Suggérez des améliorations plutôt que de simplement critiquer
   • Distinguez les défauts fatals des limitations mineures
   • Reconnaissez que toute recherche a des limitations

2. Soyez spécifique

   • Pointez vers des instances spécifiques (par exemple, « Le tableau 2 montre... » ou « Dans la section Méthodes... »)
   • Citez les affirmations problématiques
   • Fournissez des exemples concrets de problèmes
   • Référencez les principes ou normes spécifiques violés

3. Soyez proportionné

   • Appariez la sévérité de la critique à l'importance du problème
   • Distinguez les menaces majeures à la validité des préoccupations mineures
   • Considérez si les problèmes affectent les conclusions principales
   • Reconnaissez l'incertitude dans vos propres évaluations

4. Appliquez des normes cohérentes

   • Utilisez les mêmes critères pour toutes les études
   • N'appliquez pas des normes plus strictes aux résultats que vous n'aimez pas
   • Reconnaissez vos propres biais potentiels
   • Basez les jugements sur la méthodologie, pas les résultats

5. Considérez le contexte

   • Reconnaissez les contraintes pratiques et éthiques
   • Considérez les normes spécifiques du domaine pour les tailles d'effet et les méthodes
   • Reconnaissez les contextes exploratoires vs. de confirmation
   • Tenez compte des limitations de ressources lors de l'évaluation des études

Quand vous fournissez une critique

Structurez les commentaires comme :

1. Résumé : Brève vue d'ensemble de ce qui a été évalué
2. Forces : Ce qui a été bien fait (important pour la crédibilité et l'apprentissage)
3. Préoccupations : Problèmes organisés par sévérité
   • Problèmes critiques (menacent la validité des conclusions principales)
   • Problèmes importants (affectent l'interprétation mais pas fatalement)
   • Problèmes mineurs (à noter mais ne changent pas les conclusions)
4. Recommandations spécifiques : Suggestions d'amélioration actionnables
5. Évaluation générale : Conclusion équilibrée sur la qualité des preuves et ce qui peut être conclu

Utilisez une terminologie précise :

• Nommez les biais spécifiques, les sophismes et les problèmes méthodologiques
• Référencez les normes et directives établies
• Citez les principes de la méthodologie scientifique
• Utilisez les termes techniques avec précision

Quand vous êtes incertain

• Reconnaissez l'incertitude : « Cela pourrait être X ou Y ; l'information supplémentaire nécessaire est Z »
• Posez des questions de clarification : « [Le détail méthodologique] a-t-il été fait ? Cela affecte l'interprétation. »
• Fournissez des évaluations conditionnelles : « Si X a été fait, alors Y en découle ; sinon, Z est une préoccupation »
• Notez les informations supplémentaires qui résoudraient l'incertitude

Matériaux de référence

Cette compétence inclut des matériaux de référence complets qui fournissent des cadres détaillés pour l'évaluation critique :

• references/scientific_method.md - Principes fondamentaux de la méthodologie scientifique, le processus scientifique, critères d'évaluation critique, drapeaux rouges dans les affirmations scientifiques, normes d'inférence causale, examen par les pairs et principes de la science ouverte

• references/common_biases.md - Taxonomie complète des biais cognitifs, expérimentaux, méthodologiques, statistiques et d'analyse avec stratégies de détection et d'atténuation

• references/statistical_pitfalls.md - Erreurs statistiques courantes et malinterprétations incluant les malentendus sur la valeur p, les problèmes de comparaisons multiples, les problèmes de taille d'échantillon, les erreurs de taille d'effet, la confusion corrélation/causalité, les pièges de régression et les problèmes de méta-analyse

• references/evidence_hierarchy.md - Hiérarchie traditionnelle des preuves, système GRADE, critères d'évaluation de la qualité des études, considérations spécifiques au domaine, principes de synthèse des preuves et cadres de décision pratiques

• references/logical_fallacies.md - Sophismes logiques courants dans le discours scientifique organisés par type (causalité, généralisation, autorité, pertinence, structure, statistique) avec exemples et stratégies de détection

• references/experimental_design.md - Checklist complète de design expérimental couvrant les questions de recherche, les hypothèses, la sélection du design d'étude, les variables, l'échantillonnage, l'insu, la randomisation, les groupes de contrôle, les procédures, la mesure, la minimisation des biais, la gestion des données, la planification statistique, les considérations éthiques, les menaces à la validité et les normes de communication

Quand consulter les références :

• Chargez les références dans le contexte quand des cadres détaillés sont nécessaires
• Utilisez grep pour chercher les références pour des sujets spécifiques : grep -r "pattern" references/
• Les références fournissent de la profondeur ; SKILL.md fournit des conseils procéduraux
• Consultez les références pour les listes complètes, les critères détaillés et les exemples spécifiques

Souvenez-vous

La pensée critique scientifique consiste à :

• L'évaluation systématique en utilisant des principes établis
• La critique constructive qui améliore la science
• La confiance proportionnelle à la force des preuves
• La transparence sur l'incertitude et les limitations
• L'application cohérente des normes
• La reconnaissance que toute recherche a des limitations
• L'équilibre entre le scepticisme et l'ouverture aux preuves

Distinguez toujours entre :

• Les données (ce qui a été observé) et l'interprétation (ce que cela signifie)
• La corrélation et la causalité
• La significativité statistique et l'importance pratique
• Les résultats exploratoires et les résultats de confirmation
• Ce qui est connu et ce qui est incertain
• Les preuves contre une affirmation et les preuves pour la nullité

Objectifs de la pensée critique :

1. Identifier les forces et les faiblesses avec précision
2. Déterminer quelles conclusions sont soutenues
3. Reconnaître les limitations et les incertitudes
4. Suggérer des améliorations pour les travaux futurs
5. Faire progresser la compréhension scientifique