science-discipline-methods

1# 学科方法库：先定设计，再谈统计
2 
3## 这一层解决什么问题
4 
5一个研究生最常见的卡点不是「不会做统计」，而是**问错了问题类型**。
6 
7他手里有一个现象、一份数据、一个想说的话，但不知道这个领域**用什么方式把现象变成证据**。
8心理学靠随机分配与操纵检查，经济学靠外生变异与平行趋势，化学靠表征链，材料靠批次与标准，
9机器学习靠多种子与强基线——同样是「证明 A 影响 B」，各领域要求的证据形态完全不同。
10 
11所以这一层的产出不是结论，是**这个领域公认的走路方式**：
12能问什么、用哪个设计、要多少样本、量什么、跑什么方法、装什么软件、审稿人先打哪里。
13 
14## 入口
15 
16```
17science_discipline_list {}                                  # 有哪些学科包
18science_discipline_profile { domain: "biomed" }             # 某个学科的全貌
19science_discipline_profile { question: "我想用 fMRI 研究注意力的神经机制" }   # 只有问题也行
20science_discipline_profile { design: "重复测量" }            # 反向查：哪些领域有这个范式
21science_discipline_profile { tool: "RDKit" }                # 反向查：这软件在哪个领域是标准
22science_discipline_profile { journal: "nature" }            # 只知道要投哪
23```
24 
25`domain` 可以给 id、中文名、英文名，或者整段研究问题——匹配器按
26「显式 → 期刊族 → 别名精确 → 别名包含 → 关键词 → generic」六级降级，
27并把 `matchedBy` / `confidence` / `candidates` 一起返回，让你知道它有多确定。
28 
29**generic 不是失败**，是诚实：没匹配上时不硬塞一个最近的学科，因为错误的学科包
30会让后面每一步建议都错（样本量、默认校正方法、报告规范全都跟着错）。
31 
32## 一个学科包里有九样东西
33 
34| 字段 | 回答什么 | 什么时候必看 |
35| --- | --- | --- |
36| `questionTypes` | 这个领域能问哪几类问题，各需要什么前置 | 选题阶段 |
37| `designs` | 有哪几种被接受的设计，各自的 `requires` / `nRule` / `threats` | 写方案前 |
38| `measurements` | 量什么、单位、精度、伪迹来源、怎么校准 | 设计问卷/实验时 |
39| `methods` | 分析方法的适用条件、`tool`、`pitfall` | 分析前 |
40| `tools` | 装什么、`install`、`minimalScript`、是否离线、许可 | 开工第一天 |
41| `statsDefaults` | 该领域的 α、校正方法、首选效应量 | 分析前 |
42| `reviewerAttacks` | 审稿人会先打哪里，以及怎么挡 | 投稿前自检 |
43| `benchmarks` | 顶刊的**方法学门槛** | 判断「我这够不够」 |
44| `exemplarStructure` | Results 该按什么顺序写，图给几张 | 写作时 |
45…