ssci-subagent-skills 1.0.0

package/skills/performing-axial-coding/tests/test_integration.py

@@ -0,0 +1,84 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+集成测试 - 轴心编码完整流程
+"""
+
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).parent.parent / 'scripts'))
+
+from identify_categories import cluster_codes_to_categories, name_category, define_category
+from build_relationships import identify_causal_relations, identify_conditional_relations
+from construct_paradigm import build_paradigm_model, validate_paradigm
+
+def test_complete_axial_coding_workflow():
+    """测试完整轴心编码流程"""
+    print("🧪 测试轴心编码完整流程...")
+    
+    # 模拟开放编码结果
+    codes = [
+        {'concept': '寻求教师指导', 'frequency': 10, 'definition': '主动向教师寻求帮助'},
+        {'concept': '获得教师支持', 'frequency': 8, 'definition': '从教师处获得支持'},
+        {'concept': '建立同伴关系', 'frequency': 7, 'definition': '与同学建立关系'},
+        {'concept': '互相帮助学习', 'frequency': 6, 'definition': '同学间互相帮助'},
+        {'concept': '制定学习计划', 'frequency': 9, 'definition': '制定详细计划'},
+        {'concept': '执行学习计划', 'frequency': 5, 'definition': '坚持执行计划'},
+        {'concept': '体验学业压力', 'frequency': 8, 'definition': '感受学习压力'},
+        {'concept': '调整学习策略', 'frequency': 4, 'definition': '调整学习方法'},
+        {'concept': '实现学业进步', 'frequency': 7, 'definition': '取得学习进步'},
+        {'concept': '提升学习信心', 'frequency': 5, 'definition': '增强学习信心'},
+    ]
+    
+    # 步骤1：识别范畴
+    categories = cluster_codes_to_categories(codes, n_categories=3, min_codes=2)
+    assert len(categories) > 0, "范畴识别失败"
+    print(f"  ✅ 步骤1-范畴识别: {len(categories)} 个范畴")
+    
+    # 为范畴命名
+    for cat in categories:
+        cat['name'] = name_category(cat['codes'])
+        cat['definition'] = define_category(cat['codes'])
+    
+    print(f"     范畴: {', '.join([c['name'] for c in categories])}")
+    
+    # 步骤2：识别关系
+    causal_relations = identify_causal_relations(categories)
+    conditional_relations = identify_conditional_relations(categories)
+    all_relations = causal_relations + conditional_relations
+    
+    print(f"  ✅ 步骤2-关系识别: {len(all_relations)} 个关系")
+    
+    # 步骤3：构建Paradigm
+    paradigm = build_paradigm_model(categories, all_relations)
+    assert paradigm['phenomenon'] is not None, "Paradigm构建失败"
+    print(f"  ✅ 步骤3-Paradigm构建: 核心现象='{paradigm['phenomenon']}'")
+    
+    # 步骤4：验证模型
+    validation = validate_paradigm(paradigm)
+    print(f"  ✅ 步骤4-模型验证: 完整度={validation['completeness_score']*100:.0f}%")
+    
+    if validation['issues']:
+        print(f"     ⚠️  问题: {', '.join(validation['issues'])}")
+    
+    return True
+
+def main():
+    print("=" * 60)
+    print("轴心编码技能 - 集成测试")
+    print("=" * 60)
+    
+    try:
+        if test_complete_axial_coding_workflow():
+            print("\n✅ 集成测试通过")
+            print("=" * 60)
+            return 0
+    except Exception as e:
+        print(f"\n❌ 集成测试失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return 1
+
+if __name__ == "__main__":
+    sys.exit(main())

package/skills/performing-centrality-analysis/SKILL.md

@@ -0,0 +1,210 @@
+---
+name: performing-centrality-analysis
+description: 当用户需要执行社会网络中心性分析，包括度中心性、接近中心性、介数中心性和特征向量中心性的计算和解释时使用此技能
+version: 1.0.0
+author: socienceAI.com
+tags: [social-network-analysis, centrality-measures, network-analysis, graph-theory, node-importance]
+---
+
+# 网络中心性分析技能 (Performing Centrality Analysis)
+
+## Overview
+识别网络中的关键节点，为中文社会科学研究提供网络结构和权力关系的量化分析。
+
+## When to Use This Skill
+Use this skill when the user requests:
+- Calculation of network centrality measures (degree, closeness, betweenness, eigenvector)
+- Identification of key nodes or influential actors in a network
+- Analysis of power distribution and influence in social networks
+- Detection of bridges or brokers in information flow
+- Assessment of node importance and connectivity
+- Understanding of network structure and key positions
+- Analysis of social network data in Chinese context
+
+## Quick Start
+When a user requests centrality analysis:
+1. **Calculate** all four main centrality measures
+2. **Compare** different centrality indicators
+3. **Identify** key influential nodes (hubs, bridges, influencers)
+4. **Analyze** the relationship between different centrality measures
+5. **Interpret** results in Chinese social network context
+
+## 使用时机
+
+当用户提到以下需求时，使用此技能：
+- "中心性分析" 或 "计算中心性"
+- "关键节点识别" 或 "找出重要节点"
+- "权力中心" 或 "影响力分析"
+- "社会网络分析" 或 "网络结构"
+- "信息枢纽" 或 "信息传播"
+- 需要量化分析网络中节点的重要性
+
+## 快速开始
+
+### 工具链（5个核心脚本）
+
+```bash
+# 1. 计算所有中心性指标
+python scripts/calculate_centrality.py \
+  --input network.json \
+  --output centrality.json
+
+# 2. 按特定指标排序
+python scripts/calculate_centrality.py \
+  --input network.json \
+  --metric betweenness \
+  --top 20
+
+# 3. 识别关键节点
+python scripts/identify_key_nodes.py \
+  --input centrality.json \
+  --output key_nodes.json
+
+# 4. 比较不同中心性
+python scripts/compare_centralities.py \
+  --input centrality.json \
+  --output comparison.json
+
+# 5. 网络可视化
+python scripts/visualize_centrality.py \
+  --input network.json \
+  --centrality centrality.json \
+  --output network_viz.png
+```
+
+## 核心流程
+
+### 第一步：数据预处理
+
+使用预处理工具清洗网络数据：
+```bash
+python scripts/preprocess_network_data.py --input raw_data.json --output clean_network.json
+```
+
+**关键要点**：
+- 网络格式验证
+- 缺失值处理
+- 异常值检测
+
+详见：`references/data-preparation.md`
+
+### 第二步：中心性计算
+
+使用计算工具获得四种中心性指标：
+```bash
+python scripts/calculate_centrality.py --input clean_network.json --output centrality_measures.json
+```
+
+**计算指标**：
+- 度中心性：节点的直接连接数
+- 接近中心性：到达其他节点的容易程度
+- 介数中心性：在最短路径中的重要性
+- 特征向量中心性：连接到重要节点的程度
+
+详见：`references/centrality-theory.md`
+
+### 第三步：关键节点识别
+
+使用分类工具识别不同类型的节点：
+```bash
+python scripts/identify_key_nodes.py --input centrality_measures.json --output node_classifications.json
+```
+
+**节点类型**：
+- Hubs（枢纽节点）：度中心性高
+- Bridges（桥接节点）：介数中心性高
+- Influencers（影响者）：特征向量中心性高
+
+详见：`references/node-classification.md`
+
+### 第四步：中心性比较分析
+
+使用比较工具分析不同中心性指标的关系：
+```bash
+python scripts/compare_centralities.py --input centrality_measures.json --output comparison_report.json
+```
+
+**比较维度**：
+- 相关性分析
+- 排名差异
+- 一致性检验
+
+详见：`references/centrality-comparison.md`
+
+### 第五步：结果解释
+
+结合社会背景解释中心性结果：
+- 识别权力结构
+- 分析信息流动
+- 理解网络功能
+
+详见：`references/social-interpretation.md`
+
+## 输出格式
+
+统一的三层JSON格式：
+
+```json
+{
+  "summary": {
+    "total_nodes": 50,
+    "total_edges": 120,
+    "network_density": 0.098,
+    "top_node": "节点A",
+    "hubs_count": 5,
+    "bridges_count": 3,
+    "influencers_count": 4
+  },
+  "details": {
+    "centralities": {
+      "degree": [...],
+      "closeness": [...],
+      "betweenness": [...],
+      "eigenvector": [...]
+    },
+    "top_nodes": [...],
+    "key_nodes": {
+      "hubs": [...],
+      "bridges": [...],
+      "influencers": [...]
+    }
+  },
+  "metadata": {
+    "timestamp": "2025-12-21T10:30:00",
+    "version": "1.0.0"
+  }
+}
+```
+
+详见：`references/output-format.md`
+
+## 质量检查清单
+
+在完成中心性分析后，请检查以下项目：
+
+- [ ] 网络数据格式正确，节点边信息完整
+- [ ] 所有4种中心性指标计算正确
+- [ ] 关键节点识别合理（hubs/bridges/influencers）
+- [ ] 结果解释准确，考虑中国"关系"网络特点
+- [ ] 可视化清晰，突出关键节点
+
+详见：`references/quality-checklist.md`
+
+## 深入学习
+
+- **中心性理论**：`references/centrality-theory.md` - 公式和算法
+- **中国社会网络**：`references/chinese-network-characteristics.md` - 关系网络特点
+- **实践案例**：`references/case-studies.md` - 完整分析案例
+- **故障排除**：`references/troubleshooting.md` - 问题诊断
+
+## 完成标志
+
+完成高质量的中心性分析应该：
+1. 提供准确的四种中心性指标
+2. 深入解释各种中心性的含义
+3. 识别网络中的关键节点
+4. 给出符合中文语境的解释和建议
+
+---
+
+*此技能为中文社会科学研究提供全面的网络中心性分析支持，帮助研究者深入理解网络结构和权力关系。*

package/skills/performing-centrality-analysis/pyproject.toml

@@ -0,0 +1,21 @@
+[project]
+name = "performing-centrality-analysis"
+version = "1.0.0"
+description = "绀句細缃戠粶涓績鎬у垎鏋愬伐鍏烽泦锛氬害涓績鎬с€佹帴杩戜腑蹇冩€с€佷腑浠嬩腑蹇冩€с€佺壒寰佸悜閲忎腑蹇冩€?
+requires-python = ">=3.8"
+dependencies = [
+    "networkx>=3.0",
+    "pandas>=2.0.0",
+    "numpy>=1.24.0",
+    "matplotlib>=3.7.0",
+]
+
+[tool.uv]
+[[tool.uv.index]]
+name = "tsinghua"
+url = "https://pypi.tuna.tsinghua.edu.cn/simple/"
+default = true
+
+[tool.uv.cache]
+keys = ["networkx"]
+

package/skills/performing-centrality-analysis/references/README.md

@@ -0,0 +1,60 @@
+# 中心性分析参考文档索引
+
+> **渐进式学习路径**：从INDEX开始，根据需要深入子文档。
+
+## 快速导航
+
+### 1. 中心性理论
+**入口**：`centrality-theory/INDEX.md`
+- 四种中心性的定义和公式
+- 算法原理（Brandes算法等）
+- 适用场景和选择指南
+
+### 2. 中国社会网络
+**入口**：`chinese-context/INDEX.md`
+- "关系"网络的特点
+- 中心性在中国文化中的解释
+- 本土化应用案例
+
+### 3. 实践案例
+**入口**：`examples/INDEX.md`
+- 完整的网络分析案例
+- 不同中心性指标的解释
+- 可视化方法
+
+### 4. 故障排除
+**入口**：`troubleshooting/INDEX.md`
+- 网络规模过大的处理
+- 中心性结果矛盾的分析
+- 计算性能优化
+
+---
+
+## 学习路径
+
+**路径A：理论优先**
+```
+centrality-theory/INDEX.md → definitions.md → algorithms.md
+```
+
+**路径B：实践优先**
+```
+examples/INDEX.md → complete-example.md → visualization.md
+```
+
+**路径C：中国本土化**
+```
+chinese-context/INDEX.md → guanxi-networks.md
+```
+
+---
+
+## 权威文献
+
+- Freeman, L. C. (1978). Centrality in social networks. *Social Networks*, 1(3), 215-239.
+- Wasserman, S., & Faust, K. (1994). *Social Network Analysis*. Cambridge University Press.
+- 边燕杰 (2004). 《城市居民社会资本的来源及作用》. 中国社会科学.
+
+---
+
+*最后更新：2025-12-19*

package/skills/performing-centrality-analysis/references/centrality-theory/INDEX.md

@@ -0,0 +1,136 @@
+# 中心性理论指南
+
+> **渐进式学习**：本文档提供四种中心性的理论基础。
+
+## 四种中心性对比
+
+| 中心性 | 公式 | 计算复杂度 | 适用场景 |
+|-------|------|-----------|---------|
+| 度中心性 | C_D(v) = deg(v)/(n-1) | O(n) | 识别活跃节点 |
+| 接近中心性 | C_C(v) = (n-1)/Σd(v,u) | O(n²) | 识别信息传播快的节点 |
+| 介数中心性 | C_B(v) = Σσ_st(v)/σ_st | O(n³) | 识别桥梁节点 |
+| 特征向量中心性 | Ax = λx | O(n²) | 识别有影响力的节点 |
+
+---
+
+## 1. 度中心性（Degree Centrality）
+
+**定义**：节点的直接连接数量
+
+**公式**：
+```
+C_D(v) = deg(v) / (n-1)
+```
+- deg(v)：节点v的度数
+- n：网络节点总数
+
+**解释**：
+- 值域：[0, 1]
+- 高值：社交活跃，直接连接多
+- 低值：边缘节点，连接少
+
+**应用**：
+- 识别社交网络中的活跃分子
+- 找出信息发布的源头
+
+---
+
+## 2. 接近中心性（Closeness Centrality）
+
+**定义**：节点到达其他节点的平均距离的倒数
+
+**公式**：
+```
+C_C(v) = (n-1) / Σ d(v,u)
+```
+- d(v,u)：节点v到u的最短路径长度
+
+**解释**：
+- 值域：(0, 1]
+- 高值：能快速到达网络中的所有节点
+- 低值：远离网络中心
+
+**应用**：
+- 识别信息传播效率高的节点
+- 找出物流网络中的最佳位置
+
+---
+
+## 3. 介数中心性（Betweenness Centrality）
+
+**定义**：节点在最短路径中出现的频率
+
+**公式**：
+```
+C_B(v) = Σ σ_st(v) / σ_st
+```
+- σ_st：节点s到t的最短路径数
+- σ_st(v)：经过节点v的最短路径数
+
+**解释**：
+- 值域：[0, 1]
+- 高值：控制信息流动的桥梁
+- 低值：不在关键路径上
+
+**应用**：
+- 识别网络中的桥梁和中介
+- 找出信息传播的瓶颈
+
+**算法**：Brandes算法（O(nm)，m为边数）
+
+---
+
+## 4. 特征向量中心性（Eigenvector Centrality）
+
+**定义**：节点连接到其他重要节点的程度
+
+**公式**：
+```
+Ax = λx
+```
+- A：邻接矩阵
+- x：特征向量（中心性值）
+- λ：最大特征值
+
+**解释**：
+- 值域：[0, 1]（标准化后）
+- 高值：连接到其他重要节点
+- 低值：连接到不重要节点
+
+**应用**：
+- 识别具有间接影响力的节点
+- 找出意见领袖
+
+---
+
+## 选择指南
+
+**研究问题**决定使用哪种中心性：
+
+- **谁最活跃？** → 度中心性
+- **谁传播信息最快？** → 接近中心性
+- **谁是桥梁？** → 介数中心性
+- **谁最有影响力？** → 特征向量中心性
+
+**综合分析**：同时计算多种中心性，找出在多个维度上都突出的节点
+
+---
+
+## 计算工具
+
+```bash
+python scripts/calculate_centrality.py \
+  --input network.json \
+  --metric degree  # 或 closeness, betweenness, eigenvector
+```
+
+---
+
+## 权威文献
+
+- Freeman, L. C. (1978). Centrality in social networks. *Social Networks*, 1(3), 215-239.
+- Brandes, U. (2001). A faster algorithm for betweenness centrality. *Journal of Mathematical Sociology*, 25(2), 163-177.
+
+---
+
+*文档大小：约700字 | 阅读时间：2分钟*

package/skills/performing-centrality-analysis/references/chinese-context/INDEX.md

@@ -0,0 +1,169 @@
+# 中国社会网络中心性分析指南
+
+> **渐进式学习**：本文档提供中国社会网络的特殊性和中心性解释。
+
+## 中国社会网络的特点
+
+### 1. 关系（Guanxi）网络
+
+**定义**：基于人情、面子和互惠的社会关系网络
+
+**特点**：
+- 强调长期互惠
+- 重视面子和人情
+- 关系强度差异大（强关系 vs 弱关系）
+
+**对中心性的影响**：
+- 度中心性：反映关系网络的广度
+- 介数中心性：反映"中间人"角色
+- 特征向量中心性：反映与权威人物的关系
+
+---
+
+### 2. 差序格局
+
+**定义**：以自我为中心的同心圆式社会结构（费孝通）
+
+**特点**：
+- 关系亲疏有别
+- 圈子文化明显
+- 内外有别
+
+**对中心性的影响**：
+- 需要区分不同圈子的中心性
+- 桥梁节点连接不同圈子
+- 核心圈的中心性更重要
+
+---
+
+### 3. 集体主义
+
+**定义**：强调群体利益和归属
+
+**特点**：
+- 重视群体和谐
+- 强调集体决策
+- 领导权威性强
+
+**对中心性的影响**：
+- 特征向量中心性更能反映实际影响力
+- 度中心性可能低估权威人物的影响
+- 需要考虑正式权力和非正式影响力
+
+---
+
+## 中心性在中国社会网络中的解释
+
+### 度中心性（关系广度）
+
+**中国语境**：
+- 高值："人脉广"、"朋友多"
+- 低值："孤立"、"不合群"
+
+**案例**：
+```
+节点A：度中心性 = 0.80
+解释：A认识网络中80%的人，是典型的"社交达人"，
+      在中国文化中被视为"人脉广"、"吃得开"。
+```
+
+---
+
+### 介数中心性（中间人角色）
+
+**中国语境**：
+- 高值："中间人"、"牵线搭桥"
+- 低值："局外人"
+
+**案例**：
+```
+节点B：介数中心性 = 0.65
+解释：B连接不同的关系圈子，扮演"中间人"角色，
+      在中国社会中这种角色尤为重要，因为"关系"
+      的建立往往需要中间人引荐。
+```
+
+---
+
+### 特征向量中心性（影响力）
+
+**中国语境**：
+- 高值："有背景"、"靠山硬"
+- 低值："没关系"
+
+**案例**：
+```
+节点C：特征向量中心性 = 0.90
+解释：C虽然认识的人不多（度中心性0.30），
+      但都是重要人物。在中国文化中，这种
+      "质量高于数量"的关系网络更有价值。
+```
+
+---
+
+## 本土化分析建议
+
+### 1. 区分强弱关系
+
+使用边权重区分：
+- 强关系（weight ≥ 0.7）：家人、密友
+- 弱关系（weight < 0.7）：泛泛之交
+
+**工具支持**：
+```bash
+python scripts/calculate_centrality.py \
+  --input network.json \
+  --weighted  # 考虑边权重
+```
+
+---
+
+### 2. 识别关键角色
+
+**中国社会网络的典型角色**：
+
+| 角色 | 中心性特征 | 中文描述 |
+|-----|-----------|---------|
+| 社交达人 | 度中心性高 | "人脉广" |
+| 中间人 | 介数中心性高 | "牵线搭桥" |
+| 意见领袖 | 特征向量中心性高 | "有影响力" |
+| 核心人物 | 多种中心性都高 | "关键人物" |
+
+---
+
+### 3. 考虑文化因素
+
+**面子文化**：
+- 高中心性节点更注重维护面子
+- 失去中心性可能导致"丢面子"
+
+**人情文化**：
+- 中心性高的节点承担更多人情债
+- 需要平衡给予和索取
+
+**权威文化**：
+- 正式权力可能与中心性不一致
+- 需要同时分析正式和非正式网络
+
+---
+
+## 实践案例
+
+**研究**：某企业员工关系网络
+
+**发现**：
+- 部门经理（节点A）：度中心性0.45，特征向量中心性0.85
+- 解释：虽然A认识的人不多，但都是其他部门的关键人物，
+        体现了中国企业中"关系质量"重于"关系数量"
+
+---
+
+## 下一步
+
+**查看完整案例**：`../examples/INDEX.md`
+
+**理论基础**：`../centrality-theory/INDEX.md`
+
+---
+
+*文档大小：约700字 | 阅读时间：2分钟*