ssci-subagent-skills 1.0.0

package/skills/ant-expert/SKILL.md

@@ -0,0 +1,182 @@
+---
+name: ant-expert
+description: 行动者网络理论专家分析技能，整合参与者识别、网络分析和转译过程追踪功能，提供全面的ANT分析框架
+version: 1.0.0
+author: socienceAI.com
+license: MIT
+tags: [actor-network-theory, ANT, science-technology-studies, socio-technical, networks, participant-identification, network-analysis, translation-process]
+compatibility: Claude 3.5 Sonnet and above
+metadata:
+  domain: science-and-technology-studies
+  methodology: actor-network-theory
+  complexity: advanced
+  integration_type: analysis_tool
+  last_updated: "2025-12-27"
+allowed-tools: [python, bash, read_file, write_file]
+---
+
+# 行动者网络理论专家分析技能 (ANT Expert Analysis)
+
+## 概述
+
+行动者网络理论专家分析技能整合了参与者识别、网络分析和转译过程追踪功能，为社会科学研究提供全面的ANT分析框架。该技能帮助研究者识别人类和非人类行动者、构建关系网络、追踪网络构建过程并分析网络动态。
+
+## 使用时机
+
+当用户请求以下分析时使用此技能：
+- 涉及人类和非人类行动者的社会技术网络分析
+- 网络中行动者（人类和非人类）的识别
+- 转译过程和网络构建的追踪
+- 事实、技术或实践构建过程的分析
+- 异质网络中权力关系的理解
+- 网络稳定化或去稳定化过程的调查
+- 物质对象在社会过程中的作用检验
+- 创新过程和技术采纳的研究
+- 政策网络和实施过程的分析
+- 科学知识构建过程的调查
+
+## 快速开始
+
+当用户请求ANT分析时：
+1. **绘制**所有相关人类和非人类行动者
+2. **追踪**行动者间的连接
+3. **跟随**转译过程（问题化到动员）
+4. **分析**物质-符号关系
+5. **评估**网络稳定性和动态
+
+## 核心功能（渐进式披露）
+
+### 主要功能
+- **行动者识别**: 识别人类和非人类行动者
+- **网络分析**: 分析网络拓扑和结构
+- **转译过程追踪**: 追踪问题化、利益化、征召和动员
+- **基本习性**: 理解参与者的倾向
+
+### 次要功能
+- **边界分析**: 定义网络边界和排除
+- **关系动态**: 分析网络中关系的强度和性质
+- **自主性评估**: 评估独立于外部力量的程度
+- **历史分析**: 追溯网络发展的时间线
+
+### 高级功能
+- **符号暴力**: 识别支配和误解的机制
+- **多网络分析**: 检查网络间的关系
+- **网络演化**: 分析网络结构的变化
+- **复杂习性**: 检查习性如何使能/限制实践
+
+## 详细指令
+
+### 第一阶段：行动者识别与映射
+   - 识别所有相关的人类和非人类行动者
+   - 确定行动者间的关系
+   - 评估不同行动者的能动性
+   - 绘制初始网络配置
+   - 考虑核心和边缘行动者
+
+### 第二阶段：网络分析
+   - 追踪行动者间的连接
+   - 分析关系的强度和性质
+   - 识别关键中介和转译中介
+   - 绘制网络拓扑
+   - 考虑网络边界和排除
+
+### 第三阶段：转译过程追踪
+   - 识别问题化阶段
+   - 追踪利益化和征召过程
+   - 分析动员策略
+   - 检查利益如何被转译
+   - 考虑转译失败的时刻
+
+### 第四阶段：物质符号分析
+   - 检查非人类行动者的能动性
+   - 分析社会-物质纠缠
+   - 识别技术与对象中的脚本
+   - 考虑物质安排如何塑造社会关系
+   - 理解物质安排的表演性
+
+### 第五阶段：网络动态评估
+   - 分析稳定或去稳定网络的因素
+   - 识别变化和转换的时刻
+   - 检查网络内的权力关系
+   - 考虑潜在的未来发展
+   - 评估网络的鲁棒性
+
+### 第六阶段：综合与解释
+   - 整合所有维度的发现
+   - 将ANT分析与更广泛的社会过程联系起来
+   - 考虑中国社会背景和文化特殊性
+   - 提供可操作的见解
+
+## 参数
+- `analysis_type`: 分析类型 (actors, network, translation, comprehensive)
+- `actor_type`: 行动者类型 (human, non-human, hybrid)
+- `network_scope`: 网络分析范围 (local, regional, global)
+- `translation_phase`: 转译阶段 (problematization, interessement, enrollment, mobilization)
+- `agency_level`: 能动性水平 (high, medium, low)
+- `methodology`: 分析方法 (qualitative, quantitative, mixed)
+- `cultural_context`: 文化背景考虑 (特别是中文研究背景)
+
+## 示例
+
+### 示例 1: 技术采纳网络分析
+User: "分析中国电动汽车采纳的行动者网络"
+Response: 识别政府机构、汽车制造商、消费者、充电基础设施、电池技术、环境关切、法规等行动者，分析它们之间的关系和转译过程。
+
+### 示例 2: 医疗网络分析
+User: "分析远程医疗实施的行动者网络"
+Response: 识别医生、患者、医院管理员、医疗设备、数字平台、健康数据、医疗协议、监管机构等行动者，追踪它们的转译过程。
+
+### 示例 3: 政策实施网络分析
+User: "分析农村教育政策实施的行动者网络"
+Response: 识别政府官员、教师、学生、家长、学校、教育技术、教科书、互联网基础设施、当地社区等行动者，评估网络的稳定性。
+
+## 质量标准
+
+- 严格应用ANT原则（广义对称性、转译）
+- 包括人类和非人类行动者
+- 保持关系分析的重点
+- 考虑历史和文化背景
+- 提供基于证据的解释
+
+## 输出格式
+
+```json
+{
+  "summary": {
+    "actors_identified": 25,
+    "network_connections": 42,
+    "translation_phases_completed": 4,
+    "non_human_actors": 8,
+    "stability_score": 0.78,
+    "analysis_type": "comprehensive"
+  },
+  "details": {
+    "actors": [...],
+    "relationships": [...],
+    "translation_process": {...},
+    "network_dynamics": {...}
+  },
+  "metadata": {
+    "timestamp": "2025-12-27T10:30:00",
+    "version": "1.0.0"
+  }
+}
+```
+
+## 资源
+- ANT理论著作（Latour, Callon, Law）
+- ANT方法指南
+- 科学技术研究文献
+- 中国背景下ANT应用实例
+
+## 完成标志
+
+完成高质量的ANT分析应该：
+1. 提供完整的行动者网络映射
+2. 追踪完整的转译过程
+3. 评估网络稳定性和动态
+4. 分析物质-符号关系
+
+---
+
+*此技能为行动者网络理论分析提供专业的综合框架和工具，确保研究的科学性和严谨性。*

package/skills/ant-expert/integration_with_trusted_scraper.md

@@ -0,0 +1,115 @@
+# ANT专家分析中的可信数据获取整合指南
+
+## 概述
+行动者网络理论(ANT)分析需要准确的行动者信息、关系数据和转译过程信息。可信网站爬虫技能（trusted-web-scraper）为ANT分析提供来自企业官网、政府网站、学术机构等可信源的网络数据。
+
+## 整合方式
+
+### 1. 行动者识别与分类
+- **应用场景**: 识别网络中的各类行动者（人类和非人类）
+- **数据来源**: 官方网站、组织名录、企业年报、政府机构网站
+- **使用方法**:
+  ```python
+  from trusted_web_scraper import trusted_web_scraper
+  
+  # 收集行动者相关信息
+  actor_identification_data = {
+      'url': 'https://company-website.com/about/team',
+      'content_type': 'text',
+      'data_fields': ['actors', 'roles', 'relationships'],
+      'verification_level': 'thorough',
+      'rate_limit': 8,
+      'timeout': 30,
+      'retry_attempts': 3,
+      'output_format': 'json'
+  }
+  
+  actors_info = trusted_web_scraper(actor_identification_data)
+  ```
+
+### 2. 关系网络构建
+- **应用场景**: 提取行动者之间的关系和连接
+- **数据来源**: 合作项目网站、供应链信息、媒体报道
+- **使用方法**:
+  ```python
+  # 提取关系数据
+  relationship_data = {
+      'url': 'https://supply-chain-platform.com/partners',
+      'content_type': 'tables',
+      'data_fields': ['partnerships', 'interactions', 'dependencies'],
+      'verification_level': 'standard',
+      'rate_limit': 6,
+      'timeout': 45,
+      'retry_attempts': 2,
+      'output_format': 'json'
+  }
+  
+  relationships = trusted_web_scraper(relationship_data)
+  ```
+
+### 3. 转译过程追踪
+- **应用场景**: 追踪问题化、利益化、征召和动员过程
+- **数据来源**: 政策文件、项目报告、新闻公告
+- **使用方法**:
+  ```python
+  # 追踪转译过程
+  translation_process_data = {
+      'url': 'https://government-policy.gov/initiative-details',
+      'content_type': 'text',
+      'data_fields': ['problem_statement', 'actor_engagement', 'mobilization'],
+      'verification_level': 'thorough',
+      'rate_limit': 5,
+      'timeout': 60,
+      'retry_attempts': 3,
+      'output_format': 'json'
+  }
+  
+  translation_process = trusted_web_scraper(translation_process_data)
+  ```
+
+## 实施步骤
+
+### 第一阶段：行动者映射
+1. 使用可信网站爬虫识别网络中的关键行动者
+2. 收集行动者的属性和角色信息
+3. 验证行动者信息的准确性和完整性
+
+### 第二阶段：关系分析
+1. 提取行动者之间的关系数据
+2. 分析关系的强度和性质
+3. 识别关键中介和转译中介
+
+### 第三阶段：转译过程追踪
+1. 收集转译过程的详细信息
+2. 分析问题化、利益化、征召和动员阶段
+3. 评估转译过程的成功与失败
+
+## 数据处理流程
+
+### 1. 行动者数据处理
+- 清洗和标准化行动者信息
+- 分类人类和非人类行动者
+- 评估行动者的能动性
+
+### 2. 关系数据处理
+- 验证关系数据的准确性
+- 评估关系强度和方向
+- 识别关系网络的结构特征
+
+### 3. 转译过程数据处理
+- 识别转译过程的各个阶段
+- 分析转译成功与失败的因素
+- 评估网络稳定化机制
+
+## 质量保证
+- 确保所有行动者和关系数据来自可信源
+- 验证转译过程信息的准确性和完整性
+- 定期更新网络数据以反映最新变化
+- 遵遵守网站的使用条款和robots.txt
+
+## 注意事项
+- 遵守网站的爬取限制和频率控制
+- 确保数据使用的合法性和伦理合规性
+- 定期检查和更新爬取策略以应对网站变化
+- 保护敏感信息和隐私数据
+- 验证收集的行动者和关系数据的代表性

package/skills/ant-expert/modules/network_analysis.py

@@ -0,0 +1,253 @@
+"""
+ANT网络分析模块
+此模块提供行动者网络的结构、动态和稳定性分析功能
+"""
+
+from typing import Dict, List, Any, Tuple
+import json
+
+
+def network_analysis(edges: List[Tuple], nodes: List[str] = None) -> Dict[str, Any]:
+    """
+    分析行动者网络的结构特征、动态变化和稳定性机制
+    
+    Args:
+        edges: 网络边的列表，每条边为(源节点, 目标节点)的元组
+        nodes: 节点列表（可选）
+    
+    Returns:
+        包含网络分析结果的字典
+    """
+    # 基础网络指标计算
+    node_set = set()
+    for edge in edges:
+        node_set.add(edge[0])
+        node_set.add(edge[1])
+
+    if nodes:
+        node_set.update(nodes)
+
+    # 计算网络基本属性
+    num_nodes = len(node_set)
+    num_edges = len(edges)
+    
+    # 计算网络密度（如果节点数大于1）
+    density = 0
+    if num_nodes > 1:
+        max_possible_edges = num_nodes * (num_nodes - 1) / 2  # 无向图
+        density = num_edges / max_possible_edges if max_possible_edges > 0 else 0
+
+    # 计算连接度分布（基础版本）
+    degree_dist = {}
+    for node in node_set:
+        degree = sum(1 for edge in edges if node in edge)
+        if degree in degree_dist:
+            degree_dist[degree] += 1
+        else:
+            degree_dist[degree] = 1
+
+    # 识别中心节点（基础版本：度数最高的节点）
+    central_nodes = []
+    if edges:
+        node_degrees = {}
+        for node in node_set:
+            node_degrees[node] = sum(1 for edge in edges if node in edge)
+        
+        max_degree = max(node_degrees.values()) if node_degrees else 0
+        central_nodes = [node for node, degree in node_degrees.items() if degree == max_degree]
+
+    # 稳定性评估（基础版本）
+    stability_score = calculate_stability_score(edges, node_set)
+
+    return {
+        "network_type": "socio-technical",
+        "num_nodes": num_nodes,
+        "num_edges": num_edges,
+        "density": density,
+        "nodes": list(node_set),
+        "edges": edges,
+        "degree_distribution": degree_dist,
+        "central_nodes": central_nodes,
+        "stability_score": stability_score,
+        "components": 1,  # 基础版本，假设网络连通
+        "avg_clustering": 0,  # 基础版本
+        "avg_shortest_path": float('inf')  # 基础版本
+    }
+
+
+def calculate_stability_score(edges: List[Tuple], nodes: set) -> float:
+    """
+    计算网络稳定性得分（基础版本）
+    
+    Args:
+        edges: 网络边的列表
+        nodes: 节点集合
+    
+    Returns:
+        稳定性得分（0-1之间的浮点数）
+    """
+    if not nodes:
+        return 0
+    
+    if not edges:
+        # 无连接的网络，稳定性较低
+        return 0.2 if len(nodes) > 1 else 1.0
+    
+    # 计算平均连接度
+    total_degree = sum(2 for _ in edges)  # 每条边贡献2度
+    avg_degree = total_degree / len(nodes) if nodes else 0
+    
+    # 基于平均连接度和网络密度计算稳定性
+    # 连接度适中且密度适中的网络更稳定
+    ideal_avg_degree = min(5, len(nodes) / 2)  # 理想平均度数
+    degree_stability = 1 - abs(avg_degree - ideal_avg_degree) / ideal_avg_degree if ideal_avg_degree > 0 else 0
+    degree_stability = max(0, min(1, degree_stability))  # 限制在0-1之间
+    
+    # 网络密度对稳定性的影响
+    density = len(edges) / (len(nodes) * (len(nodes) - 1) / 2) if len(nodes) > 1 else 0
+    density_stability = 1 - abs(density - 0.5) * 2  # 密度为0.5时最稳定
+    density_stability = max(0, min(1, density_stability))
+    
+    # 综合稳定性得分
+    stability_score = (degree_stability * 0.6 + density_stability * 0.4)
+    
+    return stability_score
+
+
+def topology_mapping(data: Dict[str, Any]) -> Dict[str, Any]:
+    """
+    创建行动者关系的综合地图
+    
+    Args:
+        data: 包含网络数据的字典
+    
+    Returns:
+        包含拓扑映射结果的字典
+    """
+    edges = data.get('edges', [])
+    nodes = data.get('nodes', [])
+    
+    # 生成拓扑映射
+    topology = {
+        "node_count": len(set(node for edge in edges for node in edge) | set(nodes)),
+        "edge_count": len(edges),
+        "connection_types": identify_connection_types(edges),
+        "boundary_nodes": identify_boundary_nodes(edges, nodes),
+        "subnetworks": identify_subnetworks(edges)
+    }
+    
+    return topology
+
+
+def identify_connection_types(edges: List[Tuple]) -> Dict[str, int]:
+    """识别连接类型"""
+    # 基础实现：统计连接数量
+    return {"associative": len(edges)}
+
+
+def identify_boundary_nodes(edges: List[Tuple], nodes: List[str]) -> List[str]:
+    """识别边界节点"""
+    # 基础实现：返回度数为1的节点
+    boundary_nodes = []
+    for node in nodes:
+        degree = sum(1 for edge in edges if node in edge)
+        if degree <= 1:
+            boundary_nodes.append(node)
+    return boundary_nodes
+
+
+def identify_subnetworks(edges: List[Tuple]) -> List[List[Tuple]]:
+    """识别子网络"""
+    # 基础实现：返回所有边作为一个子网络
+    return [edges] if edges else []
+
+
+def relationship_analysis(edges: List[Tuple]) -> Dict[str, Any]:
+    """
+    分析关系强度和性质
+    
+    Args:
+        edges: 网络边的列表
+    
+    Returns:
+        包含关系分析结果的字典
+    """
+    # 基础关系分析
+    relationships = {
+        "total_relationships": len(edges),
+        "relationship_strength_distribution": {},  # 基础版本
+        "relationship_types": {"associative": len(edges)},
+        "directionality": "undirected",  # 基础版本
+        "quality_indicators": {"average": len(edges)}  # 基础版本
+    }
+    
+    return relationships
+
+
+def centrality_analysis(edges: List[Tuple], nodes: List[str] = None) -> Dict[str, Any]:
+    """
+    中心性分析
+    
+    Args:
+        edges: 网络边的列表
+        nodes: 节点列表（可选）
+    
+    Returns:
+        包含中心性分析结果的字典
+    """
+    if nodes is None:
+        nodes = list(set(node for edge in edges for node in edge))
+    
+    # 计算度中心性
+    degree_centrality = {}
+    for node in nodes:
+        degree = sum(1 for edge in edges if node in edge)
+        degree_centrality[node] = degree / (len(nodes) - 1) if len(nodes) > 1 else 0
+    
+    # 找出中心节点
+    max_centrality = max(degree_centrality.values()) if degree_centrality else 0
+    central_nodes = [node for node, centrality in degree_centrality.items() 
+                     if centrality == max_centrality]
+    
+    return {
+        "degree_centrality": degree_centrality,
+        "central_nodes": central_nodes,
+        "max_centrality": max_centrality,
+        "influence_distribution": degree_centrality  # 基础版本
+    }
+
+
+def dynamics_analysis(edges_over_time: List[List[Tuple]]) -> Dict[str, Any]:
+    """
+    动态分析
+    
+    Args:
+        edges_over_time: 不同时刻的边列表
+    
+    Returns:
+        包含动态分析结果的字典
+    """
+    if not edges_over_time:
+        return {"change_points": [], "evolution_pattern": "static"}
+    
+    # 基础动态分析
+    changes = []
+    for i in range(1, len(edges_over_time)):
+        prev_nodes = set(node for edge in edges_over_time[i-1] for node in edge)
+        curr_nodes = set(node for edge in edges_over_time[i] for node in edge)
+        
+        new_nodes = curr_nodes - prev_nodes
+        removed_nodes = prev_nodes - curr_nodes
+        
+        changes.append({
+            "time_step": i,
+            "new_nodes": list(new_nodes),
+            "removed_nodes": list(removed_nodes),
+            "net_change": len(new_nodes) - len(removed_nodes)
+        })
+    
+    return {
+        "change_points": changes,
+        "evolution_pattern": "evolving" if changes else "static",
+        "total_changes": len(changes)
+    }