Hypothesis Audit проверяет гипотезу по литературе с обратным прицелом: он ищет не тех, у кого получилось, а тех, у кого не получилось. Именно эта часть знания обычно теряется и стоит дороже всего.
Почему обычный поиск не находит неудачи
- Publication bias: нулевые результаты реже публикуются и реже попадают в заголовок и аннотацию;
- Language bias: неудача формулируется мягко: «modest», «limited», «did not generalize»;
- Venue bias: неудачные результаты живут в workshop-статьях, диссертациях, препринтах и репозиториях;
- Registry gap: исследование зарегистрировано, но так и не опубликовано.
Как устроен пайплайн
Сбор идёт по восьми источникам сразу, включая препринты, реестры регистраций, репозитории кода и базы клинических исследований, с декартовым произведением фраз «состояние × сигнал» и специальными запросами с отрицаниями. Дальше, эвристический предфильтр с уровнями, добор аннотаций по DOI, citation chasing от затравок и всех включённых работ до насыщения.
Скрининг двойной и независимый, с расчётом каппы Коэна и арбитражем конфликтов третьим рейтером. На выходе, вердикты по подгипотезам, полярность по типу сигнала и дизайну, оценка полноты поиска методом повторного захвата, кривая насыщения и список кандидатов «в ящик стола».
Полная прослеживаемость
Каждая запись хранит, какой именно запрос или цитирование её нашли. От финального вывода можно дойти до исходного источника, не восстанавливая путь по памяти.
Схема данных
Из чего состоит база проекта и как связаны сущности.
Контур системы
Из каких частей собран проект.
Где посмотреть
У проекта нет публичного адреса: он работает локально или на закрытом контуре и наружу не выкладывается. Показываем его на демонстрации, по записи.
