科学研究向けスキル集、統計判断より根拠の質を変える

この検証は毎日AIニュースを1本確認するチャレンジの17日目として実施され、有料APIキーが必要な候補を避けるCLAUDE.mdのルールに従った。これにより177スキルのリポジトリはstatistical-analysis（Pingouin、SciPy、statsmodels、PyMC上に構築）とliterature-review（公開PubMed・arXiv APIを使用）に絞られた。セットアップ自体で2つの環境問題が判明した。インストールコマンドはClaude Codeの自動モード分類器により外部コード実行としてブロックされ、人間が許可するまで通らなかった。またWSLのUNCパスからWindows版Node.jsでインストールすると、CLIがC:\WindowsにフォールバックしてEPERM mkdirエラーで失敗し、UNCでないWindowsパスから実行すると成功した。

統計比較にはグループAに外れ値を含む架空のパイロットデータを使った。スキルなしの条件でもClaude Codeは外れ値、分散不等、小標本を理由にMann-Whitney Uを既に挙げたが、検定統計量やp値は示さなかった。スキルありではassumption_checks.pyが実行され、記述統計、Shapiro-Wilk検定（グループA p=0.000127で非正規、グループB p=0.248496で正規）、Levene検定（p=0.241、variance_ratio=224.37）、Welch t検定、Mann-Whitney Uの結果を出力し、55を除外した感度分析も行った。結論は一致したが、報告には数値と、n=6でWelch検定が非有意でも効果なしと解釈すべきでない旨の注意が加わった。

literature-review側ではREADMEからは見えない構造が明らかになった。同梱スクリプトは検索エンジンではなく後処理ツールである。arXivで「Mann-Whitney AND outlier」が0件を返すと、Claude Codeはクエリを4パターンに言い換え、最終的にcat:stat.ME AND abs:"Mann-Whitney" AND abs:robustで8件を得た。スキル自身の報告は、outlierという語を中心に扱う論文は少なく、ヒットはロバスト性や裾の重さといった隣接概念だったと注記した。