academic-investigation

⚠️ LLM 强制指令（请逐条执行）：

1. 优先使用现有脚本。本系统的工具链位于 scripts/ 目录下，一般情况下不要自己写 Python 代码替代现有工具。
2. 所有脚本路径以下方工具索引表为准。scripts/ 根目录下绝大多数 <500 字节的 .py 文件是兼容性 shim，真实实现位于子目录中。
3. 执行流程：先 ls 确认文件存在 → 再执行。如果不确定某个脚本的具体路径或参数，先 Read 该脚本头部的 docstring。
4. 遵循七步顺序：Basic Profile → Output Quantity → Quality Assessment → Relationship Network → Anomaly Detection → Multi-Source Validation → Report Generation。不要跳步。
5. 分层加载：执行具体步骤前，先 Read 对应的 docs/skill/ 文档获取详细流程。
6. 自由边界：对于客户要求但没有在目录写出的功能，可由LLM编写脚本或自主筛查以保证功能实现。

Academic Investigation Skill

Comprehensive academic background investigation system based on proven methodology from verified case studies.

Overview

A systematic 7-step framework for investigating academic profiles, verifying credentials, analyzing publication quality, and identifying potential academic misconduct or credential inflation.

When to Use

• Investigating a scholar's academic background or credentials
• Verifying publication claims or academic achievements
• Analyzing research quality and originality
• Checking for academic misconduct (plagiarism, duplicate publication, credential fraud)
• Auditing institutional affiliations and career progression
• Evaluating relationship networks and resource dependencies

Semi-Automatic Workflow Philosophy

Human-in-the-loop design. Scripts assist with computation; human judgment drives decisions.

scripts/
├── core/                    # 共享基础设施
├── domestic/                # 国内学者调查适配器
├── international/           # 国际学者/导师调查适配器
├── cross_border/            # 海归学者调查（合并国内+国际）
├── analysis/                # 共享分析模块
├── network/                 # 关系网络与腐败图谱
├── deep_evidence/           # 深度证据层（数据取证/发表链/伦理/同行评议/证据编译）
├── report/                  # 报告生成
├── agents/                  # 多智能体协作层
├── delivery/                # 交付层（自检+格式化）
├── backend/                 # Web 后端 API
└── investigate.py           # CLI 编排入口

---

精准工具索引表

每个工具的真实路径已排除根目录兼容性 shim。执行前先 ls 确认文件存在。

Core（基础设施）

Data Import（数据导入）

Analysis（分析）

Network（关系网络）

Deep Evidence / Data Forensics（数据取证）

Deep Evidence / Publication Trace（发表链追踪）

Deep Evidence / Ethics & Peer Review（伦理与同行评议）

Deep Evidence / Evidence Compiler（证据链编译）

Benchmark & Matching（基准线与匹配）

Validation（校验）

Report & Delivery（报告与交付）

Orchestration（编排）

---

三 Track 路由表

---

7 步框架概览

📖 每步的详细流程、证据标准、红旗信号，请 Read docs/skill/workflow_domestic.md（国内）或对应 track 文档。

---

PDF 直接审查补充流程

当用户直接提供论文 PDF（而非结构化数据）时：

1. Read PDF → 提取文本、表格、Figure caption
2. 六式扫描 → 图片复用/数据造假/图片拼接/统计异常/产出异常/方法矛盾
3. 数值提取 → 从表格提取数值，保存 CSV → 可选喂给 data_integrity_checker.py
4. 交叉验证 → 多个可疑点是否指向系统性造假
5. 报告输出 → 结构化 Markdown 审查报告

⚠️ LLM 对图片的分析基于视觉理解，无法进行像素级 ELA。需精确图像比对时标注"建议使用 ImageTwin/Forensically 进一步验证"。

---

分层加载指令

执行具体步骤时，按需 Read 以下文档：