academic-investigation

name: academic-investigation description: Academic integrity investigation and scholar profile analysis system. Use when conducting comprehensive academic background checks, credential verification, publication analysis, or institutional affiliation audits of scholars, researchers, or faculty members. Triggers on phrases like "调查学者", "学术调查", "查某人的学术背景", "核实论文", "学术档案调查", "学者背调", or when analyzing academic misconduct, credential inflation, publication quality, or research integrity issues.

⚠️ 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：