prompts.chatprompts.chatprompts.chat
BotPromptKỹ năngQuy trìnhDanh mụcThẻCao thủ PromptPhong cách
SáchCho trẻ emNhà phát triển
Đăng nhập
CC0 2026 prompts.chat
DeepWikiHướng dẫn...Tài liệuAPIQuyền riêng tưĐiều khoảnHỗ trợGiới thiệuGitHub

Viết Sách về Nguyên nhân Tử vong Dựa trên các Nguồn Dữ liệu

Hướng dẫn viết sách phân tích các nguyên nhân gây tử vong bằng dữ liệu từ các nguồn uy tín như PubMed.

F
@fedegazzelloni
about 4 hours agolúc 15:32 30 tháng 10, 2026
Writing•HealthData AnalysisScienceResearch
Nonfiction

Nội dung

Biến
Hãy đóng vai một Tác giả Viết sách Dựa trên Dữ liệu (Data-Driven Author). Bạn được giao nhiệm vụ viết một cuốn sách có tựa đề "Liệu Chúng ta Có Thực sự Chết vì Những gì Chúng ta Vẫn Nghĩ? Dữ liệu Đằng sau Cái chết" ("Are We Really Dying from What We Think We Are? The Data Behind Death."). Vai trò của bạn là khám phá các nguyên nhân gây tử vong khác nhau, sử dụng dữ liệu được trích xuất từ các nguồn đáng tin cậy như PubMed và các cơ sở dữ liệu y khoa khác. Nhiệm vụ của bạn là: - Phân tích dữ liệu thống kê từ nhiều nguồn y tế và khoa học khác nhau. - Thảo luận về những lầm tưởng phổ biến xoay quanh các nguyên nhân gây tử vong hàng đầu. - Cung cấp phân tích chuyên sâu về dữ liệu thực tế đằng sau các số liệu thống kê tử vong. - Cấu trúc cuốn sách thành các chương tập trung vào những nguyên nhân và nhóm nhân khẩu học khác nhau. Quy tắc: - Sử dụng ngôn ngữ rõ ràng, dễ tiếp cận, phù hợp với đông đảo độc giả đại chúng. - Đảm bảo tất cả các nguồn dữ liệu đều được trích dẫn và tham chiếu đúng quy chuẩn. - Đưa vào các phương tiện trực quan hỗ trợ như biểu đồ và đồ thị để minh họa cho phần phân tích dữ liệu. Các biến số: - - Nguồn dữ liệu chính phục vụ nghiên cứu. - - Giọng điệu viết sách. - - Đối tượng độc giả mục tiêu.

Kỹ năng liên quan

Exuvia

Kỹ năng

Vận hành tác tử AI (AI agent) trên Exuvia, mạng lưới nghiên cứu công khai dành cho việc xuất bản, thảo luận, bình duyệt (peer review), tái lập kết quả (reproduction), không gian nghiên cứu chung, ngữ cảnh bền vững, tin nhắn trực tiếp và các tạo phẩm tương tác (interactive artifacts). Bao gồm các quy trình làm việc chính xác, những tổ hợp hành động không hợp lệ, khôi phục sau lỗi và quy tắc chống bịa đặt thông tin (anti-confabulation).

E@exuviapod
0

Công cụ Dự báo Thời gian Cạn kiệt Dung lượng Ổ đĩa

Kỹ năng

Dự báo thời điểm các ổ đĩa và phân vùng (volume) sẽ đầy dựa trên các mẫu dữ liệu mức sử dụng (tệp CSV gồm dấu thời gian, phân vùng, dung lượng đã dùng và tổng dung lượng). Ước lượng tốc độ tăng trưởng tổng thể và trong tuần gần nhất, loại bỏ các bước nhảy đột biến một lần khỏi xu hướng, đồng thời đưa ra số ngày và ngày cụ thể chạm ngưỡng đầy 80, 90, 95 và 100% cùng mức dung lượng đề xuất để duy trì khoảng dự phòng 90 ngày. Cảnh báo các phân vùng sắp đầy, tốc độ tăng trưởng đang tăng tốc, các bước nhảy đột ngột, xu hướng nhiễu và dữ liệu quá mỏng. Bao gồm công cụ dự báo viết bằng thư viện chuẩn Python kèm tùy chọn --self-test.

Bình luận (0)

F@f
0

Công cụ Kiểm tra Khoảng trống và Điểm bất thường trong Chuỗi thời gian

Kỹ năng

Kiểm tra dữ liệu chuỗi thời gian dạng CSV (số liệu đo lường, chỉ số cảm biến, doanh số theo giờ) để phát hiện các vấn đề dữ liệu trước khi vẽ biểu đồ hoặc thiết lập cảnh báo: thiếu khoảng thời gian, dấu thời gian (timestamp) bị trùng lặp hoặc sai thứ tự, giá trị trống, đường đi ngang (flatlines) do trình xuất dữ liệu bị treo, các điểm đột biến (spikes) phát hiện qua trung vị/MAD bền vững và hiện tượng đặt lại bộ đếm (counter resets). Sử dụng khi bảng điều khiển (dashboard) có dấu hiệu bất thường, trước khi huấn luyện mô hình dự báo hoặc khi cần trả lời câu hỏi "dữ liệu này đã đầy đủ chưa?". Bao gồm công cụ kiểm tra bằng thư viện chuẩn Python có hỗ trợ cờ --self-test.

F@f
0

Trình Phân Tích Chất Lượng Dữ Liệu CSV

Kỹ năng

Phân tích hồ sơ (profile) các tệp CSV và bản kết xuất bảng tính trước khi bạn đặt niềm tin vào chúng: suy luận kiểu dữ liệu của từng cột và đo lường các giá trị bị thiếu, dữ liệu trùng lặp, kiểu dữ liệu hỗn hợp, giá trị ngoại lai (outliers), sự hỗn loạn trong định dạng ngày tháng và tính duy nhất của khóa bằng một kịch bản Python đã được kiểm thử, sau đó viết báo cáo chất lượng dữ liệu được sắp xếp theo mức độ ưu tiên kèm theo các cách khắc phục an toàn.

F@f
0