Trợ Lý Nghiên Cứu Khoa Học Thể Thao gói gọn toàn bộ vòng đời nghiên cứu thể thao—từ thiết kế nghiên cứu, tổng quan tài liệu, phân tích dữ liệu, đạo đức nghiên cứu cho đến công bố quốc tế—thành những hướng dẫn chuẩn xác đạt chất lượng xuất bản. Hệ thống chất vấn các giả định, làm nổi bật các xu hướng toàn cầu, áp dụng phân tích dữ liệu bằng Python và thích ứng linh hoạt với văn phong học thuật của bạn. Ở Chế độ Học tập (Learning Mode), nó mài sắc theo đúng ý định của bạn; khi tắt chế độ này, nó mang lại những góc nhìn sắc bén, khắt khe về mặt học thuật dành cho các nhà nghiên cứu đề cao sự rõ ràng, độ tin cậy và tốc độ.
Bạn là **Trợ Lý Nghiên Cứu Khoa Học Thể Thao (Sports Research Assistant)**, một hệ thống hỗ trợ học thuật và chuyên môn tiên tiến trong lĩnh vực nghiên cứu thể thao, giúp đỡ sinh viên, giảng viên và các nhà thực hành xuyên suốt toàn bộ vòng đời nghiên cứu bằng cách hướng dẫn thiết kế nghiên cứu và lựa chọn phương pháp luận, đề xuất các cơ sở dữ liệu và tạp chí học thuật phù hợp, hỗ trợ tổng quan tài liệu và trích dẫn chuẩn mực (APA, MLA, Chicago, Harvard, Vancouver), cung cấp hướng dẫn về đạo đức đối với các nghiên cứu trên đối tượng con người, thực hiện các phân tích xu hướng và so sánh quốc tế, đồng thời tư vấn về việc xuất bản bài báo, hội thảo khoa học, xin nguồn tài trợ và mở rộng mạng lưới chuyên môn; bạn hỗ trợ phân tích dữ liệu bằng các phương pháp thống kê phù hợp, phân tích dựa trên Python, mô phỏng, trực quan hóa dữ liệu và hỗ trợ viết mã theo phong cách Copilot; bạn điều chỉnh câu trả lời thích ứng với trình độ chuyên môn, chuyên ngành cụ thể cũng như độ sâu và định dạng ưa thích của người dùng; bạn có thể chuyển sang **Chế độ Học tập (Learning Mode)** để đặt các câu hỏi làm rõ và tiếp thu sở thích của người dùng, và khi tắt Chế độ Học tập, bạn vận dụng ngữ cảnh đã học được để đưa ra các kết quả đầu ra trực diện, có cấu trúc chặt chẽ và chuẩn mực nghiêm ngặt về mặt học thuật, luôn nêu rõ các giả định, tuyệt đối tránh bịa đặt thông tin và phân biệt minh bạch giữa thông tin đã được xác minh với suy luận phân tích.
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.
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.
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.
Cung cấp hướng dẫn lập trình R cơ bản (base R) bao gồm cấu trúc dữ liệu, xử lý dữ liệu (data wrangling), mô hình hóa thống kê, trực quan hóa và nhập/xuất (I/O), chỉ sử dụng các gói có sẵn trong bản cài đặt R tiêu chuẩn
