基于清单的结构化稿件/基金评审。适用于撰写有明确标准的正式同行评审，涵盖方法学评估、统计有效性、报告规范符合性（CONSORT/STROBE）及建设性反馈。最适合实际评审撰写与稿件修订。评估主张与证据质量请使用“科学批判性思维”；如需定量评分框架，请使用“学者评估”。

适用于内存中数据集的高性能内存DataFrame库。当pandas速度过慢但数据仍可放入内存时使用。采用惰性求值、并行执行和Apache Arrow后端，最适合1-100GB的数据集、ETL管道，可作为pandas的更快替代方案。对于超过内存容量的数据，请使用dask或vaex。

使用ScholarEval框架系统性地评估学术成果，从问题提出、方法论、分析和写作等研究质量维度进行结构化评估，并提供量化评分和可操作的反馈意见。

使用 scikit-learn 在 Python 中进行机器学习。适用于处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理或构建机器学习流水线。提供算法、预处理技术、流水线和最佳实践的全面参考文档。

使用此技能处理和分析超出可用内存的大型表格数据集（数十亿行）。Vaex 在外部存储 DataFrame 操作、惰性求值、快速聚合、大数据高效可视化以及大规模数据集的机器学习方面表现卓越。当用户需要处理大型 CSV/HDF5/Arrow/Parquet 文件、对海量数据集进行快速统计分析、创建大数据可视化图表，或构建无法完全装入内存的机器学习流水线时，适用于此场景。