sg-flw
用于评估食品浪费主题严肃游戏研究证据质量的AI分类工具
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：sg-flw。 它的用途是：用于评估食品浪费主题严肃游戏研究证据质量的AI分类工具 完整的 Skill 内容见：https://321skill.com/skills/sg-flw/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“请根据SG-FLW框架，分析这篇关于利用手机游戏减少家庭食物浪费的研究论文，给出B/K/D/E/L维度的初步评分并说明理由。”，它会调用该Skill的知识库，识别文中是否报告了基线数据、知识测量、实际浪费称重、环境转化计算和长期跟踪等信息，并给出结构化评估。
介绍
SG-FLW是一个学术测量框架，专门用于编码和评估针对食品损失与浪费问题的严肃游戏、游戏及游戏化干预措施中的证据质量。它不评估干预措施或游戏本身的好坏，而是聚焦于衡量证据链的强度，帮助研究者识别研究中缺失或报告薄弱的测量环节。
用户通过安装此Skill，可以让AI助手（如Claude、Cursor等）具备对相关学术文献、研究方案进行SG-FLW框架分类的能力。AI可以依据该框架的五个维度（基线测量、知识态度评估、直接行为测量、环境转化、纵向测量）对文本进行分析和评分。
该工具主要适合从事食品浪费、严肃游戏、行为干预、环境可持续性等领域研究的学术研究者、数据分析师以及撰写相关论文的高校学生。它帮助他们在文献综述、研究设计或论文撰写阶段，系统性地评估和报告研究的测量质量。
使用前，建议让AI先阅读Skill内附带的参考文件（如编码协议、知识库），以确保评分的准确性。请注意，低SG-FLW评分仅表示证据报告缺失或薄弱，并不代表干预本身无效，避免误读。
核心特点
与通用文本分类工具不同，它深度集成了SG-FLW这一特定学术框架的完整协议和知识库，能确保AI在评估食品浪费游戏研究时，严格区分测量证据（如实际减少的浪费）与中间产出（如游戏内得分或态度问卷），避免对证据强度进行过度推断。
注意事项
不适用于评估游戏设计趣味性、干预措施的实际因果效力或非食品浪费领域的研究。
常见问题
SG-FLW评分低意味着研究失败吗？
不，低分仅表示证据测量缺失或报告不充分，不代表干预无效。
这个Skill能帮我设计游戏吗？
不能，它专注于评估研究的测量证据质量，而非游戏设计本身。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/sg-flw/raw/index.md 读取 sg-flw 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/sg-flw/raw/index.md（查看排版版本）