引用管理

概要

研究および執筆プロセス全体を通じて、体系的に引用を管理します。このスキルは、学術データベース（Google Scholar、PubMed）の検索、複数のソース（CrossRef、PubMed、arXiv）からの正確なメタデータ抽出、引用情報の検証、および適切に整形された BibTeX エントリの生成に関するツールと戦略を提供します。

引用の正確性維持、参考文献エラーの回避、および再現可能な研究確保に極めて重要です。literature-review スキルと緊密に統合され、包括的な研究ワークフローに対応します。

このスキルを使用する場合

以下の場合にこのスキルを使用してください:

• Google Scholar または PubMed で特定の論文を検索する
• DOI、PMID、arXiv ID を適切に整形された BibTeX に変換する
• 引用用のメタデータ（著者、タイトル、ジャーナル、年など）を抽出する
• 既存の引用の正確性を検証する
• BibTeX ファイルをクリーニングおよび整形する
• 特定の分野で高被引用論文を検索する
• 引用情報が実際の出版物と一致していることを確認する
• 原稿または論文の参考文献を構築する
• 重複する引用をチェックする
• 一貫した引用形式を確保する

科学図表による視覚的な強化

このスキルでドキュメントを作成する場合、視覚的なコミュニケーションを強化するために科学図表を常に追加することを検討してください。

ドキュメントにまだ図表やダイアグラムが含まれていない場合:

• scientific-schematics スキルを使用して AI 生成の出版品質ダイアグラムを作成してください
• 希望するダイアグラムを自然言語で説明するだけです
• Nano Banana Pro は自動的に図表を生成、レビュー、精緻化します

新規ドキュメント用: 科学図表は、テキストで説明されている重要な概念、ワークフロー、アーキテクチャ、または関係を視覚的に表現するため、デフォルトで生成されるべきです。

図表を生成するには:

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

AI は自動的に:

• 適切な形式の出版品質のイメージを作成します
• 複数の反復を通じてレビューと精緻化を行います
• アクセシビリティを確保します（色覚異常対応、高コントラスト）
• 出力を figures/ ディレクトリに保存します

図表を追加する場合:

• 引用ワークフローダイアグラム
• 文献検索方法論フローチャート
• 参考文献管理システムアーキテクチャ
• 引用スタイル決定木
• データベース統合ダイアグラム
• 視覚化から利益を得られる複雑な概念

図表作成に関する詳細なガイダンスについては、scientific-schematics スキルのドキュメントを参照してください。

---

コアワークフロー

引用管理は体系的なプロセスに従います:

フェーズ 1: 論文の発見と検索

目標: 学術検索エンジンを使用して関連論文を見つけます。

Google Scholar 検索

Google Scholar は学科横断的に最も包括的なカバレッジを提供します。

基本的な検索:

# トピックに関する論文を検索
python scripts/search_google_scholar.py "CRISPR gene editing" \
  --limit 50 \
  --output results.json

# 年範囲フィルタ付きで検索
python scripts/search_google_scholar.py "machine learning protein folding" \
  --year-start 2020 \
  --year-end 2024 \
  --limit 100 \
  --output ml_proteins.json

高度な検索戦略 (references/google_scholar_search.md 参照):

• 正確なフレーズに引用符を使用: "deep learning"
• 著者で検索: author:LeCun
• タイトルで検索: intitle:"neural networks"
• 用語を除外: machine learning -survey
• ソートオプションを使用して高被引用論文を検索
• 最新の論文を入手するために年範囲でフィルタリング

ベストプラクティス:

• 具体的で的を絞った検索用語を使用する
• 主要な技術用語と頭字語を含める
• 急速に発展する分野では最近の年でフィルタリングする
• 主要な論文を見つけるために「引用」をチェックする
• さらに分析するために上位の結果をエクスポートする

PubMed 検索

PubMed は生物医学および生命科学文献（3,500万以上の引用）を専門とします。

基本的な検索:

# PubMed を検索
python scripts/search_pubmed.py "Alzheimer's disease treatment" \
  --limit 100 \
  --output alzheimers.json

# MeSH 用語とフィルタを使用して検索
python scripts/search_pubmed.py \
  --query '"Alzheimer Disease"[MeSH] AND "Drug Therapy"[MeSH]' \
  --date-start 2020 \
  --date-end 2024 \
  --publication-types "Clinical Trial,Review" \
  --output alzheimers_trials.json

高度な PubMed クエリ (references/pubmed_search.md 参照):

• MeSH 用語を使用: "Diabetes Mellitus"[MeSH]
• フィールドタグ: "cancer"[Title]、"Smith J"[Author]
• ブール演算子: AND、OR、NOT
• 日付フィルタ: 2020:2024[Publication Date]
• 出版タイプ: "Review"[Publication Type]
• E-utilities API との組み合わせで自動化

ベストプラクティス:

• MeSH Browser を使用して適切な統制用語を見つける
• 最初に PubMed Advanced Search Builder で複雑なクエリを構築する
• OR で複数の同義語を含める
• メタデータ抽出が簡単な PMID を取得する
• JSON または BibTeX に直接エクスポートする

フェーズ 2: メタデータ抽出

目標: 論文の識別子（DOI、PMID、arXiv ID）を完全で正確なメタデータに変換します。

DOI から BibTeX への迅速な変換

単一の DOI については、迅速な変換ツールを使用します:

# 単一の DOI を変換
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2

# ファイルから複数の DOI を変換
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# 異なる出力形式
python scripts/doi_to_bibtex.py 10.1038/nature12345 --format json

包括的なメタデータ抽出

DOI、PMID、arXiv ID、または URL から:

# DOI から抽出
python scripts/extract_metadata.py --doi 10.1038/s41586-021-03819-2

# PMID から抽出
python scripts/extract_metadata.py --pmid 34265844

# arXiv ID から抽出
python scripts/extract_metadata.py --arxiv 2103.14030

# URL から抽出
python scripts/extract_metadata.py --url "https://www.nature.com/articles/s41586-021-03819-2"

# ファイルからのバッチ抽出（混合識別子）
python scripts/extract_metadata.py --input identifiers.txt --output citations.bib

メタデータソース (references/metadata_extraction.md 参照):

1. CrossRef API: DOI の主要なソース

   • ジャーナル記事の包括的なメタデータ
   • 出版社が提供する情報
   • 著者、タイトル、ジャーナル、巻、ページ、日付を含む
   • 無料、API キーは不要

2. PubMed E-utilities: 生物医学文献

   • 公式 NCBI メタデータ
   • MeSH 用語、抄録を含む
   • PMID と PMCID 識別子
   • 無料、大量アクセスの場合は API キー推奨

3. arXiv API: 物理学、数学、CS、q-bio のプレプリント

   • プレプリントの完全なメタデータ
   • バージョン追跡
   • 著者の所属機関
   • 無料、オープンアクセス

4. DataCite API: 研究データセット、ソフトウェア、その他のリソース

   • 非伝統的な学術出力のメタデータ
   • データセットおよびコードの DOI
   • 無料アクセス

抽出されるもの:

• 必須フィールド: author、title、year
• ジャーナル記事: journal、volume、number、pages、DOI
• 書籍: publisher、ISBN、edition
• 会議論文: booktitle、会議開催地、pages
• プレプリント: リポジトリ（arXiv、bioRxiv）、プレプリント ID
• 追加情報: abstract、keywords、URL

フェーズ 3: BibTeX 形式化

目標: 清潔で適切に整形された BibTeX エントリを生成します。

BibTeX エントリタイプの理解

完全なガイドについては references/bibtex_formatting.md を参照してください。

一般的なエントリタイプ:

• @article: ジャーナル記事（最も一般的）
• @book: 書籍
• @inproceedings: 会議論文
• @incollection: 書籍章
• @phdthesis: 博士論文
• @misc: プレプリント、ソフトウェア、データセット

タイプ別の必須フィールド:

@article{citationkey,
  author  = {Last1, First1 and Last2, First2},
  title   = {Article Title},
  journal = {Journal Name},
  year    = {2024},
  volume  = {10},
  number  = {3},
  pages   = {123--145},
  doi     = {10.1234/example}
}

@inproceedings{citationkey,
  author    = {Last, First},
  title     = {Paper Title},
  booktitle = {Conference Name},
  year      = {2024},
  pages     = {1--10}
}

@book{citationkey,
  author    = {Last, First},
  title     = {Book Title},
  publisher = {Publisher Name},
  year      = {2024}
}

形式化とクリーニング

フォーマッタを使用して BibTeX ファイルを標準化します:

# BibTeX ファイルを形式化およびクリーニング
python scripts/format_bibtex.py references.bib \
  --output formatted_references.bib

# 引用キーでエントリをソート
python scripts/format_bibtex.py references.bib \
  --sort key \
  --output sorted_references.bib

# 年別にソート（最新順）
python scripts/format_bibtex.py references.bib \
  --sort year \
  --descending \
  --output sorted_references.bib

# 重複を削除
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --output clean_references.bib

# 検証してレポート出力
python scripts/format_bibtex.py references.bib \
  --validate \
  --report validation_report.txt

形式化操作:

• フィールド順序を標準化
• 一貫したインデントとスペーシング
• タイトル内の適切な大文字化（{} で保護）
• 標準化された著者名形式
• 一貫した引用キー形式
• 不要なフィールドを削除
• 一般的なエラーを修正（カンマ、括弧の欠落）

フェーズ 4: 引用の検証

目標: すべての引用が正確で完全であることを確認します。

包括的な検証

# BibTeX ファイルを検証
python scripts/validate_citations.py references.bib

# 検証し、一般的な問題を修正
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --output validated_references.bib

# 詳細な検証レポートを生成
python scripts/validate_citations.py references.bib \
  --report validation_report.json \
  --verbose

検証チェック (references/citation_validation.md 参照):

1. DOI 検証:

   • DOI が doi.org 経由で正しく解決される
   • BibTeX と CrossRef 間のメタデータが一致する
   • DOI が破損していない、無効でない

2. 必須フィールド:

   • エントリタイプの必須フィールドがすべて存在する
   • 空白や欠落した重要情報がない
   • 著者名が適切に形式化されている

3. データの一貫性:

   • 年は有効（4 桁、妥当な範囲）
   • 巻/号は数値
   • ページが正しく形式化されている（例：123--145）
   • URL がアクセス可能

4. 重複検出:

   • 同じ DOI が複数回使用される
   • 類似したタイトル（重複の可能性）
   • 同じ著者/年/タイトルの組み合わせ

5. 形式準拠:

   • 有効な BibTeX 構文
   • 適切なブレース化と引用
   • 引用キーはユニーク
   • 特殊文字が正しく処理されている

検証出力:

{
  "total_entries": 150,
  "valid_entries": 145,
  "errors": [
    {
      "citation_key": "Smith2023",
      "error_type": "missing_field",
      "field": "journal",
      "severity": "high"
    },
    {
      "citation_key": "Jones2022",
      "error_type": "invalid_doi",
      "doi": "10.1234/broken",
      "severity": "high"
    }
  ],
  "warnings": [
    {
      "citation_key": "Brown2021",
      "warning_type": "possible_duplicate",
      "duplicate_of": "Brown2021a",
      "severity": "medium"
    }
  ]
}

フェーズ 5: 執筆ワークフローとの統合

原稿向け参考文献の構築

参考文献リストを作成するための完全なワークフロー:

# 1. トピックに関する論文を検索
python scripts/search_pubmed.py \
  '"CRISPR-Cas Systems"[MeSH] AND "Gene Editing"[MeSH]' \
  --date-start 2020 \
  --limit 200 \
  --output crispr_papers.json

# 2. 検索結果から DOI を抽出して BibTeX に変換
python scripts/extract_metadata.py \
  --input crispr_papers.json \
  --output crispr_refs.bib

# 3. DOI で特定の論文を追加
python scripts/doi_to_bibtex.py 10.1038/nature12345 >> crispr_refs.bib
python scripts/doi_to_bibtex.py 10.1126/science.abcd1234 >> crispr_refs.bib

# 4. BibTeX ファイルを形式化およびクリーニング
python scripts/format_bibtex.py crispr_refs.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output references.bib

# 5. すべての引用を検証
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

# 6. 検証レポートを確認し、残りの問題を修正
cat validation.json

# 7. LaTeX ドキュメントで使用
# \bibliography{final_references}

Literature Review スキルとの統合

このスキルは literature-review スキルを補足します:

Literature Review スキル → 体系的な検索と統合 Citation Management スキル → 技術的な引用処理

統合ワークフロー:

1. literature-review を包括的な複数データベース検索に使用
2. citation-management を使用してすべての引用を抽出および検証
3. literature-review を使用してテーマ別に結果を統合
4. citation-management を使用して最終的な参考文献の正確性を確認

# literature review を完了した後
# レビュードキュメント内のすべての引用を検証
python scripts/validate_citations.py my_review_references.bib --report review_validation.json

# 必要に応じて特定の引用スタイル用に形式化
python scripts/format_bibtex.py my_review_references.bib \
  --style nature \
  --output formatted_refs.bib

検索戦略

Google Scholar のベストプラクティス

重要論文と高影響力論文の検索 (重要):

常に引用数、会場の質、著者の評判に基づいて論文に優先順位を付けてください:

被引用数の閾値:

論文の年数	引用数	分類
0-3年	20+	注目に値する
0-3年	100+	高く影響力がある
3-7年	100+	重要
3-7年	500+	ランドマーク論文
7年以上	500+	重要な研究
7年以上	1000+	基礎的な研究

会場品質レベル:

• レベル 1（推奨）: Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS
• レベル 2（優先度高）: Impact Factor >10、トップ会議（NeurIPS、ICML、ICLR）
• レベル 3（良好）: 専門ジャーナル（IF 5-10）
• レベル 4（慎重に）: より低いインパクトの査読済みジャーナル

著者評判指標:

• h-index >40 のシニア研究者
• レベル 1 会場での複数の出版
• 認識された機関でのリーダーシップ
• 賞および編集職

高影響力論文の検索戦略:

• 被引用数でソート（最も引用されたものから）
• レベル 1 ジャーナルのレビュー論文を概要として確認
• 影響評価用に「引用」を確認および最近のフォローアップ作業
• 重要な論文の引用アラートで追跡
• source:Nature または source:Science を使用してトップ会場でフィルタリング
• author:LastName を使用して既知の分野リーダーによる論文を検索

高度なオペレータ (完全なリストは references/google_scholar_search.md を参照):

"exact phrase"           # 正確なフレーズマッチング
author:lastname          # 著者で検索
intitle:keyword          # タイトルのみで検索
source:journal           # 特定のジャーナルで検索
-exclude                 # 用語を除外
OR                       # 代替用語
2020..2024              # 年範囲

検索例:

# トピックに関する最近のレビューを検索
"CRISPR" intitle:review 2023..2024

# 特定の著者によるトピックに関する論文を検索
author:Church "synthetic biology"

# 高被引用の基礎的な研究を検索
"deep learning" 2012..2015 sort:citations

# 調査と レビューを除外して方法に焦点を当てる
"protein folding" -survey -review intitle:method

PubMed のベストプラクティス

MeSH 用語の使用: MeSH（Medical Subject Headings）は、正確な検索のための統制用語を提供します。

1. MeSH 用語を検索 https://meshb.nlm.nih.gov/search で
2. クエリで使用: "Diabetes Mellitus, Type 2"[MeSH]
3. キーワードと組み合わせる 包括的なカバレッジのため

フィールドタグ:

[Title]              # タイトルのみで検索
[Title/Abstract]     # タイトルまたは抄録で検索
[Author]             # 著者名で検索
[Journal]            # 特定のジャーナルを検索
[Publication Date]   # 日付範囲
[Publication Type]   # 記事タイプ
[MeSH]              # MeSH 用語

複雑なクエリの構築:

# 最近発表された糖尿病治療に関する臨床試験
"Diabetes Mellitus, Type 2"[MeSH] AND "Drug Therapy"[MeSH] 
AND "Clinical Trial"[Publication Type] AND 2020:2024[Publication Date]

# 特定のジャーナルの CRISPR に関するレビュー
"CRISPR-Cas Systems"[MeSH] AND "Nature"[Journal] AND "Review"[Publication Type]

# 特定の著者の最近の研究
"Smith AB"[Author] AND cancer[Title/Abstract] AND 2022:2024[Publication Date]

自動化用の E-utilities: スクリプトは NCBI E-utilities API をプログラムによるアクセス用に使用します:

• ESearch: PMID を検索および取得
• EFetch: 完全なメタデータを取得
• ESummary: サマリー情報を取得
• ELink: 関連記事を見つける

完全な API ドキュメントについては references/pubmed_search.md を参照してください。

ツールとスクリプト

search_google_scholar.py

Google Scholar を検索して結果をエクスポート。

機能:

• レート制限付きの自動検索
• ページネーション対応
• 年範囲フィルタリング
• JSON または BibTeX へのエクスポート
• 引用数の情報

使用方法:

# 基本的な検索
python scripts/search_google_scholar.py "quantum computing"

# フィルタ付きの高度な検索
python scripts/search_google_scholar.py "quantum computing" \
  --year-start 2020 \
  --year-end 2024 \
  --limit 100 \
  --sort-by citations \
  --output quantum_papers.json

# BibTeX に直接エクスポート
python scripts/search_google_scholar.py "machine learning" \
  --limit 50 \
  --format bibtex \
  --output ml_papers.bib

search_pubmed.py

E-utilities API を使用して PubMed を検索。

機能:

• 複雑なクエリサポート（MeSH、フィールドタグ、ブール演算）
• 日付範囲フィルタリング
• 出版タイプフィルタリング
• メタデータを使用したバッチ取得
• JSON または BibTeX へのエクスポート

使用方法:

# 単純なキーワード検索
python scripts/search_pubmed.py "CRISPR gene editing"

# フィルタ付きの複雑なクエリ
python scripts/search_pubmed.py \
  --query '"CRISPR-Cas Systems"[MeSH] AND "therapeutic"[Title/Abstract]' \
  --date-start 2020-01-01 \
  --date-end 2024-12-31 \
  --publication-types "Clinical Trial,Review" \
  --limit 200 \
  --output crispr_therapeutic.json

# BibTeX へのエクスポート
python scripts/search_pubmed.py "Alzheimer's disease" \
  --limit 100 \
  --format bibtex \
  --output alzheimers.bib

extract_metadata.py

論文識別子からメタデータを抽出。

機能:

• DOI、PMID、arXiv ID、URL をサポート
• CrossRef、PubMed、arXiv API にクエリ
• 複数の識別子タイプを処理
• バッチ処理
• 複数の出力形式

使用方法:

# 単一の DOI
python scripts/extract_metadata.py --doi 10.1038/s41586-021-03819-2

# 単一の PMID
python scripts/extract_metadata.py --pmid 34265844

# 単一の arXiv ID
python scripts/extract_metadata.py --arxiv 2103.14030

# URL から
python scripts/extract_metadata.py \
  --url "https://www.nature.com/articles/s41586-021-03819-2"

# バッチ処理（ファイルに 1 識別子につき 1 行）
python scripts/extract_metadata.py \
  --input paper_ids.txt \
  --output references.bib

# 異なる出力形式
python scripts/extract_metadata.py \
  --doi 10.1038/nature12345 \
  --format json  # または bibtex、yaml

validate_citations.py

BibTeX エントリの正確性と完全性を検証。

機能:

• doi.org と CrossRef 経由の DOI 検証
• 必須フィールドチェック
• 重複検出
• 形式検証
• 一般的な問題の自動修正
• 詳細なレポート作成

使用方法:

# 基本的な検証
python scripts/validate_citations.py references.bib

# 自動修正付き
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --output fixed_references.bib

# 詳細な検証レポート
python scripts/validate_citations.py references.bib \
  --report validation_report.json \
  --verbose

# DOI のみをチェック
python scripts/validate_citations.py references.bib \
  --check-dois-only

format_bibtex.py

BibTeX ファイルを形式化およびクリーニング。

機能:

• 形式化を標準化
• エントリをソート（キー、年、著者別）
• 重複を削除
• 構文を検証
• 一般的なエラーを修正
• 引用キー規約を適用

使用方法:

# 基本的な形式化
python scripts/format_bibtex.py references.bib

# 年別にソート（最新順）
python scripts/format_bibtex.py references.bib \
  --sort year \
  --descending \
  --output sorted_refs.bib

# 重複を削除
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --output clean_refs.bib

# 完全なクリーンアップ
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --sort year \
  --validate \
  --auto-fix \
  --output final_refs.bib

doi_to_bibtex.py

DOI から BibTeX への迅速な変換。

機能:

• 単一の DOI の高速変換
• バッチ処理
• 複数の出力形式
• クリップボードサポート

使用方法:

# 単一の DOI
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2

# 複数の DOI
python scripts/doi_to_bibtex.py \
  10.1038/nature12345 \
  10.1126/science.abc1234 \
  10.1016/j.cell.2023.01.001

# ファイルから（1 行に 1 つの DOI）
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# クリップボードにコピー
python scripts/doi_to_bibtex.py 10.1038/nature12345 --clipboard

ベストプラクティス

検索戦略

1. 広いものから狭いものへ:

   • 一般的な用語で分野を理解することから開始
   • 特定のキーワードとフィルタで絞り込み
   • 同義語と関連用語を使用

2. 複数のソースを使用:

   • 包括的なカバレッジのための Google Scholar
   • 生物医学に焦点を当てるための PubMed
   • プレプリントの arXiv
   • 完全性のため結果を統合

3. 引用を活用:

   • 重要な論文について「引用」をチェック
   • 主要な論文から参考文献を確認
   • 引用ネットワークを使用して関連研究を発見

4. 検索を文書化:

   • 検索クエリと日付を保存
   • 結果の数を記録
   • 適用されたフィルタまたは制限事項に注記

メタデータ抽出

1. 利用可能な場合は常に DOI を使用:

   • 最も信頼性の高い識別子
   • 出版物への永続的なリンク
   • CrossRef 経由の最良のメタデータソース

2. 抽出したメタデータを検証:

   • 著者名が正しいことを確認
   • ジャーナル/会議名を検証
   • 出版年を確認
   • ページ番号と巻を検証

3. エッジケースを処理:

   • プレプリント: リポジトリと ID を含める
   • 後に発表されたプレプリント: 出版版を使用
   • 会議論文: 会議名と開催地を含める
   • 書籍章: 書籍タイトルと編者を含める

4. 一貫性を維持:

   • 一貫した著者名形式を使用
   • ジャーナル略語を標準化
   • 同じ DOI 形式を使用（URL 推奨）

BibTeX の品質

1. 規約に従う:

   • 意味のある引用キーを使用（FirstAuthor2024keyword）
   • タイトルの大文字化を {} で保護
   • ページ範囲に -- を使用（単一ダッシュではなく）
   • すべての最新の出版物に DOI フィールドを含める

2. きれいに保つ:

   • 不要なフィールドを削除
   • 冗長な情報なし
   • 一貫した形式化
   • 定期的に構文を検証

3. 体系的に整理:

   • 年またはトピック別にソート
   • 関連論文をグループ化
   • プロジェクトごとに個別のファイルを使用
   • 重複を避けるため注意深くマージ

検証

1. 早期かつ頻繁に検証:

   • 追加時に引用をチェック
   • 提出前に完全な参考文献を検証
   • 手動編集後に再検証

2. 問題に迅速に対応:

   • 破損した DOI: 正しい識別子を見つける
   • 欠落したフィールド: 元のソースから抽出
   • 重複: 最良バージョンを選択し、他を削除
   • 形式エラー: 安全な場合は自動修正を使用

3. 重要な引用を手動で確認:

   • 重要な論文が正しく引用されていることを確認
   • 著者名が出版物と一致することを確認
   • ページ番号と巻を確認
   • URL が最新であることを確認

よくある落とし穴を避ける

1. 単一ソースのバイアス: Google Scholar または PubMed のみを使用

   • 解決策: 包括的なカバレッジのため複数のデータベースを検索

2. メタデータを盲目的に受け入れる: 抽出した情報を検証しない

   • 解決策: 元のソースに対して抽出したメタデータをスポットチェック

3. DOI エラーを無視: 参考文献に破損した、または不正な DOI がある

   • 解決策: 最終提出前に検証を実行

4. 一貫性のない形式化: 混合した引用キースタイル、形式化

   • 解決策: format_bibtex.py を使用して標準化

5. 重複エントリ: 同じ論文が異なるキーで複数回引用される

   • 解決策: 検証で重複検出を使用

6. 欠落した必須フィールド: 不完全な BibTeX エントリ

   • 解決策: すべての必須フィールドが存在することを検証および確認

7. 古いプレプリント: 出版版が存在する場合にプレプリントを引用

   • 解決策: プレプリントが発表されているかを確認し、ジャーナルバージョンに更新

8. 特殊文字の問題: LaTeX コンパイルが文字のため破損

   • 解決策: BibTeX で適切なエスケープまたは Unicode を使用

9. 検証なしで提出: 引用エラーで提出

   • 解決策: 最終チェックとして常に検証を実行

10. 手動の BibTeX エントリ: エントリを手で入力

    • 解決策: スクリプトを使用してメタデータソースから常に抽出

ワークフロー例

例 1: 論文用の参考文献を構築

# ステップ 1: トピックに関する主要な論文を見つける
python scripts/search_google_scholar.py "transformer neural networks" \
  --year-start 2017 \
  --limit 50 \
  --output transformers_gs.json

python scripts/search_pubmed.py "deep learning medical imaging" \
  --date-start 2020 \
  --limit 50 \
  --output medical_dl_pm.json

# ステップ 2: 検索結果からメタデータを抽出
python scripts/extract_metadata.py \
  --input transformers_gs.json \
  --output transformers.bib

python scripts/extract_metadata.py \
  --input medical_dl_pm.json \
  --output medical.bib

# ステップ 3: すでに知っている特定の論文を追加
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2 >> specific.bib
python scripts/doi_to_bibtex.py 10.1126/science.aam9317 >> specific.bib

# ステップ 4: すべての BibTeX ファイルを統合
cat transformers.bib medical.bib specific.bib > combined.bib

# ステップ 5: 形式化および重複削除
python scripts/format_bibtex.py combined.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output formatted.bib

# ステップ 6: 検証
python scripts/validate_citations.py formatted.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

# ステップ 7: 問題を確認
cat validation.json | grep -A 3 '"errors"'

# ステップ 8: LaTeX で使用
# \bibliography{final_references}

例 2: DOI リストを変換

# テキストファイルに DOI があります（1 行に 1 つ）
# dois.txt が含む:
# 10.1038/s41586-021-03819-2
# 10.1126/science.aam9317
# 10.1016/j.cell.2023.01.001

# すべてを BibTeX に変換
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# 結果を検証
python scripts/validate_citations.py references.bib --verbose

例 3: 既存の BibTeX ファイルをクリーニング

# さまざまなソースからの乱れた BibTeX ファイルがあります
# 体系的にクリーニング

# ステップ 1: 形式化および標準化
python scripts/format_bibtex.py messy_references.bib \
  --output step1_formatted.bib

# ステップ 2: 重複を削除
python scripts/format_bibtex.py step1_formatted.bib \
  --deduplicate \
  --output step2_deduplicated.bib

# ステップ 3: 検証および自動修正
python scripts/validate_citations.py step2_deduplicated.bib \
  --auto-fix \
  --output step3_validated.bib

# ステップ 4: 年別にソート
python scripts/format_bibtex.py step3_validated.bib \
  --sort year \
  --descending \
  --output clean_references.bib

# ステップ 5: 最終検証レポート
python scripts/validate_citations.py clean_references.bib \
  --report final_validation.json \
  --verbose

# レポートを確認
cat final_validation.json

例 4: 重要な論文を見つけて引用

# トピックに関する高被引用論文を見つける
python scripts/search_google_scholar.py "AlphaFold protein structure" \
  --year-start 2020 \
  --year-end 2024 \
  --sort-by citations \
  --limit 20 \
  --output alphafold_seminal.json

# 被引用数の上位 10 を抽出
# （スクリプトが JSON に引用数を含める）

# BibTeX に変換
python scripts/extract_metadata.py \
  --input alphafold_seminal.json \
  --output alphafold_refs.bib

# BibTeX ファイルには最も影響力のある論文が含まれています

他のスキルとの統合

Literature Review スキル

Citation Management は Literature Review に技術的なインフラを提供します:

• Literature Review: 複数データベース システム的検索および統合
• Citation Management: メタデータ抽出および検証

統合ワークフロー:

1. literature-review を使用してシステム的な検索方法論について
2. citation-management を使用して引用を抽出および検証
3. literature-review を使用して結果をテーマ別に統合
4. citation-management を使用して参考文献の正確性を確認

Scientific Writing スキル

Citation Management は Scientific Writing の正確な参考文献を確保します:

• LaTeX 原稿で使用するために検証済み BibTeX をエクスポート
• ジャーナル標準に合わせて引用を確認
• ジャーナル要件に合わせて参考文献をフォーマット

Venue Templates スキル

Citation Management は提出準備の整った原稿のため Venue Templates と連携:

• 異なる会場は異なる引用スタイルを要求
• 適切にフォーマットされた参考文献を生成
• 引用が会場要件を満たしていることを検証

リソース

バンドルリソース

参考資料 (references/ で):

• google_scholar_search.md: Google Scholar 検索の完全ガイド
• pubmed_search.md: PubMed および E-utilities API ドキュメント
• metadata_extraction.md: メタデータソースおよびフィールド要件
• citation_validation.md: 検証基準と品質チェック
• bibtex_formatting.md: BibTeX エントリタイプとフォーマット規則

スクリプト (scripts/ で):

• search_google_scholar.py: Google Scholar 検索自動化
• search_pubmed.py: PubMed E-utilities API クライアント
• extract_metadata.py: ユニバーサルメタデータ抽出器
• validate_citations.py: 引用検証および検証
• format_bibtex.py: BibTeX フォーマッタおよびクリーナー
• doi_to_bibtex.py: DOI から BibTeX への迅速な変換

資産 (assets/ で):

• bibtex_template.bib: すべてのタイプの BibTeX エントリの例
• citation_checklist.md: 品質保証チェックリスト

外部リソース

検索エンジン:

• Google Scholar: https://scholar.google.com/
• PubMed: https://pubmed.ncbi.nlm.nih.gov/
• PubMed Advanced Search: https://pubmed.ncbi.nlm.nih.gov/advanced/

メタデータ API:

• CrossRef API: https://api.crossref.org/
• PubMed E-utilities: https://www.ncbi.nlm.nih.gov/books/NBK25501/
• arXiv API: https://arxiv.org/help/api/
• DataCite API: https://api.datacite.org/

ツールおよび検証:

• MeSH Browser: https://meshb.nlm.nih.gov/search
• DOI Resolver: https://doi.org/
• BibTeX Format: http://www.bibtex.org/Format/

引用スタイル:

• BibTeX ドキュメント: http://www.bibtex.org/
• LaTeX 参考文献管理: https://www.overleaf.com/learn/latex/Bibliography_management

依存関係

必須 Python パッケージ

# コアの依存関係
pip install requests  # API 用の HTTP リクエスト
pip install bibtexparser  # BibTeX パース およびフォーマット
pip install biopython  # PubMed E-utilities アクセス

# オプション（Google Scholar 用）
pip install scholarly  # Google Scholar API ラッパー
# または
pip install selenium  # より堅牢な Scholar スクレイピング用

オプションのツール

# 高度な検証用
pip install crossref-commons  # 拡張 CrossRef API アクセス
pip install pylatexenc  # LaTeX 特殊文字処理

概要

citation-management スキルは以下を提供します:

1. 包括的な検索機能 Google Scholar および PubMed 用
2. 自動化されたメタデータ抽出 DOI、PMID、arXiv ID、URL から
3. 引用検証 DOI 検証および完全性チェック付き
4. BibTeX 形式化 標準化およびクリーニングツール付き
5. 品質保証 検証およびレポート作成を通じて
6. 統合 科学論文執筆ワークフローと
7. 再現性 文書化された検索および抽出方法を通じて

このスキルを使用して、研究全体を通じて正確で完全な引用を維持し、出版準備の整った参考文献を確保してください。