引用文献管理

概要

研究および執筆プロセス全体を通じて、引用文献を体系的に管理します。このスキルは、学術データベース（Google Scholar、PubMed）の検索、複数のソースからのメタデータ抽出（CrossRef、PubMed、arXiv）、引用文献情報の検証、および適切な形式のBibTeXエントリ生成を行うための、ツールと戦略を提供します。

引用文献の正確性を維持し、参考文献エラーを回避し、再現可能な研究を確保するために重要です。文献レビュースキルと統合して、包括的な研究ワークフローを実現します。

このスキルを使用する場合

このスキルは以下の場合に使用してください：

• Google ScholarまたはPubMedで特定の論文を検索
• DOI、PMID、またはarXiv IDを適切な形式のBibTeXに変換
• 引用文献の完全なメタデータを抽出（著者、タイトル、ジャーナル、年など）
• 既存の引用文献の正確性を検証
• BibTeXファイルをクリーニングおよびフォーマット
• 特定分野の高被引用論文を検索
• 引用文献情報が実際の出版物と一致していることを確認
• 原稿または論文の参考文献目録を作成
• 重複した引用文献をチェック
• 一貫性のある引用文献フォーマットを確保

科学図表によるビジュアル強化

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向上のために、科学図表や図解の追加を常に検討してください。

ドキュメントに図表や図解がまだ含まれていない場合：

• scientific-schematicsスキルを使用してAI駆動の出版品質図表を生成
• 単に自然言語で希望の図表を説明
• Nano Banana Proが自動的に図表を生成、レビュー、改善します

新規ドキュメント用： 科学図表はデフォルトで生成され、テキストで説明されている主要概念、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必要があります。

図表を生成する方法：

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

AIは自動的に以下を実行します：

• 適切なフォーマットの出版品質画像を作成
• 複数のイテレーションを通じてレビューおよび改善
• アクセシビリティを確保（色盲対応、高コントラスト）
• 出力をfigures/ディレクトリに保存

図表を追加すべき場合：

• 引用文献ワークフロー図
• 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
• 引用文献スタイル決定木
• データベース統合図
• ビジュアル化の利益を得る複雑な概念

scientific-schematics スキルドキュメントの詳細なガイダンスについて参照してください。

---

コアワークフロー

引用文献管理は体系的なプロセスに従います：

フェーズ1：論文発見と検索

目標：学術検索エンジンを使用して関連論文を検索します。

Google Scholar検索

Google Scholarは、全分野にわたって最も包括的なカバレッジを提供します。

基本検索：

# 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

# 年フィルター付きで検索
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）：

• 正確なフレーズについて引用符を使用："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
• 日付範囲でフィルター：最近の研究を取得

ベストプラクティス：

• 具体的でターゲット化された検索用語を使用
• 主要な技術用語と頭字語を含める
• 急速に進展している分野について年で最近のものにフィルター
• 「Cited by」をチェックして基礎論文を検索
• トップ結果をエクスポートしてさらに分析

PubMed検索

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

基本検索：

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

# MeSH用語とフィルター付きで検索
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
• 日付フィルター：2020:2024[Publication Date]
• 出版物タイプ："Review"[Publication Type]
• E-utilities APIで自動化と組み合わせ

ベストプラクティス：

• MeSH Browserを使用して正しい制御語彙を検索
• PubMed Advanced Search Builderで最初に複雑なクエリを構築
• ORで複数の同義語を含める
• メタデータ抽出用にPMIDを取得
• JSONまたは直接BibTeXにエクスポート

フェーズ2：メタデータ抽出

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

クイックDOI to BibTeX変換

単一のDOIの場合、クイック変換ツールを使用します：

# 単一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用：

# 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キー不要

2. PubMed E-utilities：生物医学文献

   • 公式NCBIメタデータ
   • MeSH用語、要約を含む
   • PMIDおよびPMCID識別子
   • 無料、高ボリュームの場合はAPIキーを推奨

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
   • 著者所属
   • 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

   • 非従来型の学術的出力のメタデータ
   • データセットとコードのDOI
   • 無料アクセス

抽出されるもの：

• 必須フィールド：著者、タイトル、年
• ジャーナル記事：ジャーナル、巻、号、ページ、DOI
• 書籍：出版社、ISBN、版
• 会議論文：会議論文集、会議場所、ページ
• プレプリント：リポジトリ（arXiv、bioRxiv）、プレプリントID
• その他：要約、キーワード、URL

フェーズ3：BibTeXフォーマット

目標：クリーンで適切にフォーマットされた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：本の章
• @phdthesis：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}
}

フォーマットとクリーニング

フォーマッターを使用してBibTeXファイルを標準化します：

# BibTeXファイルをフォーマットしてクリーニング
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

# 年でソート（新しい順）
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
python scripts/format_bibtex.py references.bib \
  --validate \
  --report validation_report.txt

フォーマット操作：

• フィールド順序を標準化
• 一貫性のある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
• 一貫性のある引用キー形式
• 不要なフィールドを削除
• 一般的なエラー（欠けているカンマ、括弧）を修正

フェーズ4：引用文献検証

目標：すべての引用文献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

# 検証して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
   • BibTeXとCrossRef間でメタデータが一致
   • 壊れた、または無効なDOIなし

2. 必須フィールド：

   • エントリタイプに対してすべての必須フィールドが存在
   • 空の、または欠けている重要な情報なし
   • 著者名が適切にフォーマット

3. データ一貫性：

   • 年が有効（4桁、妥当な範囲）
   • 巻/号が数値
   • ページが正しくフォーマット（例：123--145）
   • URLがアクセス可能

4. 重複検出：

   • 複数回使用される同じDOI
   • 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. フォーマットコンプライアンス：

   • 有効なBibTeX構文
   • 適切な括弧とクォーティング
   • 引用キーはユニーク
   • 特殊文字が適切に処理

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

原稿用参考文献の作成

参考文献目録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ファイルをフォーマットしてクリーニング
python scripts/format_bibtex.py crispr_refs.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output references.bib

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

# 6. 検証レポートをレビューして残りの問題を修正
cat validation.json

# 7. LaTeX文書で使用
# \bibliography{final_references}

文献レビュースキルとの統合

このスキルはliterature-reviewスキルを補完します：

文献レビュースキル → 体系的な検索と統合 引用文献管理スキル → 技術的な引用文献処理

組み合わせたワークフロー：

1. literature-reviewを使用して包括的なマルチデータベース検索を実行
2. citation-managementを使用してすべての引用文献を抽出および検証
3. literature-reviewを使用して発見を主題的に統合
4. citation-managementを使用して最終参考文献の正確性を確認

# 文献レビュー完了後
# レビュードキュメント内のすべての引用文献を検証
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フォーマット
python scripts/format_bibtex.py my_review_references.bib \
  --style nature \
  --output formatted_refs.bib

検索戦略

Google Scholar ベストプラクティス

基礎論文を見つける：

• 被引用数でソート（最も被引用順）
• レビュー記事をレビュー用に参照
• インパクト評価用に「Cited by」をチェック
• 新しい引用文献追跡用に引用アラートを使用

高度な演算子（references/google_scholar_search.mdの完全リスト）：

"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                 # 除外用語
OR                       # 代替用語
2020..2024              # 年の範囲

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"

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

# サーベイを除外してメソッドに焦点
"protein folding" -survey -review intitle:method

PubMed 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制御語彙を提供します。

1. MeSH用語を見つける https://meshb.nlm.nih.gov/search
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]     # タイトルまたはアブストラクトで検索
[Author]             # 著者名で検索
[Journal]            # 特定のジャーナルで検索
[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E-utilities： スクリプトはプログラムのアクセス用にNCBI E-utilities APIを使用します：

• ESearch：検索してPMIDを取得
• EFetch：完全なメタデータを取得
• ESummary：サマリー情報を取得
• ELink：関連記事を検索

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します。

機能：

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

使用方法：

# 基本検索
python scripts/search_google_scholar.py "quantum computing"

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

# 直接BibTeXにエクスポート
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を検索します。

機能：

• 複雑なクエリサポート（MeSH、フィールドタグ、ブール）
• 日付範囲フィルタリング
• 出版物タイプフィルタリング
• メタデータ付きバッチ取得
• JSONまたはBibTeXへのエクスポート

使用方法：

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

# フィルター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にエクスポート
python scripts/search_pubmed.py "Alzheimer's disease" \
  --limit 100 \
  --format bibtex \
  --output alzheimers.bib

extract_metadata.py

論文識別子から完全なメタデータを抽出します。

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

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

# 単一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（1行に1つの識別子を持つファイル）
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します。

機能：

• doi.orgおよびCrossRef経由のDOI検証
• 必須フィールドチェック
• 重複検出
• フォーマット検証
• 自動修正一般的な問題
• 詳細なレポート

使用方法：

# 基本検証
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ファイルをフォーマットしてクリーニングします。

機能：

• フォーマットを標準化
• 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
• 引用キー規則を強制

使用方法：

# 基本フォーマット
python scripts/format_bibtex.py references.bib

# 年でソート（新しい順）
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

クイックDOI to BibTeX変換。

機能：

• 高速な単一DOI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. 広い範囲から始めて、絞り込む：

   • 一般的な用語で始めてその分野を理解
   • 特定のキーワードとフィルターで絞り込み
   • 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用Google Scholar
   • 生物医学フォーカス用PubMed
   • プレプリント用arXiv
   • 結果を組み合わせて完全性のため

3. 引用文献を活用：

   • 基礎論文用に「Cited by」をチェック
   • キーペーパーからの参考文献をレビュー
   • 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
   • 結果数を記録
   • 適用されたフィルターまたは制限を注記

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
   • 出版物への永久リンク
   • CrossRef経由の最良のメタデータソース

2. 抽出され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
   • 後で公開されたプレプリント：公開版を使用
   • 会議論文：会議名と場所を含める
   • 書籍の章：書籍タイトルと編集者を含める

4. 一貫性を保つ：

   • 一貫性のある著者名形式を使用
   • ジャーナル略語を標準化
   • 同じDOI形式を使用（URL形式が推奨）

BibTeX品質

1. 慣例に従う：

   • 意味のある引用キーを使用（FirstAuthor2024keyword）
   • タイトル内の大文字化を{}で保護
   • ページ範囲に--を使用（単一ダッシュではなく）
   • すべての現代的な出版物についてDOIフィールドを含める

2. クリーンを保つ：

   • 不要なフィールドを削除
   • 冗長な情報なし
   • 一貫性のあるフォーマット
   • 構文を定期的に検証

3. 体系的に整理：

   • 年またはトピックでソート
   • 関連ペーパーをグループ化
   • プロジェクトごとに別ファイルを使用
   • 重複を回避するために慎重にマージ

検証

1. 早期かつ頻繁に検証：

   • 追加時にチェック引用文献
   • 投稿前に完全な参考文献を検証
   • 手動編集後に再検証

2. 問題をすぐに修正：

   • 壊れたDOI：正しい識別子を検索
   • 欠けているフィールド：元のソースから抽出
   • 重複：最良の版を選択、他を削除
   • フォーマットエラー：安全な場合は自動修正を使用

3. 重要な引用文献の手動レビュー：

   • キーペーパー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が現在のものであることを確認

回避すべき一般的なピットフォール

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

   • 解決法：包括的なカバレッジ用に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：抽出情報を検証しない

   • 解決法：抽出されたメタデータを元のソースに照らしてスポットチェック

3. DOIエラーを無視：参考文献内の壊れた、または不正確なDOI

   • 解決法：最終投稿前に検証を実行

4. 一貫性のないフォーマット：混合引用キースタイル、フォーマット

   • 解決法：format_bibtex.pyを使用して標準化

5. 重複エントリ：異なるキーで複数回引用される同じペーパー

   • 解決法：検証で重複検出を使用

6. 欠けている必須フィールド：不完全なBibTeXエントリ

   • 解決法：検証して、すべての必須フィールドが存在することを確認

7. 古いプレプリント：公開版が存在する場合、プレプリントを引用

   • 解決法：プレプリントが公開されたかどうかをチェック、ジャーナル版にアップデート

8. 特殊文字の問題：文字のため、LaTeXコンパイルが中断

   • 解決法：BibTeXで適切なエスケープまたはUnicodeを使用

9. 投稿前に検証がない：引用エラーで投稿

   • 解決法：常に最終チェックとして検証を実行

10. 手動BibTeXエントリ：手書きでエントリを入力

    • 解決法：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：論文用参考文献を作成

# ステップ1：トピックに関するキーペーパーを検索
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：既に知っている特定のペーパーを追加
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ファイルを組み合わせ
cat transformers.bib medical.bib specific.bib > combined.bib

# ステップ5：フォーマットして重複排除
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：問題をレビュー
cat validation.json | grep -A 3 '"errors"'

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

例2：DOIのリストを変換

# テキストファイルにDOI（1行に1つ）がある場合
# dois.txtに含まれる：
# 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乱雑なBibTeXファイルがある
# 体系的にクリーニング

# ステップ1：フォーマットして標準化
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：検証して自動修正
python scripts/validate_citations.py step2_deduplicated.bib \
  --auto-fix \
  --output step3_validated.bib

# ステップ4：年でソート
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

# レポートをレビュー
cat final_validation.json

例4：基礎論文を見つけて引用

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

# 被引用数で上位10件を抽出
# （スクリプトはJSONに引用数を含めます）

# 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ペーパーが含まれるようになりました

他のスキルとの統合

文献レビュースキル

引用文献管理は文献レビューのための技術インフラストラクチャを提供します：

• 文献レビュー：マルチデータベース体系的検索と統合
• 引用文献管理：メタデータ抽出と検証

組み合わせたワークフロー：

1. 文献レビューを使用して体系的な検索方法論
2. 引用文献管理を使用してメタデータを抽出して検証
3. 文献レビューを使用して発見を統合
4. 引用文献管理を使用して参考文献の正確性を確認

科学的執筆スキル

引用文献管理は科学的執筆の正確な参考文献を確保します：

• LaTeX原稿で使用する検証済みBibTeXをエクスポート
• 出版標準に引用文献が一致することを確認
• ジャーナル要件に応じて参考文献をフォーマット

会場テンプレートスキル

引用文献管理は投稿準備ができた原稿用に会場テンプレートで機能します：

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

リソース

バンドルされたリソース

参考資料（references/内）：

• google_scholar_search.md：完全なGoogle Scholar検索ガイド
• pubmed_search.md：PubMedおよびE-utilities API ドキュメント
• metadata_extraction.md：メタデータソースと要件
• 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/内）：

• 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ツール
• validate_citations.py：引用文献検証と検証
• format_bibtex.py：BibTeXフォーマッターとクリーナー
• doi_to_bibtex.py：クイックDOI to BibTeX変換ツール

資産（assets/内）：

• bibtex_template.bib：すべてのタイプのBibTeX エントリ例
• 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/

ツールと検証ツール：

• 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

# コア依存関係
pip install requests  # API用HTTPリクエスト
pip install bibtexparser  # BibTeXパーサーおよびフォーマッター
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

まとめ

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. 自動メタデータ抽出 DOI、PMID、arXiv ID、URL から
3. 引用文献検証 DOI検証と完全性チェック付き
4. BibTeXフォーマット 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機能
6. 統合 科学的執筆ワークフロー
7. 再現性 文書化された検索と抽出方法

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文献を維持し、出版準備ができた参考文献を確保してください。