citation-management

引用管理

概要

研究と執筆のプロセス全体を通じて、引用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（CrossRef、PubMed、arXiv）からの正確なメタデータの抽出、引用情報の検証、適切に書式化された BibTeX エントリの生成のためのツールと戦略を提供します。

引用の正確性を維持し、参照エラーを回避し、再現可能な研究を確保するために重要です。包括的な研究ワークフローのために literature-review スキルとシームレスに統合されます。

このスキルを使用するタイミング

次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とき
• DOI、PMID、または arXiv ID を適切に書式化された BibTeX に変換するとき
• 引用の完全なメタデータ（著者、タイトル、雑誌、年など）を抽出するとき
• 既存の引用の正確性を検証するとき
• BibTeX ファイルをクリーニングおよび書式化するとき
• 特定の分野で被引用数の多い論文を見つけるとき
• 引用情報が実際の出版物と一致することを確認するとき
• 原稿または論文のための参考文献リストを作成するとき
• 重複する引用を確認するとき
• 一貫した引用書式を確保するとき

Scientific Schematics による視覚的強化

このスキルで文書を作成する際は、視覚的な伝達を強化するために、科学的な図やスキーマティックの追加を必ず検討してください。

文書にスキーマティックや図がまだ含まれていない場合:

• scientific-schematics スキルを使用して、AI を活用した出版品質の図を生成します
• 希望する図を自然言語で説明するだけです
• Nano Banana Pro が自動的にスキーマティックを生成、レビュー、洗練します

新規文書の場合: テキストで説明された主要な概念、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に、科学的なスキーマティックをデフォルトで生成する必要があります。

スキーマティックの生成方法:

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

AI は自動的に次を行います:

• 適切な書式を備えた出版品質の画像を作成
• 複数の反復を通じてレビューと洗練を実施
• アクセシビリティを確保（色覚に配慮、高コントラスト）
• figures/ ディレクトリに出力を保存

スキーマティックを追加するタイミング:

• 引用ワークフローの図
• 文献検索の方法論のフローチャート
• 参考文献管理システムのアーキテクチャ
• 引用スタイルの決定木
• データベース統合の図
• 視覚化の恩恵を受けるあらゆる複雑な概念

スキーマティックの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する論文を見つけます。

Google Scholar 検索

Google Scholar は、分野を横断して最も包括的なカバレッジを提供します。

基本検索:

# Search for papers on a topic
python scripts/search_google_scholar.py "CRISPR gene editing" \
  --limit 50 \
  --output results.json

# Search with year filter
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 を参照）:

• 完全一致のフレーズには引用符を使用: "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
• 並べ替えオプションを使用して被引用数の多い論文を見つける
• 日付範囲で絞り込み、最新の研究を取得

ベストプラクティス:

• 具体的で的を絞った検索語を使用する
• 主要な技術用語や略語を含める
• 変化の速い分野では最近の年で絞り込む
• 「Cited by」を確認して重要な論文を見つける
• さらなる分析のために上位の結果をエクスポートする

PubMed 検索

PubMed は生物医学およびライフサイエンス分野の文献に特化しています（3,500 万件以上の引用文献）。

基本検索:

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

# Search with MeSH terms and filters
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

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

• 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]
• 文献の種類: "Review"[Publication Type]
• E-utilities API と組み合わせて自動化

ベストプラクティス:

• MeSH Browser を使用して正しい統制語彙を見つける
• 複雑なクエリは、まず PubMed の高度な検索ビルダーで作成する
• OR で複数の同義語を含める
• 簡単にメタデータを抽出できるよう PMID を取得する
• JSON 形式、または直接 BibTeX 形式でエクスポートする

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する。

DOI から BibTeX への簡易変換

単一の DOI の場合は、簡易変換ツールを使用します:

# Convert single DOI
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2

# Convert multiple DOIs from a file
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# Different output formats
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 の場合:

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

# Extract from PMID
python scripts/extract_metadata.py --pmid 34265844

# Extract from arXiv ID
python scripts/extract_metadata.py --arxiv 2103.14030

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

# Batch extraction from file (mixed identifiers)
python scripts/extract_metadata.py --input identifiers.txt --output citations.bib

メタデータのソース（references/metadata_extraction.md を参照）:

1. CrossRef API: DOI の主要なソース

   • ジャーナル論文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、ジャーナル名、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

   • NCBI が提供する公式メタデータ
   • MeSH 用語、抄録を含む
   • PMID および PMCID 識別子
   • 無料、大量利用の場合は API キーを推奨

3. arXiv API: 物理学、数学、CS、q-bio 分野のプレプリント

   • プレプリントの完全なメタデータ
   • バージョン管理
   • 著者の所属
   • 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

   • 従来の学術成果物以外のメタデータ
   • データセットやコードの DOI
   • 無料でアクセス可能

抽出される情報:

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

フェーズ 3: BibTeX の整形

目標: 整った形式の BibTeX エントリを生成する。

BibTeX のエントリタイプの理解

詳細なガイドは 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: ジャーナル論文（最も一般的）
• @book: 書籍
• @inproceedings: 会議論文
• @incollection: 書籍の章
• @phdthesis: 学位論文
• @misc: プレプリント、ソフトウェア、データセット

タイプごとの必須フィールド:

@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}
}

整形とクリーニング

整形ツールを使用して BibTeX ファイルを標準化します:

# Format and clean BibTeX file
python scripts/format_bibtex.py references.bib \
  --output formatted_references.bib

# Sort entries by citation key
python scripts/format_bibtex.py references.bib \
  --sort key \
  --output sorted_references.bib

# Sort by year (newest first)
python scripts/format_bibtex.py references.bib \
  --sort year \
  --descending \
  --output sorted_references.bib

# Remove duplicates
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --output clean_references.bib

# Validate and report issues
python scripts/format_bibtex.py references.bib \
  --validate \
  --report validation_report.txt

整形の操作:

• フィールドの順序を標準化する
• インデントと空白を統一する
• タイトルの大文字・小文字を適切に処理する（{} で保護）
• 著者名の形式を標準化する
• 引用キーの形式を統一する
• 不要なフィールドを削除する
• 一般的なエラーを修正する（カンマや波括弧の欠落など）

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する。

包括的な検証

# Validate BibTeX file
python scripts/validate_citations.py references.bib

# Validate and fix common issues
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --output validated_references.bib

# Generate detailed validation report
python scripts/validate_citations.py references.bib \
  --report validation_report.json \
  --verbose

検証項目（references/citation_validation.mdを参照）：

1. DOI の確認：

   • DOI が doi.org で正しく解決されること
   • BibTeX と CrossRef のメタデータが一致すること
   • 破損または無効な DOI がないこと

2. 必須フィールド：

   • エントリーの種類に応じた必須フィールドがすべて存在すること
   • 空欄や重要な情報の欠落がないこと
   • 著者名が適切にフォーマットされていること

3. データの一貫性：

   • 年が有効であること（4 桁で、妥当な範囲内）
   • 巻号が数値であること
   • ページが正しくフォーマットされていること（例：123--145）
   • URL にアクセスできること

4. 重複の検出：

   • 同じ DOI が複数回使われていないか
   • 類似したタイトルがないか（重複の可能性）
   • 著者・年・タイトルの組み合わせが同じものがないか

5. 形式への準拠：

   • BibTeX の構文が有効であること
   • 波括弧と引用符が適切に使われていること
   • 引用キーが一意であること
   • 特殊文字が正しく処理されていること

検証結果：

{
  "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

論文原稿の参考文献を作成する

参考文献一覧を作成するための完全なワークフロー：

# 1. Search for papers on your topic
python scripts/search_pubmed.py \
  '"CRISPR-Cas Systems"[MeSH] AND "Gene Editing"[MeSH]' \
  --date-start 2020 \
  --limit 200 \
  --output crispr_papers.json

# 2. Extract DOIs from search results and convert to BibTeX
python scripts/extract_metadata.py \
  --input crispr_papers.json \
  --output crispr_refs.bib

# 3. Add specific papers by DOI
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. Format and clean the BibTeX file
python scripts/format_bibtex.py crispr_refs.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output references.bib

# 5. Validate all citations
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

# 6. Review validation report and fix any remaining issues
cat validation.json

# 7. Use in your LaTeX document
# \bibliography{final_references}

文献レビューのスキルとの統合

このスキルはliterature-reviewスキルを補完します：

文献レビューのスキル → 体系的な検索と統合 引用管理スキル → 技術的な引用処理

組み合わせたワークフロー：

1. literature-reviewを使って、複数のデータベースを対象に包括的に検索します
2. citation-managementを使って、すべての引用を抽出して検証します
3. literature-reviewを使って、テーマ別に知見を統合します
4. citation-managementを使って、最終的な参考文献一覧の正確性を確認します

# After completing literature review
# Verify all citations in the review document
python scripts/validate_citations.py my_review_references.bib --report review_validation.json

# Format for specific citation style if needed
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

主要論文と影響力の大きい論文を見つける（重要）：

引用数、掲載先の質、著者の評価に基づいて、常に論文を優先してください。

引用数の基準：

論文の経過年数	引用数	分類
0～3 年	20 件以上	注目すべき論文
0～3 年	100 件以上	非常に影響力の大きい論文
3～7 年	100 件以上	重要な論文
3～7 年	500 件以上	画期的な論文
7 年以上	500 件以上	主要論文
7 年以上	1000 件以上	基礎となる論文

掲載先の質のランク：

• ランク 1（優先）： Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS
• ランク 2（優先度高）： インパクトファクター >10、主要な学会（NeurIPS、ICML、ICLR）
• ランク 3（良好）： 専門誌（IF 5-10）
• ランク 4（限定的に利用）： 影響力が低い査読付き掲載先

著者の評価を示す指標：

• h-index >40 のシニア研究者
• ランク 1 の掲載先での複数の出版実績
• 評判の高い機関でのリーダーシップ
• 受賞歴や編集職

影響力の大きい論文の検索戦略：

• 引用数で並べ替えます（引用数の多い順）
• 概要を把握するため、ランク 1 の学術誌に掲載された総説を探します
• 影響度や最近の関連研究を評価するため、「Cited by」を確認します
• 主要論文への新たな引用を追跡するため、引用アラートを使います
• source:Natureやsource:Scienceを使って、主要な掲載先で絞り込みます
• author:LastNameを使って、その分野で著名な研究者の論文を検索します

高度な演算子（全リストはreferences/google_scholar_search.mdを参照）：

"exact phrase"           # Exact phrase matching
author:lastname          # Search by author
intitle:keyword          # Search in title only
source:journal           # Search specific journal
-exclude                 # Exclude terms
OR                       # Alternative terms
2020..2024              # Year range

検索例：

# Find recent reviews on a topic
"CRISPR" intitle:review 2023..2024

# Find papers by specific author on topic
author:Church "synthetic biology"

# Find highly cited foundational work
"deep learning" 2012..2015 sort:citations

# Exclude surveys and focus on methods
"protein folding" -survey -review intitle:method

PubMed のベストプラクティス

MeSH 用語を使う： MeSH（医学件名標目）は、精度の高い検索を可能にする統制語彙です。

1. https://meshb.nlm.nih.gov/search で MeSH 用語を探します
2. クエリで使用します："Diabetes Mellitus, Type 2"[MeSH]
3. 網羅的に検索するため、キーワードと組み合わせます

フィールドタグ：

[Title]              # Search in title only
[Title/Abstract]     # Search in title or abstract
[Author]             # Search by author name
[Journal]            # Search specific journal
[Publication Date]   # Date range
[Publication Type]   # Article type
[MeSH]              # MeSH term

複雑なクエリを作成する：

# Clinical trials on diabetes treatment published recently
"Diabetes Mellitus, Type 2"[MeSH] AND "Drug Therapy"[MeSH] 
AND "Clinical Trial"[Publication Type] AND 2020:2024[Publication Date]

# Reviews on CRISPR in specific journal
"CRISPR-Cas Systems"[MeSH] AND "Nature"[Journal] AND "Review"[Publication Type]

# Specific author's recent work
"Smith AB"[Author] AND cancer[Title/Abstract] AND 2022:2024[Publication Date]

自動化のための E-utilities： スクリプトは、プログラムからアクセスするために NCBI E-utilities API を使用します：

• ESearch：PMID を検索して取得します
• EFetch：完全なメタデータを取得します
• ESummary：要約情報を取得します
• ELink：関連論文を見つけます

API の完全なドキュメントは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
• ページネーションに対応
• 年の範囲で絞り込み
• JSONまたはBibTeXにエクスポート
• 被引用数の情報

使用方法：

# Basic search
python scripts/search_google_scholar.py "quantum computing"

# Advanced search with filters
python scripts/search_google_scholar.py "quantum computing" \
  --year-start 2020 \
  --year-end 2024 \
  --limit 100 \
  --sort-by citations \
  --output quantum_papers.json

# Export directly to BibTeX
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：

• 複雑なクエリに対応（MeSH、フィールドタグ、ブール演算）
• 日付の範囲で絞り込み
• 出版物の種類で絞り込み
• メタデータを含む一括取得
• JSONまたはBibTeXにエクスポート

使用方法：

# Simple keyword search
python scripts/search_pubmed.py "CRISPR gene editing"

# Complex query with filters
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

# Export to BibTeX
python scripts/search_pubmed.py "Alzheimer's disease" \
  --limit 100 \
  --format bibtex \
  --output alzheimers.bib

extract_metadata.py

論文の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に対応
• CrossRef、PubMed、arXivのAPIに問い合わせ
• 複数の識別子の種類に対応
• 一括処理
• 複数の出力形式

使用方法：

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

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

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

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

# Batch processing (file with one identifier per line)
python scripts/extract_metadata.py \
  --input paper_ids.txt \
  --output references.bib

# Different output formats
python scripts/extract_metadata.py \
  --doi 10.1038/nature12345 \
  --format json  # or 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とCrossRefを介したDOIの検証
• 必須フィールドの確認
• 重複の検出
• 書式の検証
• よくある問題の自動修正
• 詳細なレポート

使用方法：

# Basic validation
python scripts/validate_citations.py references.bib

# With auto-fix
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --output fixed_references.bib

# Detailed validation report
python scripts/validate_citations.py references.bib \
  --report validation_report.json \
  --verbose

# Only check DOIs
python scripts/validate_citations.py references.bib \
  --check-dois-only

format_bibtex.py

BibTeXファイルの書式を整え、クリーンアップします。

機能：

• 書式の標準化
• エントリの並べ替え（キー、年、著者別）
• 重複の削除
• 構文の検証
• よくあるエラーの修正
• 引用キーの規則を適用

使用方法：

# Basic formatting
python scripts/format_bibtex.py references.bib

# Sort by year (newest first)
python scripts/format_bibtex.py references.bib \
  --sort year \
  --descending \
  --output sorted_refs.bib

# Remove duplicates
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --output clean_refs.bib

# Complete cleanup
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --sort year \
  --validate \
  --auto-fix \
  --output final_refs.bib

doi_to_bibtex.py

DOIをBibTeXにすばやく変換します。

機能：

• 単一のDOIをすばやく変換
• 一括処理
• 複数の出力形式
• クリップボードに対応

使用方法：

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

# Multiple DOIs
python scripts/doi_to_bibtex.py \
  10.1038/nature12345 \
  10.1126/science.abc1234 \
  10.1016/j.cell.2023.01.001

# From file (one DOI per line)
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# Copy to clipboard
python scripts/doi_to_bibtex.py 10.1038/nature12345 --clipboard

ベストプラクティス

検索戦略

1. 幅広く検索してから絞り込みます：

   • 一般的な用語から始めて、分野の概要を把握します
   • 具体的なキーワードやフィルターを使って絞り込みます
   • 同義語や関連用語を使用します

2. 複数の情報源を使用します：

   • 幅広く網羅するにはGoogle Scholarを使用します
   • 生物医学分野に特化した検索にはPubMedを使用します
   • プレプリントにはarXivを使用します
   • 結果を組み合わせて、網羅性を高めます

3. 引用を活用します：

   • 重要な論文を見つけるには「Cited by」を確認します
   • 重要な論文の参考文献を確認します
   • 引用ネットワークを使って関連研究を見つけます

4. 検索内容を記録します：

   • 検索クエリと日付を保存します
   • 結果の件数を記録します
   • 適用したフィルターや制限事項を記録します

メタデータの抽出

1. 利用可能な場合は必ずDOIを使用します：

   • 最も信頼性の高い識別子です
   • 出版物への永続的なリンクです
   • CrossRef経由で最適なメタデータを取得できます

2. 抽出したメタデータを確認します：

   • 著者名が正しいことを確認します
   • ジャーナル名や学会名を確認します
   • 出版年を確認します
   • ページ番号と巻号を検証します

3. 特殊なケースに対応します：

   • プレプリント：リポジトリとIDを含めます
   • 後に出版されたプレプリント：出版版を使用します
   • 学会論文：学会名と開催地を含めます
   • 書籍の章：書名と編者を含めます

4. 一貫性を保ちます：

   • 著者名の形式を統一します
   • ジャーナルの略称を統一します
   • DOIの形式を統一します（URL形式を推奨）

BibTeXの品質

1. 規則に従います：

   • 意味のある引用キーを使用します（FirstAuthor2024keyword）
   • タイトルの大文字表記を保持するには{}で囲みます
   • ページ範囲には単一のハイフンではなく--を使用します
   • 近年の出版物にはすべてDOIフィールドを含めます

2. 整理された状態を保ちます：

   • 不要なフィールドを削除します
   • 冗長な情報を含めません
   • 書式を統一します
   • 構文を定期的に検証します

3. 体系的に整理します：

   • 年またはトピック別に並べ替えます
   • 関連する論文をグループ化します
   • プロジェクトごとに別のファイルを使用します
   • 重複を避けるため、慎重に統合します

検証

1. 早期かつ頻繁に検証する：

   • 引用を追加する際に確認します
   • 提出前に参考文献リスト全体を検証します
   • 手動で編集した後は再検証します

2. 問題は速やかに修正する：

   • DOI が無効：正しい識別子を見つけます
   • フィールドの欠落：元の情報源から抽出します
   • 重複：最適な版を選び、ほかを削除します
   • 書式エラー：安全な場合は自動修正を使用します

3. 重要な引用は手動で確認する：

   • 重要な論文が正しく引用されていることを確認します
   • 著者名が出版物の表記と一致していることを確認します
   • ページ番号と巻号を確認します
   • URL が最新であることを確認します

避けるべきよくある落とし穴

1. 単一の情報源への偏り：Google Scholar または PubMed だけを使用する

   • 解決策：網羅的に調査するため、複数のデータベースを検索します

2. メタデータを無条件に受け入れる：抽出した情報を検証しない

   • 解決策：抽出したメタデータを元の情報源と照合して抜き取り確認します

3. DOI のエラーを無視する：参考文献に無効または誤った DOI が含まれている

   • 解決策：最終提出前に検証を実行します

4. 書式に一貫性がない：引用キーのスタイルや書式が混在している

   • 解決策：format_bibtex.py を使用して標準化します

5. エントリの重複：同じ論文が異なるキーで複数回引用されている

   • 解決策：検証時に重複検出を使用します

6. 必須フィールドの欠落：BibTeX エントリが不完全である

   • 解決策：検証を行い、必須フィールドがすべて揃っていることを確認します

7. 古いプレプリント：出版済みの版があるのにプレプリントを引用する

   • 解決策：プレプリントが出版済みか確認し、ジャーナル版に更新します

8. 特殊文字の問題：文字が原因で LaTeX のコンパイルに失敗する

   • 解決策：BibTeX では適切なエスケープまたは Unicode を使用します

9. 提出前に検証しない：引用に誤りがある状態で提出する

   • 解決策：最終確認として必ず検証を実行します

10. BibTeX エントリを手動で作成する：エントリを手入力する

    • 解決策：必ずスクリプトを使い、メタデータの情報源から抽出します

ワークフローの例

例 1：論文の参考文献リストを作成する

# Step 1: Find key papers on your topic
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

# Step 2: Extract metadata from search results
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

# Step 3: Add specific papers you already know
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

# Step 4: Combine all BibTeX files
cat transformers.bib medical.bib specific.bib > combined.bib

# Step 5: Format and deduplicate
python scripts/format_bibtex.py combined.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output formatted.bib

# Step 6: Validate
python scripts/validate_citations.py formatted.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

# Step 7: Review any issues
cat validation.json | grep -A 3 '"errors"'

# Step 8: Use in LaTeX
# \bibliography{final_references}

例 2：DOI のリストを変換する

# You have a text file with DOIs (one per line)
# dois.txt contains:
# 10.1038/s41586-021-03819-2
# 10.1126/science.aam9317
# 10.1016/j.cell.2023.01.001

# Convert all to BibTeX
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# Validate the result
python scripts/validate_citations.py references.bib --verbose

例 3：既存の BibTeX ファイルを整理する

# You have a messy BibTeX file from various sources
# Clean it up systematically

# Step 1: Format and standardize
python scripts/format_bibtex.py messy_references.bib \
  --output step1_formatted.bib

# Step 2: Remove duplicates
python scripts/format_bibtex.py step1_formatted.bib \
  --deduplicate \
  --output step2_deduplicated.bib

# Step 3: Validate and auto-fix
python scripts/validate_citations.py step2_deduplicated.bib \
  --auto-fix \
  --output step3_validated.bib

# Step 4: Sort by year
python scripts/format_bibtex.py step3_validated.bib \
  --sort year \
  --descending \
  --output clean_references.bib

# Step 5: Final validation report
python scripts/validate_citations.py clean_references.bib \
  --report final_validation.json \
  --verbose

# Review report
cat final_validation.json

例 4：代表的な論文を見つけて引用する

# Find highly cited papers on a topic
python scripts/search_google_scholar.py "AlphaFold protein structure" \
  --year-start 2020 \
  --year-end 2024 \
  --sort-by citations \
  --limit 20 \
  --output alphafold_seminal.json

# Extract the top 10 by citation count
# (script will have included citation counts in JSON)

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

# The BibTeX file now contains the most influential papers

ほかのスキルとの連携

文献レビュー スキル

引用管理は、文献レビューの技術的な基盤を提供します：

• 文献レビュー：複数のデータベースを対象とした体系的な検索と統合
• 引用管理：メタデータの抽出と検証

組み合わせたワークフロー：

1. literature-review を使用して体系的な検索方法を適用します
2. citation-management を使用して引用を抽出し、検証します
3. literature-review を使用して調査結果を統合します
4. citation-management を使用して参考文献の正確性を確保します

科学論文執筆スキル

引用管理は、科学論文執筆に正確な参考文献を提供します：

• 検証済みの BibTeX を LaTeX 原稿で使えるようにエクスポートします
• 引用が出版基準に合致していることを確認します
• ジャーナルの要件に従って参考文献を書式設定します

投稿先テンプレート スキル

引用管理は、投稿可能な原稿を作成するために投稿先テンプレートと連携します：

• 投稿先ごとに異なる引用スタイルが必要です
• 適切な書式の参考文献を生成します
• 引用が投稿先の要件を満たしていることを検証します

リソース

同梱リソース

リファレンス（references/ 内）：

• google_scholar_search.md：Google Scholar の検索ガイド完全版
• pubmed_search.md：PubMed および E-utilities API のドキュメント
• metadata_extraction.md：メタデータのソースとフィールド要件
• citation_validation.md：検証基準と品質チェック
• bibtex_formatting.md：BibTeX のエントリータイプと書式ルール

スクリプト（scripts/ 内）：

• search_google_scholar.py：Google Scholar の検索を自動化
• search_pubmed.py：PubMed E-utilities API クライアント
• extract_metadata.py：汎用メタデータ抽出ツール
• validate_citations.py：引用の検証と確認
• format_bibtex.py：BibTeX のフォーマッターとクリーナー
• doi_to_bibtex.py：DOI から BibTeX への簡易コンバーター

アセット（assets/ 内）：

• bibtex_template.bib：すべてのタイプを網羅した BibTeX エントリーの例
• 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 の詳細検索：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/

ツールとバリデーター：

• MeSH ブラウザー：https://meshb.nlm.nih.gov/search
• DOI リゾルバー：https://doi.org/
• BibTeX の書式：http://www.bibtex.org/Format/

引用スタイル：

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

依存関係

必須の Python パッケージ

# Core dependencies
pip install requests  # HTTP requests for APIs
pip install bibtexparser  # BibTeX parsing and formatting
pip install biopython  # PubMed E-utilities access

# Optional (for Google Scholar)
pip install scholarly  # Google Scholar API wrapper
# or
pip install selenium  # For more robust Scholar scraping

オプションのツール

# For advanced validation
pip install crossref-commons  # Enhanced CrossRef API access
pip install pylatexenc  # LaTeX special character handling

概要

引用管理スキルでは、次のことができます。

1. Google Scholar と PubMed の包括的な検索機能
2. DOI、PMID、arXiv ID、URL からのメタデータ抽出の自動化
3. DOI の検証と完全性チェックによる引用の検証
4. 標準化ツールとクリーニングツールを使ったBibTeX の書式設定
5. 検証とレポート作成による品質保証
6. 科学論文執筆のワークフローとの統合
7. 文書化された検索方法と抽出方法による再現性の確保

このスキルを活用して、研究全体を通じて引用の正確性と完全性を保ち、出版可能な品質の参考文献リストを作成してください。