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 の検証:

   • 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
   • 壊れていたり無効だったりする DOI がないこと

2. 必須フィールド:

   • エントリタイプに必要なフィールドがすべて存在すること
   • 重要な情報が空または欠落していないこと
   • 著者名の形式が正しいこと

3. データの整合性:

   • 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
   • ページが正しい形式であること（例: 123--145）
   • URL にアクセスできること

4. 重複の検出:

   • 同じ DOI が複数回使用されていないこと
   • 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. 形式への準拠:

   • BibTeX の構文が有効であること
   • 波括弧と引用符が正しく使われていること
   • 引用キーが一意であること
   • 特殊文字が正しく扱われていること

検証結果の出力:

{
  "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

原稿用の参考文献の作成

文献リスト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}

literature-review スキルとの統合

このスキルは literature-review スキルを補完します:

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

組み合わせワークフロー:

1. literature-review を使って、複数のデータベースを網羅的に検索する
2. citation-management を使って、すべての引用を抽出・検証する
3. literature-review を使って、知見をテーマごとに統合する
4. citation-management を使って、最終的な文献リストの正確性を検証する

# 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

重要な論文の見つけ方:

• 被引用数で並べ替える（被引用数の多い順）
• 概要を把握するためにレビュー論文を探す
• 影響度を評価するために「Cited by」を確認する
• 新しい引用を追跡するために引用アラートを使用する

高度な演算子（全一覧は 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 用語の使用: MeSH（Medical Subject Headings）は、正確な検索のための統制語彙を提供します。

1. MeSH 用語を探す: https://meshb.nlm.nih.gov/search
2. クエリで使用する: "Diabetes Mellitus, Type 2"[MeSH]
3. 網羅性を高めるためにキーワードと組み合わせる

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

複雑なクエリの組み立て:

# 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: 検索して PMID を取得する
• EFetch: 完全なメタデータを取得する
• ESummary: 要約情報を取得する
• ELink: 関連論文を見つける

完全な API 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、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
• ページネーションのサポート
• 発行年の範囲によるフィルタリング
• JSON または BibTeX へのエクスポート
• 被引用数の情報

使い方:

# 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:

• 複雑なクエリのサポート（MeSH、フィールドタグ、ブール演算子）
• 日付範囲によるフィルタリング
• 出版物タイプによるフィルタリング
• メタデータ付きのバッチ取得
• JSON または BibTeX へのエクスポート

使い方:

# 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
• 複数の識別子タイプを処理
• バッチ処理
• 複数の出力形式

使い方:

# 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 による DOI の検証
• 必須フィールドのチェック
• 重複の検出
• 形式の検証
• よくある問題の自動修正
• 詳細なレポート

使い方:

# 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 ファイルを整形および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、著者順）
• 重複の削除
• 構文の検証
• よくあるエラーの修正
• 引用キーの規則の適用

使い方:

# 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 から BibTeX への迅速な変換です。

機能:

• 単一の DOI を素早く変換
• バッチ処理
• 複数の出力形式
• クリップボード対応

使い方:

# 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. 広く始めてから絞り込む:

   • まず一般的な用語で分野の全体像を把握する
   • 具体的なキーワードやフィルターで絞り込む
   • 同義語や関連語も活用する

2. 複数のソースを使う:

   • 網羅性のために Google Scholar を使う
   • 生物医学分野に特化するなら PubMed を使う
   • プレプリントには arXiv を使う
   • 結果を組み合わせて漏れを防ぐ

3. 引用関係を活用する:

   • 重要な論文は「Cited by」で被引用文献を確認する
   • 主要な論文の参考文献を確認する
   • 引用ネットワークを使って関連研究を発見する

4. 検索内容を記録する:

   • 検索クエリと検索日を保存する
   • 結果の件数を記録する
   • 適用したフィルターや制限を書き留める

メタデータの抽出

1. 利用可能な場合は必ず DOI を使う:

   • 最も信頼性の高い識別子である
   • 出版物への恒久的なリンクになる
   • CrossRef から得られる最良のメタデータソースである

2. 抽出したメタデータを検証する:

   • 著者名が正しいか確認する
   • ジャーナルや会議の名称を確認する
   • 出版年を確認する
   • ページ番号と巻号を検証する

3. 特殊なケースに対応する:

   • プレプリント: リポジトリ名と ID を含める
   • 後に正式出版されたプレプリント: 出版版を使用する
   • 会議論文: 会議名と開催地を含める
   • 書籍の章: 書名と編者を含める

4. 一貫性を保つ:

   • 著者名の形式を統一する
   • ジャーナル名の略称を標準化する
   • DOI の形式を統一する（URL 形式が推奨）

BibTeX の品質

1. 規約に従う:

   • 意味のある引用キーを使う（FirstAuthor2024keyword）
   • タイトル中の大文字を {} で保護する
   • ページ範囲には単一のハイフンではなく -- を使う
   • 近年の出版物はすべて DOI フィールドを含める

2. 簡潔に保つ:

   • 不要なフィールドを削除する
   • 冗長な情報を含めない
   • 書式を統一する
   • 構文を定期的に検証する

3. 体系的に整理する:

   • 年や分野で並べ替える
   • 関連する論文をまとめる
   • プロジェクトごとに別のファイルを使う
   • 重複を避けるため慎重に統合する

検証

1. 早い段階から頻繁に検証する:

   • 引用を追加するたびに確認する
   • 提出前に文献リスト全体を検証する
   • 手動で編集するたびに再検証する

2. 問題を速やかに修正する:

   • 無効な DOI: 正しい識別子を見つける
   • 不足しているフィールド: 元の情報源から抽出する
   • 重複: 最適なバージョンを残し、他は削除する
   • 形式エラー: 安全な場合は自動修正を使う

3. 重要な引用は手動で確認する:

   • 主要な論文が正しく引用されているか確認する
   • 著者名が出版物と一致しているか確認する
   • ページ番号と巻号を確認する
   • URL が最新であることを確認する

避けるべきよくある落とし穴

1. 単一ソースへの偏り: Google Scholar や PubMed だけを使用する

   • 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する

2. メタデータの無批判な受け入れ: 抽出され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する

3. DOI の誤りの見落とし: 文献リスト内のリンク切れや誤った DOI

   • 解決策: 最終提出前に検証を実行する

4. 書式の不統一: 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 を使用して標準化する

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ている

   • 解決策: 検証時に重複検出を使用する

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存在することを確認する

7. 古いプレプリント: 出版版が存在するのにプレプリントを引用している

   • 解決策: プレプリントが出版されていないか確認し、ジャーナル版に更新する

8. 特殊文字の問題: 文字が原因で LaTeX のコンパイルが失敗する

   • 解決策: BibTeX で適切なエスケープor Unicode を使用する

9. 提出前の検証不足: 引用の誤りがあるまま提出する

   • 解決策: 最終確認として必ず検証を実行する

10. BibTeX の手入力: エントリを手作業で入力する

    • 解決策: 必ずスクリプトを使用してメタデータソースから抽出する

ワークフローの例

例 1: 論文の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 ファイルをクリーンアップする

# 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: 重要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

他のスキルとの連携

文献レビュースキル

引用管理は文献レビューの技術的基盤を提供します:

• 文献レビュー: 複数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の方法論を決める
2. citation-management を使用して引用を抽出し検証する
3. literature-review を使用して知見を統合する
4. citation-management を使用して文献リストの正確性を確保する

科学論文執筆スキル

引用管理は科学論文執筆のために正確な参考文献を保証します:

• LaTeX の原稿で使用するために検証済みの BibTeX をエクスポートする
• 引用が出版基準に適合しているか確認する
• ジャーナルの要件に従って参考文献の書式を整える

投稿先テンプレートスキル

引用管理は、投稿可能な原稿のために投稿先テンプレートと連携します:

• 投稿先によって異なる引用スタイルが必要になる
• 適切な書式の参考文献を生成する
• 引用が投稿先の要件を満たしているか検証する

リソース

同梱リソース

参考資料（references/ 内）:

• google_scholar_search.md: Google Scholar 検索の完全ガイド
• pubmed_search.md: PubMed と E-utilities API のドキュメント
• metadata_extraction.md: メタデータのソースと必須フィールド
• citation_validation.md: 検証基準と品質チェック
• bibtex_formatting.md: BibTeX のエントリタイプと書式ルール

スクリプト（scripts/ 内）:

• search_google_scholar.py: Google Scholar 検索の自動化
• 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 の整形・クリーニングツール
• doi_to_bibtex.py: DOI から BibTeX への簡易変換ツール

アセット（assets/ 内）:

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

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/

ツールとバリデーター:

• 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 documentation: http://www.bibtex.org/
• LaTeX bibliography management: 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

citation-management スキルでは、次の機能を提供します:

1. Google Scholar と PubMed に対する包括的な検索機能
2. DOI、PMID、arXiv ID、URL からのメタデータの自動抽出
3. DOI 検証と完全性チェックによる引用のバリデーション
4. 標準化およびクリーニングツールを備えた BibTeX フォーマット
5. バリデーションとレポートによる品質保証
6. 科学的な執筆ワークフローとの統合
7. 文書化された検索および抽出方法による再現性

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、出版可能な参考文献リストを確保してください。