get-research-paper

研究論文を探す

研究論文を発見するためのスキルです。research-paperスキルが論文を執筆するのに対し、このスキルは論文を探します。トピックを指定すると、実在が確認された論文の中から、DOIを検証済みで、主要な知見とすぐに引用できる書誌情報を備えた、重複のないランキング形式の読書リストを取得できます。

このファイルはエントリーポイントです。各ソースの詳細な戦略、ランキング基準、要約用プロンプトなどの詳しいガイダンスはトピックフォルダーにあり、必要に応じて読み込まれます。

---

1. 有効化するタイミング

スラッシュコマンド

コマンド	機能
/get-research-paper <topic>	厳選した読書リスト（デフォルトは論文10件）
/find-paper <topic>	/get-research-paperのエイリアス
/find-papers <topic>	/get-research-paperのエイリアス
/fetch-paper <topic>	/get-research-paperのエイリアス
/papers-on <topic>	/get-research-paperのエイリアス
/scholar <topic>	手短な学術的要約（論文5件、各2行の要約）

共通オプション：

• --n <N> — 論文数（デフォルトは10）。
• --years <range> — 例：2020-2024、last-5、since-2018。
• --source <src> — arxiv、scholar、pubmed、semantic-scholar、all（デフォルト）。
• --depth <quick|standard|deep> — 要約の詳しさ。
• --style <harvard|apa|ieee|...> — 参考文献リストを事前に書式設定します。
• --audience <academic|technical|general> — 要約の文体を調整します。
• --handoff — research-paperスキルですぐに使えるbibliography.yamlを出力します。

自然言語でのパターン

• 「[topic]に関する研究論文を取得して」
• 「[topic]に関する研究論文を探して」
• 「[topic]の論文を探して」
• 「[topic]に関する主要な論文は？」
• 「[topic]に関する研究を見せて」
• 「[topic]に関する論文を取得して」
• 「[topic]の論文を一覧にして」
• 「[topic]に関する文献」（/literature-reviewより短い）
• 「scholar [topic]」

有効化しない場合

以下の場合は有効化しないでください。

• 論文の執筆依頼（research-paperに引き継ぎます）。
• 草稿のレビューまたは批評依頼（research-paperに引き継ぎます）。
• 学術的な情報源が不要な一般的な質問（「Xとは何ですか？」など）。
• コードまたはAPIドキュメントのみの検索。

---

2. 出力仕様

実行ごとに、最低限、以下を出力します。

1. 読書リスト — N件の論文。それぞれに以下を含めます。
   • タイトル（正式名称）
   • 著者（先頭3名。4名以上の場合は「et al.」を付記）
   • 年
   • 掲載媒体／学術誌／プレプリントサーバー
   • DOI／arXiv ID／URL
   • 2～4文の要約（問題 → 手法 → 知見 → 重要性）
   • 関連性スコア（1～5）と品質スコア（citation_engineの評価基準に基づく）
   • そのまま使える引用キー（小文字の著者名_年_単語）
2. 分野の概要（任意。--depth deepではデフォルトで有効）— 分野の現状と主流のアプローチをまとめた1段落の総合的な説明。
3. bibliography.yaml — research-paperスキルですぐに使える標準形式のファイル。
4. Known-gaps.mdブロック — 検証できなかった論文すべてを、重大度と推奨される対応とともに提示します。

templates/reading-list.md、templates/paper-summary.md、templates/briefing.mdを参照してください。

3. 基本原則

0. まず今日の日付を基準にします。 検索する前に、今日の実際の日付を確認します（date -u +%Y-%m-%d、実行時のコンテキスト、またはユーザーへの確認を利用）。学習データのカットオフ日を既定値として使ってはいけません。 --years last-3 のような期間は、今日の日付を基準に計算します。プロトコルの全文は instructions/freshness.md を参照してください。
1. 実在する論文のみを扱います。 論文、DOI、著者、研究結果を捏造してはいけません。モデルが検証できる情報源のみを使い（または [UNVERIFIED — offline] と正直に明記します）。
2. 重複を徹底的に排除します。 同一の DOI／arXiv ID／筆頭著者＋年＋タイトルの冒頭部分は、1 件にまとめます。
3. 関連性と質に基づいて順位付けします。 トピックに言及しているだけの質の低い論文より、2 クリック先の関連分野にある優れた論文のほうが有用です。
4. 既定で引用に使える形式にします。 各項目に cite_key、DOI、すぐに使える書式の引用を含めます。
5. 三角測量を行います。 重要な主張については、独立した情報源を 2 件以上参照することを優先します。単一の情報源に基づく研究結果には、その旨を記載します。
6. 制約を正直に伝えます。 ウェブツールがない場合、モデルは学習データの知識に依存するため、各項目にその旨を明記します。
7. スムーズに引き継ぎます。 出力は --handoff モードで research-paper スキルから利用できます。

---

4. トップレベルのワークフロー

intake → search-strategy → fan-out search → rank+dedupe →
verify → summarize → assemble briefing → output (+ optional handoff)

各ステップには専用のプレイブックがあります。現在のステップに対応するファイルを読み、生成物を保存してから次に進みます。パイプライン全体は workflows/search.md を参照してください。

---

5. 情報源のカバー範囲

情報源	優先する場面	ツール
arXiv	CS、ML、AI、物理学、数学、計算生物学	toolchains/arxiv_search.py（API 経由でオフラインのみでも動作）
Google Scholar	一般分野／分野横断的な幅広いサーベイ	site:scholar.google.com を指定した WebSearch
Semantic Scholar	API での利用、引用グラフ、要約	api.semanticscholar.org の WebFetch
PubMed / PubMed Central	生物医学、生命科学	eutils.ncbi.nlm.nih.gov の WebFetch
DBLP	CS の著者／会議・学術誌／出版物一覧	dblp.org の WebFetch
ACM DL	HCI、システム、セキュリティ、ネットワーク	site:dl.acm.org を指定した WebSearch
IEEE Xplore	工学、信号、ハードウェア	site:ieeexplore.ieee.org を指定した WebSearch
OpenReview	NeurIPS、ICLR、ICML の査読＋論文	openreview.net の WebFetch
Crossref	DOI の検証＋メタデータの補完	api.crossref.org の WebFetch
Retraction Watch	撤回のスクリーニング	retractionwatch.com／データベースの WebFetch

情報源ごとの詳しい戦略については、sources/ を参照してください。

---

6. 順位付けと品質

各候補論文を、以下の基準で採点します。

• 権威性（0–4） — 会議・学術誌の質（査読の厳密さ、影響力）。
• 方法論の厳密さ（0–3） — 再現性、サンプルサイズ、統計の妥当性。
• 新しさ／関連性（0–3） — 新しく話題に合っている、または基礎的で代表的であること。
• 合計（0–10） — 順位付けに使用します。

既定の文献リストには、スコアが 5 以上 の論文を含めます。下限を引き上げると基準が厳しくなります（--quality-floor 7）。

評価基準の全文は prompts/ranking.md を参照してください（research-paper スキルの citation_engine/source-evaluation.md を拡張したものです）。

---

7. research-paper への引き継ぎ

文献リストの作成後：

/get-research-paper "graph neural networks for fraud detection" \
    --n 25 --handoff --style ieee --years 2020-2024

以下を生成します。

gnn-fraud-detection/
├── reading-list.md            # human-readable curated list
├── bibliography.yaml          # ← canonical file for research-paper skill
├── briefing.md                # 1-paragraph synthesis
└── Known-gaps.md              # any unverifiable items

次にユーザーは、生成された参考文献一覧を使ってライタースキルを実行します。

/research "graph neural networks for fraud detection" \
    --style ieee --bibliography ./gnn-fraud-detection/bibliography.yaml

ライターは精選された参考文献一覧を直接読み込むため、再検索は不要です。

---

8. 障害への対応

• ウェブ検索を利用できない場合 → モデルが把握している論文を使用し、各項目に [UNVERIFIED — offline] を付け、推奨する --n を5～8に引き下げて、概要説明で制約を明示します。
• 検索結果が見つからない場合 → 検索クエリを広げ（形容詞を削除し、類義語を試し）、正直な注記を添えて見つかった結果を返します。
• 情報源間でメタデータが一致しない場合 → プレプリントより出版済み（査読済み）バージョンを優先し、両者の関係を注記します。
• 撤回された論文が検出された場合 → リストから除外し、Known-gaps.md に記録します。
• 対象範囲外のトピックの場合 → 概要説明に注記し、可能な限りの結果を提供します。

---

9. 次に確認する場所

• 検索を計画する → workflows/search.md
• 情報源ごとの戦略 → sources/
• ランキング基準 → prompts/ranking.md
• 要約 → prompts/summarization.md
• 出力テンプレート → templates/
• ライターに引き継ぐ → workflows/handoff-to-writer.md
• arXiv 検索ツール → toolchains/arxiv_search.py

このスキルは、ライター向けスキルより意図的に小さく設計されています。役割は発見と選別であり、主要な作業（執筆、方法論、レビュー）は research-paper が担います。