Literature Review

• 연구 논문, 학위 논문, 또는 연구비 신청을 위한 체계적 문헌 고찰, 범위 고찰, 또는 메타 분석을 수행하는 경우.
• 여러 데이터베이스와 출판물 유형에 걸쳐 생의학, 과학, 또는 기술 주제에 관한 현재 지식 현황을 종합하는 경우.
• 원고의 Literature Review 섹션을 작성하면서 APA, Nature, Vancouver, Chicago, 또는 IEEE 스타일로 형식화된 검증된 인용이 필요한 경우.
• 프리프린트 서버와 동료 심사 문헌을 동시에 검색하여 특정 분야의 연구 공백, 핵심 논문, 및 미래 방향을 파악하는 경우.

• 문서화되고 재현 가능한 체계적 검색이 아닌 특정 주제에 대한 간단한 배경 요약만 필요한 경우 — 일반 웹 검색 기능으로 충분할 수 있습니다.
• 귀하의 분야가 생의학, 과학 또는 기술 분야 외에 있는 경우, 전문 데이터베이스 통합 기능(PubMed, bioRxiv, arXiv 등)이 제한적인 이점만 제공할 수 있습니다.
• 인용 검증이나 PDF 출력이 필요하지 않고 단순히 특정 주제에 대한 비공식 메모만 원하는 경우.

통합 과학 도구(gget, bioservices, datacommons-client)를 통해 PubMed, bioRxiv, medRxiv, arXiv, Semantic Scholar 등 다양한 데이터베이스에서 검색을 수행합니다. 병렬 웹 도구(parallel-cli search)는 학술 도메인 필터링을 적용하여 폭넓은 학술 웹 커버리지를 제공하며, 주요 출처가 누락되지 않도록 보장합니다.

모든 인용은 scripts/verify_citations.py를 사용하여 정확성을 검증하며, 이 스크립트는 DOI를 추출하고 CrossRef를 통해 확인한 후 권위 있는 메타데이터를 검색합니다. APA (7판), Nature, Vancouver, Chicago, IEEE를 포함한 다양한 인용 스타일을 지원합니다.

scripts/generate_pdf.py를 통해 완성된 리뷰를 마크다운에서 전문적으로 형식화된 PDF로 변환하며, pandoc과 XeLaTeX를 기반으로 작동합니다. 선택 가능한 인용 스타일, 목차, 섹션 번호 매기기 등의 옵션을 제공합니다.

Planning & Scoping(계획 및 범위 설정), Systematic Search(체계적 검색), Screening & Selection(선별 및 선택), Data Extraction & Quality Assessment(데이터 추출 및 품질 평가), Thematic Synthesis(주제별 종합), Citation Verification(인용 검증), Document Generation(문서 생성)의 단계를 거쳐 검토를 안내하며 — PRISMA 및 Cochrane 모범 사례를 따릅니다.

scripts/search_databases.py는 모든 데이터베이스의 결과를 통합하고, DOI 또는 제목을 기준으로 중복 항목을 제거하며, 인용 횟수에 따라 순위를 매기고, 검토를 위해 정제된 통합 결과를 마크다운 또는 JSON 형식으로 내보냅니다.

과학 도식 스킬과 통합되어 PRISMA 흐름도, 주제 합성 다이어그램, 개념적 프레임워크 등 출판 수준의 그림을 생성합니다 — 기본적으로 색맹 친화적이며 고대비 설계를 적용합니다.

겸상적혈구병에 대한 CRISPR 유전자 치료를 연구하는 연구자가 이 기능을 활용하여 MeSH 용어와 불리언 연산자로 PubMed, bioRxiv, Semantic Scholar를 검색하고, PICO 기준으로 정의된 포함 기준에 따라 수백 건의 결과를 선별하며, 데이터를 추출하고, Cochrane 비뚤림 위험 도구로 비뚤림을 평가한 후, Nature 스타일 인용 방식을 적용한 PRISMA 준수 PDF를 작성합니다.

논문을 작성하는 대학원생이 이 기능을 활용하여 다중 데이터베이스 검색을 수행하고, 연구별이 아닌 주제별로 연구 결과를 정리하며, 모든 인용을 검증하고, 제출 준비가 완료된 마크다운 및 PDF 형식의 챕터를 내보냅니다. 여기에는 재현 가능성을 위한 검색 방법론 문서도 포함됩니다.

기술 연구자가 parallel-web을 통해 arXiv(cs.LG, stat.ML 카테고리), Semantic Scholar, 그리고 일반 학술 자료를 쿼리하여 머신러닝 문헌을 조사합니다. 이 과정에서 NeurIPS, ICML 등 주요 학회의 높은 피인용 논문을 우선적으로 검토하고, 연구 트렌드, 벤치마크, 그리고 미해결 연구 과제를 종합적으로 분석합니다.

연구비 신청서를 준비하는 팀이 이 기능을 활용하여 여러 데이터베이스에 걸쳐 연구 분야를 신속하게 파악하고, 핵심적인 선구적 연구와 연구 공백을 식별하며, 제안서의 과학적 근거 섹션을 뒷받침하는 간결하고 인용이 검증된 요약 문서를 생성합니다.