literature-review

Literature Review — это навык K-Dense для систематических и воспроизводимых обзоров научной литературы. Он подходит для обзора публикаций по вопросу, синтеза текущих знаний, meta-analysis и scoping review, подготовки раздела статьи или диссертации, анализа состояния области и поиска исследовательских пробелов. Методика рассчитана на работу с несколькими источниками, проверяемыми цитатами и профессиональным результатом в Markdown или PDF, но не сводится к последовательному пересказу отдельных статей. Рабочий процесс разделён на семь фаз. Сначала формулируются вопрос, границы темы и критерии включения и исключения. Затем выполняется систематический поиск по нескольким базам, включая preprint-серверы, а все поисковые строки, даты и количества результатов фиксируются для воспроизводимости. После этого публикации проходят screening по цепочке title, abstract и full text, а причины исключения записываются отдельно. На фазе извлечения данных собираются структурированные поля и проводится оценка качества или риска искажения. Синтез организуется по темам: исследования сравниваются, сопоставляются и проверяются на согласованность, а пробелы отмечаются явно. Затем каждая цитата сверяется с фактическим источником, и только после этого формируется итоговый документ с библиографией. Для поиска источник назначает parallel-web skill и parallel-cli основным инструментом широкого академического поиска, с фильтрацией по доменам и последующим извлечением содержимого перспективных URL. В дополнение упоминаются специализированные доступы к PubMed, bioRxiv, COSMIC, AlphaFold, Ensembl, UniProt, ChEMBL, KEGG, Reactome и PubChem, а также другие доменные клиенты. Минимум три базы нужны для более полного покрытия. Поиск рекомендуется начинать с пилотного запроса, затем уточнять термины, учитывать синонимы и при наличии сортировать результаты по цитируемости. Preprint-источники важны для актуальности, но должны быть явно отделены от опубликованных работ. Screening требует заранее зафиксированных критериев и систематического движения от заголовка к полному тексту. Для systematic review источник рекомендует dual screening, то есть независимую проверку двумя рецензентами, когда это возможно. В синтезе нельзя ограничиваться study-by-study summary: нужно группировать результаты по темам, сравнивать эффекты и методы, оценивать качество доказательств и указывать, что остаётся недостаточно изученным. В тексте следует сохранять объективность, ограничения, числа, статистику и effect sizes, если они есть в источниках, а методику описывать настолько подробно, чтобы другой исследователь мог повторить поиск и отбор. Отдельное требование workflow — добавить минимум одну-две AI-generated figures через scientific-schematics skill. В качестве примеров указаны PRISMA flow diagram, схема стратегии поиска, карта тематического синтеза, визуализация исследовательских пробелов, сеть цитирования и conceptual framework. Для генерации предусмотрен scripts/generate_schematic.py; итоговые изображения сохраняются в figures и должны быть читаемыми, контрастными и доступными для людей с нарушением цветового восприятия. Это требование относится к процессу подготовки обзора и не означает, что схема заменяет доказательства или проверку цитат. В репозитории навыка перечислены scripts/verify_citations.py для проверки DOI и форматирования цитат, scripts/search_databases.py для обработки и дедупликации результатов и scripts/generate_pdf.py для сборки PDF. Также доступны шаблон обзора, reference-файлы по citation styles и database strategies, а для методики названы PRISMA, Cochrane Handbook и AMSTAR 2. Практический сценарий карточки — превратить исследовательский вопрос в журналируемый поиск, прозрачный отбор, тематический синтез, проверенную библиографию и документ с иллюстрациями. Ограничения: полнота зависит от доступа к базам и инструментам, качество вывода зависит от критериев и исходных данных, а автоматическая проверка не отменяет экспертное чтение; устаревший или слишком узкий поиск может пропустить важные работы, а непроверенная цитата не становится надёжной только потому, что попала в шаблон.