Run any Skill in Manus with one click

Get Started

citation-verification

Stars5

Forks1

UpdatedJune 23, 2026 at 04:07

引用三验 — 参考文献是否存在(L1) + 引用是否得当(L2) + 引用是否全面(L3)。三位一体验证管线，从DOI验真到语义审查到遗漏检测。

Installation

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

Run Skill in Manus

Source

yakeworld

yakeworld/Synthos

View GitHub Repository View Creator Repositories

Download

Run Skill in Manus

File Explorer

3 files

SKILL.md

readonly

Citation Verification — 参考文献三验

原理层 · 文言

概念	文言	义
引必可验	引必可验，无源即删	每条引用必须可验证，无真实来源则删除
道有归处	道有归处，方为真引	正式论文应有DOI，必须三方验证
引之所在	引之所在，文献确然	每篇文献必须确为论文所指论断提供支撑
不读全文	不读全文，不验引用	引用检查必须读PDF全文，非标题/摘要即可
篇篇过堂	篇篇过堂，无一遗漏	全部引用逐篇审查，非抽样
引必完备	当引则引，不当引者弃	检查遗漏的重要文献，不引冗余
质量闭环	引之验之，验之修之	验证后必须更新bib/tex，不修不闭

IO_CONTRACT

input: paper_dir: str — 论文管线目录（含01-manuscript、06-references）

output: citation_report: dict — 三位验证报告

{
  "phase1_existence": {"doi_coverage", "verified", "failed", "fixed", "replaced"},
  "phase2_appropriateness": {"per_citation": [...], "errors", "pdf_fixes"},
  "phase3_completeness": {"score", "missing_papers": [...], "suggestions"},
  "overall": {"pass", "recommendation", "critical_issues"}
}

side_effects: 更新bib文件，修复DOI，替换虚假文献，生成验证报告

管线流程

输入: paper_dir
  ↓
Phase 1: 是否存在（原reference-verification）
  ├── 三方验DOI（SS + Crossref + PubMed）
  ├── 假DOI检测（doi.org 404 + "Resource not found" + SS无匹配 = 大概率伪造）
  ├── 真实DOI修复（SS搜索标题 → 纠正年份/页码/期刊）
  ├── 作者名校验（SS第一作者 ≠ bib作者 → 标记不删除）
  ├── 假DOI替代（论文不存在 → 找等效替代文献）
  └── PDF Triage分诊（经典/核心→下载，可替换→替换）
  ↓
Phase 2: 是否得当（原citation-appropriateness-verification）
  ├── 提取引用语境（tex中\cite前后句子）
  ├── 逐篇读PDF全文
  ├── 语义比对：标题/作者/年份/内容/方法一致性
  ├── PDF内容错误检测（strings/pdinfo验证）
  ├── 修复错误PDF
  └── 逐篇生成报告（恰当/不恰当/有问题）
  ↓
Phase 3: 是否全面（从paper-quality-deep-review Step 6合并）
  ├── 提取论文主题关键词
  ├── 独立检索同领域高引/经典/最新文献
  ├── 对比论文引用列表
  ├── 发现遗漏的重要文献
  └── 建议补充
  ↓
输出: 三位验证报告 + 修复后的bib

Phase 1: 是否存在

⚡ 启动检查：SS API密钥

每次Phase 1开始前必须检查SS API key是否可用。 不带key的SS搜索会静默返回空（429被catch为空列表），导致假阴性——论文真实存在但被标记为"找不到"。

import os
assert os.environ.get("SEMANTIC_SCHOLAR_API_KEY", ""), (
    "SEMANTIC_SCHOLAR_API_KEY not set — SS search will silently fail"
)

❌ 不带key的SS搜索会静默返回空（429被catch为空列表） ✅ 带key后1000 req/min正常响应

⚡ 数据集引用替换（Phase 0.5 — 先于DOI验证）

原则: 数据集条目（@misc）应替换为引入/描述该数据集的论文（@article/@inproceedings）。

原因:

论文引用比原始数据集元数据更规范、更可检索
有DOI/PMID的可验证性，有引用次数反映权威性
审稿人更认可"参考原始论文"而非"参考UCI链接"

流程:

# 1. 检测bib中的 @misc 数据集条目
# 2. 对每个数据集：
#    a. 查UCI/OpenML页面 → introPaperID（是否有官方intro paper）
#    b. 搜索SS "dataset name" → 找第一篇引入该数据集的论文
#    c. 找同主题高引OA论文作为替代（如intro paper无PDF）
# 3. 替换：@misc → @article/@inproceedings，更新bib key
# 4. 更新tex中所有旧key引用
# 5. 检查D10a回归（同上Phase 1.5）

实战案例（2026-06-23 PIMA bib）:

原条目	替换后	理由
`UCIEarlyDiabetes2020` (@misc)	`Islam2019EarlyDiabetes` (@inproceedings)	UCI dataset 529官方intro paper
`CDCBRFSS2015` (@misc)	`Pierannunzi2013BRFSS` (@article, 545 cit, OA)	BRFSS方法论综述，比原始数据更权威
`Smith1988` (已为@article)	保持	PIDD原始论文

铁律: 替换后论文无PDF不构成回退理由——论文引用本身正确比PDF存在更重要。intro paper无PDF是出版商的限制，不在你控制范围内。

假DOI检测模式

信号	含义	行动
`doi.org` 返回 HTTP 404	DOI不存在	⚡ 标记怀疑，进入语义搜索纠正
Crossref API 返回 "Resource not found"	DOI未被Crossref索引	同上
SS API 搜不到该标题/作者	可能论文根本不存在	找替代文献
三者同时成立	几乎确定是LLM编造的假DOI	标记为FABRICATED，找替代
doi.org 404 + Crossref 404 + SS搜标题发现论文但DOI不同	DOI被篡改，论文真实存在	用SS返回的真实DOI替换bib元数据

关键区分: "DOI 404 + SS搜不到"=完全虚构（6/10案例）；"DOI 404 + SS搜到不同DOI"=DOI篡改（3/10案例）。前者需要找替代文献，后者只需修复DOI+元数据。

无PDF触发假DOI怀疑流程

经验规律（2026-06-23 PIMA bib实证）: 下载失败 + DOI 404 → 先验为假DOI，非网络/出版商问题。在该批41篇中，15篇下载失败→10篇DOI假或错（67%概率），仅5篇是真实的网络/付费墙问题。

用户提问"没有全文的论文有没有可能是虚假论文"的正确答案是"是的，~2/3概率"。

流程:

引用无PDF
  ↓
查询doi.org + Crossref + SS
  ├→ 三方全404 → 完全虚构，找替代
  ├→ DOI 404但SS标题搜索找到论文 → DOI篡改，修复
  └→ DOI真实 → 网络/付费墙问题，PDF Triage分诊

铁律: 不要假设"无PDF是因为付费墙"。先验假DOI，再考虑付费墙。

大规模验证的模式规律（2026-06-23 从41篇PIMA bib实证）

批量验证中的"下载失败"有 ~67% 概率是DOI本身假，非网络/工具问题。

41篇DOI → 15篇下载失败 → 10篇DOI假或错（67%）
  ├→ 3篇真实论文但DOI被篡改（年份/期刊/文献类型全错）
  ├→ 1篇DOI真实但作者名编造
  └→ 6篇完全虚构（论文在学术数据库中不存在）

类型	比例	特征	处理
完全虚构	60%	三方查询全无，论文不存在	删除，找替代
DOI篡改	30%	论文真实存在但DOI/年份/期刊全错	修复DOI+元数据
作者编造	10%	DOI真实但bib作者信息错	保留条目（作者不影响引用）

替代文献决策树

假DOI → 论文不存在
  ├→ 论文主题是否被其他已有文献覆盖？
  │   ├→ 是 → 已有条目可直接引用，删除本条
  │   └→ 否 → 需要找替代
  │       ├→ 搜索同主题高引论文（SS/Google Scholar）
  │       ├→ 选标准：同论点支持 + 更高或同等权威 + 有公开PDF
  │       └→ 新增条目到bib
  └→ 论文是否为核心/被审计论文？
      ├→ 核心 → 替代必须严谨，可能需要多篇
      └→ 非核心 → 可删除不影响论证

PDF Triage 分诊决策表

PDF状态	引用重要性	行动
✅ 有PDF	任何	进入Phase 2
❌ 无PDF	经典/核心（方法论奠基、领域标杆、核心论证依赖）	多级下载（Tor+Sci-Hub → OA直连 → PMC），3源失败则标注"PDF暂缺"
若同一论文在正文中被多次引用其方法（如SHAP），建议核实真实作者名。

⚡ 铁律：重要性由Agent判断，不问用户

Phase 1发现假DOI后，Agent必须自行判断哪些论文重要、哪些可弃。判断依据：①与论文核心论题的关系；②领域地位（经典/高引 vs 低影响力）；③替代成本。判定后直接执行，在报告中附推理链。不写分类脚本，不给用户选项，不问"这个要不要"。

⚡ D10a回归检查（Phase 1→Phase 1.5）

Phase 1修改bib后必须交叉验证tex引用与bib键的一致性。用comm -23检查tex引用但bib不存在的键。2026-06-23 PIMA实战：bib删除6篇假 → tex仍引用4篇失效键 → 修复后D10a恢复100%。

真实案例簇（2026-06-23 PIMA bib）

Bib Key	假信号	根因	行动
Kapoor2023Leakage	DOI 404 + SS找到但年份不同	年份篡改	修复DOI+year+vol
Norgeot2020MI-CLAIM	DOI 404 + SS找到不同DOI	期刊替换	修复DOI+journal+vol+pages
Haixiang2017Imbalanced	DOI 404 + SS找到不同DOI	类型替换	@inproceedings→@article，换DOI
Stiglic2012Missing	三方全无	完全虚构	删除，Garcia-Laencina2010替代
Mehta2024	三方全无	完全虚构	删除，由Kapoor覆盖
Wen2024Leakage	三方全无	完全虚构	删除，由Kapoor+McDermott覆盖
Fernandez2018Imbalanced	三方全无	完全虚构	删除，He2009Imbalanced替代
Grunspun2019Quality	三方全无	完全虚构	删除，已有TRIPOD+PROBAST覆盖
Wu2024BRFSS	DOI真实但作者错	作者编造	保留条目
Char2018Clinical	DOI 404 + Crossref 404 + SS标题搜索找到不同DOI	metadata全对但DOI不存在	修复DOI (10.1056/NEJMp1703288→10.1056/NEJMp1714229)
Saeedi2019	PDF存在且DOI真实，但全文以WITHDRAWN开头	已撤回论文	整条删除，IDF2021覆盖
Varoquaux2018CV	PDF存在，arXiv ID真实，但内容是天体物理论文	arXiv ID被替换为同ID不同论文	重定向到真实DOI: NeuroImage 2017
Varoquaux2018Overoptimism	同上——arXiv ID指向神经科学论文	完全虚构	删除（CV论文已覆盖相同论点）
Balloccu2020SMOTE	DOI指向金融论文(Hedging Crash Risk)	DOI完全错误，引用虚构	删除（已有Chawla+Blagus+Batista覆盖）
Amri2025	DOI指向海洋光学论文	DOI完全错误，引用虚构	删除（Toleva+Ansari已覆盖）
Sali2025→Toleva2025	作者名编造(Sali→Toleva)，期刊名错	作者编造	修复作者+期刊+key名
Tonin2025→Ansari2025ML	作者名编造(Tonin→Ansari)，期刊名错	作者编造	修复作者+期刊+key名

Phase 2: 是否得当

核心理念

API仅验证"文献存在且标题匹配"，无法验证"文献是否支持论文论断"。"引用是否得当"是质的要求，必须全文阅读PDF。

Step 1: 提取引用语境

grep -n -B2 -A2 '\\cite' <paper>.tex > cite_contexts.txt

注意: 引用语境是语义审查的核心——必须知道论文在引用时"说了什么"，才能判断文献是否支持。

Step 2: 逐篇阅读PDF全文

对每篇参考文献PDF：

使用 pymupdf (fitz) 或 pdfplumber 提取全文文本
记录：标题、作者、年份、摘要、关键段落
对于图片/图表较多的PDF，记录主要方法的文字描述

Step 3: 语义比对

比对维度	检查内容	判断标准
标题匹配	PDF标题是否与bib中的title一致	✅ 一致为恰当
作者匹配	PDF作者是否与bib中的author一致	✅ 一致为恰当
年份匹配	PDF年份是否与bib中的year一致	✅ 一致为恰当
内容验证	PDF核心内容是否支撑论文的论断	✅ 支撑为恰当
主题一致性	PDF主题是否与引用语境一致	✅ 一致为恰当
方法一致性	PDF描述的方法是否与论文引用的方法一致	✅ 一致为恰当

判断级别:

✅ 完全恰当: 所有维度一致，PDF内容确实支撑论断
⚠️ 恰当但有技术问题: 引用本身正确但PDF内容有问题
❌ 不恰当: 标题/作者/年份/内容不匹配，或PDF内容不支持论断

错误分类

错误类型	严重程度	处理方式
PDF内容完全错误	🔴 严重	重新下载，修复后重新审查
PDF内容部分不匹配	🟡 中等	标注并在报告中说明
引用语境与文献内容不一致	🔴 严重	修正引用语境或替换文献
缺失PDF全文	🟡 中等	经PDF Triage分诊后处理
DOI错误导致内容错误	🔴 严重	修正DOI，重新下载
作者/年份错误	🟡 中等	修正Bib条目

PDF内容错误检测

# 方法1: strings搜索论文主题关键词
strings ref.pdf | grep -i "论文关键词1|论文关键词2|论文关键词3"

# 方法2: pdfinfo检查页数和标题
pdfinfo ref.pdf | grep "Title:"

# 方法3: 检查PDF前1000字符的语义
head -c 1000 ref.pdf | strings

# 方法4: ⚡ WITHDRAWN论文检测 — 2026-06-23发现Saeedi2019已被撤回
head -c 500 ref.pdf | strings | grep -i "withdrawn\|retracted\|removed\|this article has been"

⚡ WITHDRAWN论文检测（Phase 2新增）

2026-06-23 PIMA实战发现: Saeedi2019的PDF存在且DOI真实，但全文以"WITHDRAWN: This article has been withdrawn at the request of the author(s) and/or editor."开头。

流程:

# 对每篇通过DOI验证进入Phase 2的PDF，先跑withdrawn检测
for pdf in *.pdf; do
    if strings "$pdf" | head -100 | grep -qi "withdrawn\|retracted\|this article has been withdrawn"; then
        echo "❌ WITHDRAWN: $pdf"
    fi
done

后续: WITHDRAWN论文有四种处理方式：

如果已有更新版本（如IDF2021覆盖Saeedi2019）→ 删除，用新版替代
如果无直接替代 → 标记为"已撤回，需找替代"
如果论点已被其他引用覆盖 → 直接删除
⚡ 不保留WITHDRAWN论文作为引用

⚡ arXiv ID验证陷阱（Phase 2新增）

2026-06-23 PIMA实战发现: Varoquaux2018CV的arXiv ID 1804.06880 和 Varoquaux2018Overoptimism的 1810.08651 都是真实的arXiv ID，但指向不同论文（分别为白矮星天文学和神经科学）。

arXiv验证协议:

# 对每个arXiv DOI，检查标题是否匹配
# 核心：arXiv ID 存在 ≠ arXiv论文正确
arxiv_id = extract_arxiv_id(doi)  # e.g. "1804.06880"
r = requests.get(f"https://api.semanticscholar.org/graph/v1/paper/arXiv:{arxiv_id}")
title_from_ss = r.json().get("title", "")
assert title_matches_bib(title_from_ss), (
    f"arXiv:{arxiv_id} 指向论文 '{title_from_ss}', 非bib中的预期标题"
)

arXiv验证规律:

DOI形如 10.48550/arXiv.XXXX.XXXXX → 必须验证arXiv论文的标题/作者
arXiv ID是申请时的序列号，论文提交后内容可变
LLM可能编造arXiv ID或使用真实的arXiv ID但错误关联

⚡ 作者名编造模式（Phase 2新增）

2026-06-23 PIMA实战发现: Sali2025→实际作者是Toleva(2025, Bioengineering)；Tonin2025→实际作者是Ansari(2025, Frontiers in Medicine)。bib中作者名被完全替换。

检测方法:

# Phase 1只验证DOI存在性+标题匹配
# Phase 2必须验证PDF第一作者是否匹配bib中的第一作者
pdf_first_author = extract_first_author_from_pdf(pdf_path)
bib_first_author = bib_author_field.split(" and ")[0].split(",")[0].strip()
if pdf_first_author.lower() != bib_first_author.lower():
    # ⚡ 标记为作者编造
    mark_as("AUTHOR_FABRICATED")
    # 不需要删除条目——论文真实存在，metadata标题/年份正确
    # 只需修复bib中的author字段+journal字段

处理: 作者编造不需要删除条目——论文本身真实存在。只需修复bib中的author字段（从PDF提取真实作者名）。期刊名/卷号可能也错，一并修复。

⚡ DOI存在但内容错误的模式（Phase 2新增）

2026-06-23 PIMA实战发现两种新假DOI模式:

模式	案例	特征
跨域替换	Balloccu2020SMOTE (DOI→金融论文), Amri2025 (DOI→海洋光学)	DOI真实存在、通过SS/Crossref验证、标题完全无关。完全虚构的引用伪装在真实DOI背后
WITHDRAWN沿用	Saeedi2019	DOI真实、可下载，但论文已撤回

检测流程:

Phase 1通过（DOI存在）→ Phase 2读PDF
  ├→ 标题匹配？ → ✅ 正常进入语义比对
  ├→ 标题不匹配？ → ❌ 跨域替换，删除引用，找替代
  └→ WITHDRAWN？ → ❌ 已撤回，同上处理

铁律: DOI验证通过不等于引用正确。Phase 2的PDF标题/作者验证是发现跨域替换的唯一手段。

⚡ Phase 2并行化策略（推荐用法）

大论文（30+引用）的Phase 2验证推荐用并行子智能体:

# 将引用分为3-4批，每批约8-10篇
batches = [
    Batch_A: 方法论/框架类（Kapoor, Varoquaux, Collins, TRIPOD...）
    Batch_B: 方法细节类（SMOTE/插补/统计类）
    Batch_C: 背景/临床/数据集类（流行病学/伦理/MIMIC...）
]

# 每批作为一个delegate_task，包含：
# - 引用语境（tex中cite上下文）
# - 预期（bib中的title/author/year）
# - 验证方法（pdftotext提取→标题/作者/内容比对）
results = await parallel_run(batches)  # 3路并行

⚠️ 子智能体可能误报（如检测脚本bug）。建议对子智能体的关键发现做抽样人工复核。

Phase 3: 是否全面

核心理念

论文的引用不仅要"存在"和"得当"，还要完整——该领域高引/经典/最新文献是否都被覆盖？是否有重要文献被遗漏？

引用质量五维评分

维度	权重	评分标准
权威性	30%	期刊影响因子、被引次数、作者声誉
相关性	25%	与论题的直接关联度
时效性	20%	是否包含最近3年的文献
多样性	15%	是否涵盖多个学派/方法/观点
完整性	10%	是否有重要文献未引用 ← 本阶段核心

完整性检测流程

提取论文主题: 从摘要、引言、关键词中提取主题词
独立检索: 用SS/PubMed检索同主题高引文献（按citationCount排序）
对比引用列表: 将Top N高引文献与论文引用列表对比
遗漏分类:
- 🔴 关键遗漏: 该领域奠基性/里程碑论文，引文超1000，不引会被审稿人质疑
- 🟡 建议补充: 近3年高引新作，引文超100，补充可加强论证
- 🔵 可选项: 相关但不必须
生成补充建议

def detect_missing_papers(paper_keywords, current_refs, top_n=20):
    """
    检测遗漏的重要文献
    - paper_keywords: 论文主题关键词列表
    - current_refs: 论文当前引用列表（DOI集合）
    - top_n: 检索top N高引文献
    """
    # 1. SS搜索高引文献
    results = ss_search(" ".join(paper_keywords), limit=top_n)
    
    # 2. 过滤已引用的
    missing = []
    for paper in results:
        doi = paper.get("externalIds", {}).get("DOI", "")
        if doi and doi not in current_refs:
            missing.append({
                "doi": doi,
                "title": paper.get("title", ""),
                "citations": paper.get("citationCount", 0),
                "year": paper.get("year", 0),
                "reason": classify_missing(paper, paper_keywords)
            })
    
    # 3. 按重要性排序
    missing.sort(key=lambda x: -x["citations"])
    return missing

⚡ Phase 3 CRISP-DM系列论文遗漏检测

常见遗漏模式: CRISP-DM方法论论文的引用往往只含原始文献（Shearer 2000, Wirth 2000），忽略20年后的综述和系统评价。

2026-06-23 PIMA实战发现:

Martinez-Plumed et al. 2021 — "CRISP-DM Twenty Years Later" (IEEE TKDE, 332 cit, doi:10.1109/TKDE.2019.2962680) — CRISP-DM从数据挖掘到数据科学的演变
Schroer et al. 2021 — "A Systematic Literature Review on Applying CRISP-DM" (Procedia CS, 555 cit, doi:10.1016/j.procs.2021.01.199) — CRISP-DM应用系统综述

流程:

if paper_cites_crispdm:
    check_missing = [
        "Martinez-Plumed 2021 CRISP-DM Twenty Years Later",
        "Schroer 2021 SLR on CRISP-DM"
    ]
    for missing in check_missing:
        if missing not in current_refs:
            flag_as("CRISP-DM review missing")

遗漏判定标准

类别	条件	处理
🔴 关键遗漏	被引>1000 + 主题>80%匹配 + 发表>3年	必须补充
🟡 建议补充	被引>100 + 主题>60%匹配	推荐补充
🔵 可选项	其他	视情况

输出格式

{
  "paper": "pima-crispdm",
  "review_date": "2026-06-23",
  "phase1_existence": {
    "total_entries": 37,
    "verified_dois": 33,
    "fixed_dois": 3,
    "replaced_dois": 6,
    "fabricated_dois": 10,
    "pdf_coverage": "31/37"
  },
  "phase2_appropriateness": {
    "total_citations": 37,
    "fully_appropriate": 35,
    "issues_found": 2,
    "pdf_errors_fixed": 1
  },
  "phase3_completeness": {
    "authority_score": 8.5,
    "relevance_score": 9.0,
    "timeliness_score": 7.0,
    "diversity_score": 8.0,
    "completeness_score": 7.5,
    "missing_papers": [
      {"doi": "10.xxxx/xxxxx", "title": "...", "citations": 500, "priority": "🔴"}
    ],
    "suggestions": ["补充2025-2026年最新文献"]
  },
  "overall": {
    "pass": true,
    "recommendation": "ACCEPT with minor revisions",
    "critical_issues": []
  }
}

伦理声明模板

## 伦理声明

**本审查遵循科研诚信铁律：**

1. **逐篇验证**: N篇参考文献全部经过逐篇验证，非抽样检查
2. **全文阅读**: N篇完整阅读PDF全文
3. **语境比对**: 每篇参考文献的引用语境与其实际内容逐一比对
4. **完整性评估**: 独立检索同主题文献，评估引用完整性
5. **无虚假引用**: 所有引用均为真实存在的文献
6. **无编造数据**: 未在任何参考文献中编造数据或结论
7. **透明度**: 本报告完整记录每篇文献的审查过程和结论

与quality-gate的关系

本技能对应 quality-gate G5 的三层检查：

G5形式检查（D10a、DOI、孤儿、僵尸）→ Phase 1输出
G5实质检查（引用是否得当）→ Phase 2输出
G5完整性检查（是否遗漏重要文献）→ Phase 3输出
G5最终判定 → 本技能整体输出

使用场景

论文投稿前引用质量终审
论文修改后的引用重新验证
批量引用检查（多篇论文）
引用质量审计（年度/季度）

自动化程度

步骤	自动化程度	说明
Phase 1: DOI验真	✅ 高	脚本自动跑三方API
Phase 1: PDF Triage	✅ 高	文件系统检查+规则判断
Phase 2: 引用语境提取	✅ 高	grep解析tex
Phase 2: PDF全文提取	✅ 高	pymupdf/pdfplumber
Phase 2: 语义比对	⚠️ 中	需要大模型辅助判断
Phase 3: 遗漏检测	✅ 高	SS搜索+对比
Phase 3: 遗漏分类	⚠️ 中	需要领域知识辅助
报告生成	✅ 高	模板填充

陷阱（合并自原两个技能）

默认跳转到"下载缺失PDF"模式 — 必须先分诊再下载。2026-06-21实战：27/39 (69%)无PDF → 分诊后17篇可替换、10篇经典/核心。
arXiv DOI不通过Crossref验证 — 正常现象，不标记失败
数据集无DOI — 保留条目，不强制要求DOI
会议论文DOI可能缺失 — 优先SS搜索
速率限制 — Crossref和SS都有速率限制，加time.sleep()
PDF内容错误不会报错 — DOI下载成功不代表内容正确。实测3/7 (42.9%) PDF内容完全错误。
引用语境可能被修改 — 论文修改后必须重新审查引用
PDF文件名与Bib Key不映射 — 审查前必须建立映射表
年份/页码篡改 — 假DOI常见模式。检测：DOI 404时SS搜标题，对比真实DOI的年份/卷号
SS API不带key静默失败 — 必须读取环境变量 SEMANTIC_SCHOLAR_API_KEY 并传入header
Nature/Springer DOI内容漂移 — 2026-06-23 PIMA实战：Norgeot MI-CLAIM论文 (DOI 10.1038/s41591-020-1041-y) 的SS OA链接下到的PDF是Topol评论而非原文。Nature系列DOI的相邻文章容易串流。必须用pdfinfo验证PDF标题是否匹配bib标题。
D10a回归（bib修后tex断链） — Phase 1删除假DOI后，tex中\cite{deleted_key}变成孤儿引用，D10a骤降。必须在Phase 1末尾重新核查D10a并修复所有tex失效引用。
"无PDF"不是付费墙问题，是假DOI警报 — 2026-06-23 PIMA实战：Char2018Clinical无PDF，DOI 404，然而metadata看似完全合理（标题/作者/期刊/年份全对）。用户提出"没有全文的论文有没有可能是虚假论文"→验证发现DOI完全虚构。铁律：下载失败+DOI 404 = 先验假DOI，然后按流程处理（见假DOI检测模式）。不要解释为"付费墙/网络问题"——67%概率是假。
LibGen可下载书籍章节（book chapter） — 书章（如Springer Advances in Intelligent Systems and Computing系列）不在PubMed索引，无PMID，MedData走不通。优先走LibGen（via Tor），DOI搜索失败时尝试ISBN搜索。
WITHDRAWN论文有PDF但不该被引用 — 2026-06-23发现Saeedi2019。PDF存在且DOI真实，但全文以WITHDRAWN开头。Phase 2必须对每篇PDF做withdrawn检测。
arXiv ID不防伪 — 2026-06-23发现Varoquaux2018CV (arXiv:1804.06880)和Varoquaux2018Overoptimism (arXiv:1810.08651)都是真实arXiv ID但指向错误论文。arXiv的DOI形如10.48550/arXiv.XXXX.XXXXX，SS/Crossref都能验证通过。必须验证arXiv论文的标题/作者是否匹配预期。
DOI存在但内容无关 — 2026-06-23发现Balloccu2020SMOTE (DOI→金融论文)和Amri2025 (DOI→海洋光学)。DOI真实存在、通过SS/Crossref验证、指向完全无关领域。这是比"DOI 404假DOI"更隐蔽的模式——LLM使用真实的跨领域DOI伪装引用。
作者名编造而非整篇虚构 — 2026-06-23发现Sali2025→真实作者Toleva, Tonin2025→真实作者Ansari。论文真实存在，bib的标题/年份/DOI都对，但作者名被LLM编造。Phase 1的"DOI存在"验证通过了，但Phase 2的PDF第一作者比对才能发现。
MedData重复Nature/Springer串流（已发现两次） — Norgeot MI-CLAIM论文 (DOI 10.1038/s41591-020-1041-y) 在SS OA链接和MedData两次下载中均串流到Eric Topol的评论 (DOI 10.1038/s41591-020-1042-x)。Nature系列DOI相邻文章容易串流。必须用pdfinfo验证PDF标题是否匹配bib标题，不信任任何OA/MedData输出。

版本历史

v2.4.0 (2026-06-23): 新增Phase 2完整审计参考文件。新增陷阱19（MedData重复Nature串流）。新增Norgeot MI-CLAIM两次MedData串流记录。
v2.3.0 (2026-06-23): 新增Phase 3 CRISP-DM系列遗漏检测模式（Martinez-Plumed 2021 + Schroer 2020）。新增Phase 2完整审计参考文件(references/pima-crispdm-phase2-review-2026-06-23.md)。新增陷阱19（CRISP-DM遗漏模式）。
v2.2.0 (2026-06-23): 新增Phase 2三大发现——WITHDRAWN论文检测/arXiv ID不防伪/DOI存在但内容无关。新增作者名编造模式。新增并行化策略(parallel delegation for 30+ citations)。新增陷阱15-18。更新真实案例簇。
v2.1.0 (2026-06-23): 新增Char假DOI案例（metadata正确但DOI完全虚构）。新增"无PDF→假DOI怀疑"检测流程和铁律。新增SS搜标题发现不同DOI的第四种假DOI信号。新增LibGen书籍章节下载提示。强化SS API key位置为Phase 1顶部⚡检查。
v2.0.0 (2026-06-23): 合并 reference-verification (v1.2) + citation-appropriateness-verification (v1.0.1) + 引用全面性评估（从paper-quality-deep-review Step 6抽取）。三位一体管线。新增Phase 3完整性检测流程。
v1.2.0 (2026-06-21): 原reference-verification。新增PDF Triage分诊。
v1.0.1 (2026-06-18): 原citation-appropriateness-verification。新增PDF内容错误陷阱。
v1.0.0 (2026-06-18): 原skills初始版本。

name	citation-verification
description	引用三验 — 参考文献是否存在(L1) + 引用是否得当(L2) + 引用是否全面(L3)。三位一体验证管线，从DOI验真到语义审查到遗漏检测。
version	2.4.0
author	Synthos
license	MIT
metadata	{"synthos":{"priority":"P0","atom_type":"quality","description":"参考文献三位一体验证。Phase 1: 是否存在（DOI验证、假DOI修复、PDF分诊）→ Phase 2: 是否得当（读PDF全文、对比引用语境、语义比对）→ Phase 3: 是否全面（独立检索、遗漏检测、补充建议）","signature":"paper_dir: str -> citation_report: dict (phase1, phase2, phase3, overall)","related_skills":["paper-references-scanning","bib-integrity-audit","pdf-download-racing","quality-gate","paper-quality-deep-review"]}}

Citation Verification — 参考文献三验

原理层 · 文言

概念	文言	义
引必可验	引必可验，无源即删	每条引用必须可验证，无真实来源则删除
道有归处	道有归处，方为真引	正式论文应有DOI，必须三方验证
引之所在	引之所在，文献确然	每篇文献必须确为论文所指论断提供支撑
不读全文	不读全文，不验引用	引用检查必须读PDF全文，非标题/摘要即可
篇篇过堂	篇篇过堂，无一遗漏	全部引用逐篇审查，非抽样
引必完备	当引则引，不当引者弃	检查遗漏的重要文献，不引冗余
质量闭环	引之验之，验之修之	验证后必须更新bib/tex，不修不闭

IO_CONTRACT

input: paper_dir: str — 论文管线目录（含01-manuscript、06-references）

output: citation_report: dict — 三位验证报告

{
  "phase1_existence": {"doi_coverage", "verified", "failed", "fixed", "replaced"},
  "phase2_appropriateness": {"per_citation": [...], "errors", "pdf_fixes"},
  "phase3_completeness": {"score", "missing_papers": [...], "suggestions"},
  "overall": {"pass", "recommendation", "critical_issues"}
}

side_effects: 更新bib文件，修复DOI，替换虚假文献，生成验证报告

管线流程

输入: paper_dir
  ↓
Phase 1: 是否存在（原reference-verification）
  ├── 三方验DOI（SS + Crossref + PubMed）
  ├── 假DOI检测（doi.org 404 + "Resource not found" + SS无匹配 = 大概率伪造）
  ├── 真实DOI修复（SS搜索标题 → 纠正年份/页码/期刊）
  ├── 作者名校验（SS第一作者 ≠ bib作者 → 标记不删除）
  ├── 假DOI替代（论文不存在 → 找等效替代文献）
  └── PDF Triage分诊（经典/核心→下载，可替换→替换）
  ↓
Phase 2: 是否得当（原citation-appropriateness-verification）
  ├── 提取引用语境（tex中\cite前后句子）
  ├── 逐篇读PDF全文
  ├── 语义比对：标题/作者/年份/内容/方法一致性
  ├── PDF内容错误检测（strings/pdinfo验证）
  ├── 修复错误PDF
  └── 逐篇生成报告（恰当/不恰当/有问题）
  ↓
Phase 3: 是否全面（从paper-quality-deep-review Step 6合并）
  ├── 提取论文主题关键词
  ├── 独立检索同领域高引/经典/最新文献
  ├── 对比论文引用列表
  ├── 发现遗漏的重要文献
  └── 建议补充
  ↓
输出: 三位验证报告 + 修复后的bib

Phase 1: 是否存在

⚡ 启动检查：SS API密钥

import os
assert os.environ.get("SEMANTIC_SCHOLAR_API_KEY", ""), (
    "SEMANTIC_SCHOLAR_API_KEY not set — SS search will silently fail"
)

❌ 不带key的SS搜索会静默返回空（429被catch为空列表） ✅ 带key后1000 req/min正常响应

⚡ 数据集引用替换（Phase 0.5 — 先于DOI验证）

原则: 数据集条目（@misc）应替换为引入/描述该数据集的论文（@article/@inproceedings）。

原因:

论文引用比原始数据集元数据更规范、更可检索
有DOI/PMID的可验证性，有引用次数反映权威性
审稿人更认可"参考原始论文"而非"参考UCI链接"

流程:

# 1. 检测bib中的 @misc 数据集条目
# 2. 对每个数据集：
#    a. 查UCI/OpenML页面 → introPaperID（是否有官方intro paper）
#    b. 搜索SS "dataset name" → 找第一篇引入该数据集的论文
#    c. 找同主题高引OA论文作为替代（如intro paper无PDF）
# 3. 替换：@misc → @article/@inproceedings，更新bib key
# 4. 更新tex中所有旧key引用
# 5. 检查D10a回归（同上Phase 1.5）

实战案例（2026-06-23 PIMA bib）:

原条目	替换后	理由
`UCIEarlyDiabetes2020` (@misc)	`Islam2019EarlyDiabetes` (@inproceedings)	UCI dataset 529官方intro paper
`CDCBRFSS2015` (@misc)	`Pierannunzi2013BRFSS` (@article, 545 cit, OA)	BRFSS方法论综述，比原始数据更权威
`Smith1988` (已为@article)	保持	PIDD原始论文

铁律: 替换后论文无PDF不构成回退理由——论文引用本身正确比PDF存在更重要。intro paper无PDF是出版商的限制，不在你控制范围内。

假DOI检测模式

信号	含义	行动
`doi.org` 返回 HTTP 404	DOI不存在	⚡ 标记怀疑，进入语义搜索纠正
Crossref API 返回 "Resource not found"	DOI未被Crossref索引	同上
SS API 搜不到该标题/作者	可能论文根本不存在	找替代文献
三者同时成立	几乎确定是LLM编造的假DOI	标记为FABRICATED，找替代
doi.org 404 + Crossref 404 + SS搜标题发现论文但DOI不同	DOI被篡改，论文真实存在	用SS返回的真实DOI替换bib元数据

关键区分: "DOI 404 + SS搜不到"=完全虚构（6/10案例）；"DOI 404 + SS搜到不同DOI"=DOI篡改（3/10案例）。前者需要找替代文献，后者只需修复DOI+元数据。

无PDF触发假DOI怀疑流程

用户提问"没有全文的论文有没有可能是虚假论文"的正确答案是"是的，~2/3概率"。

流程:

引用无PDF
  ↓
查询doi.org + Crossref + SS
  ├→ 三方全404 → 完全虚构，找替代
  ├→ DOI 404但SS标题搜索找到论文 → DOI篡改，修复
  └→ DOI真实 → 网络/付费墙问题，PDF Triage分诊

铁律: 不要假设"无PDF是因为付费墙"。先验假DOI，再考虑付费墙。

大规模验证的模式规律（2026-06-23 从41篇PIMA bib实证）

批量验证中的"下载失败"有 ~67% 概率是DOI本身假，非网络/工具问题。

41篇DOI → 15篇下载失败 → 10篇DOI假或错（67%）
  ├→ 3篇真实论文但DOI被篡改（年份/期刊/文献类型全错）
  ├→ 1篇DOI真实但作者名编造
  └→ 6篇完全虚构（论文在学术数据库中不存在）

类型	比例	特征	处理
完全虚构	60%	三方查询全无，论文不存在	删除，找替代
DOI篡改	30%	论文真实存在但DOI/年份/期刊全错	修复DOI+元数据
作者编造	10%	DOI真实但bib作者信息错	保留条目（作者不影响引用）

替代文献决策树

假DOI → 论文不存在
  ├→ 论文主题是否被其他已有文献覆盖？
  │   ├→ 是 → 已有条目可直接引用，删除本条
  │   └→ 否 → 需要找替代
  │       ├→ 搜索同主题高引论文（SS/Google Scholar）
  │       ├→ 选标准：同论点支持 + 更高或同等权威 + 有公开PDF
  │       └→ 新增条目到bib
  └→ 论文是否为核心/被审计论文？
      ├→ 核心 → 替代必须严谨，可能需要多篇
      └→ 非核心 → 可删除不影响论证

PDF Triage 分诊决策表

PDF状态	引用重要性	行动
✅ 有PDF	任何	进入Phase 2
❌ 无PDF	经典/核心（方法论奠基、领域标杆、核心论证依赖）	多级下载（Tor+Sci-Hub → OA直连 → PMC），3源失败则标注"PDF暂缺"
若同一论文在正文中被多次引用其方法（如SHAP），建议核实真实作者名。

⚡ 铁律：重要性由Agent判断，不问用户

⚡ D10a回归检查（Phase 1→Phase 1.5）

真实案例簇（2026-06-23 PIMA bib）

Bib Key	假信号	根因	行动
Kapoor2023Leakage	DOI 404 + SS找到但年份不同	年份篡改	修复DOI+year+vol
Norgeot2020MI-CLAIM	DOI 404 + SS找到不同DOI	期刊替换	修复DOI+journal+vol+pages
Haixiang2017Imbalanced	DOI 404 + SS找到不同DOI	类型替换	@inproceedings→@article，换DOI
Stiglic2012Missing	三方全无	完全虚构	删除，Garcia-Laencina2010替代
Mehta2024	三方全无	完全虚构	删除，由Kapoor覆盖
Wen2024Leakage	三方全无	完全虚构	删除，由Kapoor+McDermott覆盖
Fernandez2018Imbalanced	三方全无	完全虚构	删除，He2009Imbalanced替代
Grunspun2019Quality	三方全无	完全虚构	删除，已有TRIPOD+PROBAST覆盖
Wu2024BRFSS	DOI真实但作者错	作者编造	保留条目
Char2018Clinical	DOI 404 + Crossref 404 + SS标题搜索找到不同DOI	metadata全对但DOI不存在	修复DOI (10.1056/NEJMp1703288→10.1056/NEJMp1714229)
Saeedi2019	PDF存在且DOI真实，但全文以WITHDRAWN开头	已撤回论文	整条删除，IDF2021覆盖
Varoquaux2018CV	PDF存在，arXiv ID真实，但内容是天体物理论文	arXiv ID被替换为同ID不同论文	重定向到真实DOI: NeuroImage 2017
Varoquaux2018Overoptimism	同上——arXiv ID指向神经科学论文	完全虚构	删除（CV论文已覆盖相同论点）
Balloccu2020SMOTE	DOI指向金融论文(Hedging Crash Risk)	DOI完全错误，引用虚构	删除（已有Chawla+Blagus+Batista覆盖）
Amri2025	DOI指向海洋光学论文	DOI完全错误，引用虚构	删除（Toleva+Ansari已覆盖）
Sali2025→Toleva2025	作者名编造(Sali→Toleva)，期刊名错	作者编造	修复作者+期刊+key名
Tonin2025→Ansari2025ML	作者名编造(Tonin→Ansari)，期刊名错	作者编造	修复作者+期刊+key名

Phase 2: 是否得当

核心理念

API仅验证"文献存在且标题匹配"，无法验证"文献是否支持论文论断"。"引用是否得当"是质的要求，必须全文阅读PDF。

Step 1: 提取引用语境

grep -n -B2 -A2 '\\cite' <paper>.tex > cite_contexts.txt

注意: 引用语境是语义审查的核心——必须知道论文在引用时"说了什么"，才能判断文献是否支持。

Step 2: 逐篇阅读PDF全文

对每篇参考文献PDF：

使用 pymupdf (fitz) 或 pdfplumber 提取全文文本
记录：标题、作者、年份、摘要、关键段落
对于图片/图表较多的PDF，记录主要方法的文字描述

Step 3: 语义比对

比对维度	检查内容	判断标准
标题匹配	PDF标题是否与bib中的title一致	✅ 一致为恰当
作者匹配	PDF作者是否与bib中的author一致	✅ 一致为恰当
年份匹配	PDF年份是否与bib中的year一致	✅ 一致为恰当
内容验证	PDF核心内容是否支撑论文的论断	✅ 支撑为恰当
主题一致性	PDF主题是否与引用语境一致	✅ 一致为恰当
方法一致性	PDF描述的方法是否与论文引用的方法一致	✅ 一致为恰当

判断级别:

✅ 完全恰当: 所有维度一致，PDF内容确实支撑论断
⚠️ 恰当但有技术问题: 引用本身正确但PDF内容有问题
❌ 不恰当: 标题/作者/年份/内容不匹配，或PDF内容不支持论断

错误分类

错误类型	严重程度	处理方式
PDF内容完全错误	🔴 严重	重新下载，修复后重新审查
PDF内容部分不匹配	🟡 中等	标注并在报告中说明
引用语境与文献内容不一致	🔴 严重	修正引用语境或替换文献
缺失PDF全文	🟡 中等	经PDF Triage分诊后处理
DOI错误导致内容错误	🔴 严重	修正DOI，重新下载
作者/年份错误	🟡 中等	修正Bib条目

PDF内容错误检测

# 方法1: strings搜索论文主题关键词
strings ref.pdf | grep -i "论文关键词1|论文关键词2|论文关键词3"

# 方法2: pdfinfo检查页数和标题
pdfinfo ref.pdf | grep "Title:"

# 方法3: 检查PDF前1000字符的语义
head -c 1000 ref.pdf | strings

# 方法4: ⚡ WITHDRAWN论文检测 — 2026-06-23发现Saeedi2019已被撤回
head -c 500 ref.pdf | strings | grep -i "withdrawn\|retracted\|removed\|this article has been"

⚡ WITHDRAWN论文检测（Phase 2新增）

2026-06-23 PIMA实战发现: Saeedi2019的PDF存在且DOI真实，但全文以"WITHDRAWN: This article has been withdrawn at the request of the author(s) and/or editor."开头。

流程:

# 对每篇通过DOI验证进入Phase 2的PDF，先跑withdrawn检测
for pdf in *.pdf; do
    if strings "$pdf" | head -100 | grep -qi "withdrawn\|retracted\|this article has been withdrawn"; then
        echo "❌ WITHDRAWN: $pdf"
    fi
done

后续: WITHDRAWN论文有四种处理方式：

如果已有更新版本（如IDF2021覆盖Saeedi2019）→ 删除，用新版替代
如果无直接替代 → 标记为"已撤回，需找替代"
如果论点已被其他引用覆盖 → 直接删除
⚡ 不保留WITHDRAWN论文作为引用

⚡ arXiv ID验证陷阱（Phase 2新增）

arXiv验证协议:

# 对每个arXiv DOI，检查标题是否匹配
# 核心：arXiv ID 存在 ≠ arXiv论文正确
arxiv_id = extract_arxiv_id(doi)  # e.g. "1804.06880"
r = requests.get(f"https://api.semanticscholar.org/graph/v1/paper/arXiv:{arxiv_id}")
title_from_ss = r.json().get("title", "")
assert title_matches_bib(title_from_ss), (
    f"arXiv:{arxiv_id} 指向论文 '{title_from_ss}', 非bib中的预期标题"
)

arXiv验证规律:

DOI形如 10.48550/arXiv.XXXX.XXXXX → 必须验证arXiv论文的标题/作者
arXiv ID是申请时的序列号，论文提交后内容可变
LLM可能编造arXiv ID或使用真实的arXiv ID但错误关联

⚡ 作者名编造模式（Phase 2新增）

2026-06-23 PIMA实战发现: Sali2025→实际作者是Toleva(2025, Bioengineering)；Tonin2025→实际作者是Ansari(2025, Frontiers in Medicine)。bib中作者名被完全替换。

检测方法:

# Phase 1只验证DOI存在性+标题匹配
# Phase 2必须验证PDF第一作者是否匹配bib中的第一作者
pdf_first_author = extract_first_author_from_pdf(pdf_path)
bib_first_author = bib_author_field.split(" and ")[0].split(",")[0].strip()
if pdf_first_author.lower() != bib_first_author.lower():
    # ⚡ 标记为作者编造
    mark_as("AUTHOR_FABRICATED")
    # 不需要删除条目——论文真实存在，metadata标题/年份正确
    # 只需修复bib中的author字段+journal字段

处理: 作者编造不需要删除条目——论文本身真实存在。只需修复bib中的author字段（从PDF提取真实作者名）。期刊名/卷号可能也错，一并修复。

⚡ DOI存在但内容错误的模式（Phase 2新增）

2026-06-23 PIMA实战发现两种新假DOI模式:

模式	案例	特征
跨域替换	Balloccu2020SMOTE (DOI→金融论文), Amri2025 (DOI→海洋光学)	DOI真实存在、通过SS/Crossref验证、标题完全无关。完全虚构的引用伪装在真实DOI背后
WITHDRAWN沿用	Saeedi2019	DOI真实、可下载，但论文已撤回

检测流程:

Phase 1通过（DOI存在）→ Phase 2读PDF
  ├→ 标题匹配？ → ✅ 正常进入语义比对
  ├→ 标题不匹配？ → ❌ 跨域替换，删除引用，找替代
  └→ WITHDRAWN？ → ❌ 已撤回，同上处理

铁律: DOI验证通过不等于引用正确。Phase 2的PDF标题/作者验证是发现跨域替换的唯一手段。

⚡ Phase 2并行化策略（推荐用法）

大论文（30+引用）的Phase 2验证推荐用并行子智能体:

# 将引用分为3-4批，每批约8-10篇
batches = [
    Batch_A: 方法论/框架类（Kapoor, Varoquaux, Collins, TRIPOD...）
    Batch_B: 方法细节类（SMOTE/插补/统计类）
    Batch_C: 背景/临床/数据集类（流行病学/伦理/MIMIC...）
]

# 每批作为一个delegate_task，包含：
# - 引用语境（tex中cite上下文）
# - 预期（bib中的title/author/year）
# - 验证方法（pdftotext提取→标题/作者/内容比对）
results = await parallel_run(batches)  # 3路并行

⚠️ 子智能体可能误报（如检测脚本bug）。建议对子智能体的关键发现做抽样人工复核。

Phase 3: 是否全面

核心理念

论文的引用不仅要"存在"和"得当"，还要完整——该领域高引/经典/最新文献是否都被覆盖？是否有重要文献被遗漏？

引用质量五维评分

维度	权重	评分标准
权威性	30%	期刊影响因子、被引次数、作者声誉
相关性	25%	与论题的直接关联度
时效性	20%	是否包含最近3年的文献
多样性	15%	是否涵盖多个学派/方法/观点
完整性	10%	是否有重要文献未引用 ← 本阶段核心

完整性检测流程

提取论文主题: 从摘要、引言、关键词中提取主题词
独立检索: 用SS/PubMed检索同主题高引文献（按citationCount排序）
对比引用列表: 将Top N高引文献与论文引用列表对比
遗漏分类:
- 🔴 关键遗漏: 该领域奠基性/里程碑论文，引文超1000，不引会被审稿人质疑
- 🟡 建议补充: 近3年高引新作，引文超100，补充可加强论证
- 🔵 可选项: 相关但不必须
生成补充建议

def detect_missing_papers(paper_keywords, current_refs, top_n=20):
    """
    检测遗漏的重要文献
    - paper_keywords: 论文主题关键词列表
    - current_refs: 论文当前引用列表（DOI集合）
    - top_n: 检索top N高引文献
    """
    # 1. SS搜索高引文献
    results = ss_search(" ".join(paper_keywords), limit=top_n)
    
    # 2. 过滤已引用的
    missing = []
    for paper in results:
        doi = paper.get("externalIds", {}).get("DOI", "")
        if doi and doi not in current_refs:
            missing.append({
                "doi": doi,
                "title": paper.get("title", ""),
                "citations": paper.get("citationCount", 0),
                "year": paper.get("year", 0),
                "reason": classify_missing(paper, paper_keywords)
            })
    
    # 3. 按重要性排序
    missing.sort(key=lambda x: -x["citations"])
    return missing

⚡ Phase 3 CRISP-DM系列论文遗漏检测

常见遗漏模式: CRISP-DM方法论论文的引用往往只含原始文献（Shearer 2000, Wirth 2000），忽略20年后的综述和系统评价。

2026-06-23 PIMA实战发现:

Martinez-Plumed et al. 2021 — "CRISP-DM Twenty Years Later" (IEEE TKDE, 332 cit, doi:10.1109/TKDE.2019.2962680) — CRISP-DM从数据挖掘到数据科学的演变
Schroer et al. 2021 — "A Systematic Literature Review on Applying CRISP-DM" (Procedia CS, 555 cit, doi:10.1016/j.procs.2021.01.199) — CRISP-DM应用系统综述

流程:

if paper_cites_crispdm:
    check_missing = [
        "Martinez-Plumed 2021 CRISP-DM Twenty Years Later",
        "Schroer 2021 SLR on CRISP-DM"
    ]
    for missing in check_missing:
        if missing not in current_refs:
            flag_as("CRISP-DM review missing")

遗漏判定标准

类别	条件	处理
🔴 关键遗漏	被引>1000 + 主题>80%匹配 + 发表>3年	必须补充
🟡 建议补充	被引>100 + 主题>60%匹配	推荐补充
🔵 可选项	其他	视情况

输出格式

{
  "paper": "pima-crispdm",
  "review_date": "2026-06-23",
  "phase1_existence": {
    "total_entries": 37,
    "verified_dois": 33,
    "fixed_dois": 3,
    "replaced_dois": 6,
    "fabricated_dois": 10,
    "pdf_coverage": "31/37"
  },
  "phase2_appropriateness": {
    "total_citations": 37,
    "fully_appropriate": 35,
    "issues_found": 2,
    "pdf_errors_fixed": 1
  },
  "phase3_completeness": {
    "authority_score": 8.5,
    "relevance_score": 9.0,
    "timeliness_score": 7.0,
    "diversity_score": 8.0,
    "completeness_score": 7.5,
    "missing_papers": [
      {"doi": "10.xxxx/xxxxx", "title": "...", "citations": 500, "priority": "🔴"}
    ],
    "suggestions": ["补充2025-2026年最新文献"]
  },
  "overall": {
    "pass": true,
    "recommendation": "ACCEPT with minor revisions",
    "critical_issues": []
  }
}

伦理声明模板

## 伦理声明

**本审查遵循科研诚信铁律：**

1. **逐篇验证**: N篇参考文献全部经过逐篇验证，非抽样检查
2. **全文阅读**: N篇完整阅读PDF全文
3. **语境比对**: 每篇参考文献的引用语境与其实际内容逐一比对
4. **完整性评估**: 独立检索同主题文献，评估引用完整性
5. **无虚假引用**: 所有引用均为真实存在的文献
6. **无编造数据**: 未在任何参考文献中编造数据或结论
7. **透明度**: 本报告完整记录每篇文献的审查过程和结论

与quality-gate的关系

本技能对应 quality-gate G5 的三层检查：

G5形式检查（D10a、DOI、孤儿、僵尸）→ Phase 1输出
G5实质检查（引用是否得当）→ Phase 2输出
G5完整性检查（是否遗漏重要文献）→ Phase 3输出
G5最终判定 → 本技能整体输出

使用场景

论文投稿前引用质量终审
论文修改后的引用重新验证
批量引用检查（多篇论文）
引用质量审计（年度/季度）

自动化程度

步骤	自动化程度	说明
Phase 1: DOI验真	✅ 高	脚本自动跑三方API
Phase 1: PDF Triage	✅ 高	文件系统检查+规则判断
Phase 2: 引用语境提取	✅ 高	grep解析tex
Phase 2: PDF全文提取	✅ 高	pymupdf/pdfplumber
Phase 2: 语义比对	⚠️ 中	需要大模型辅助判断
Phase 3: 遗漏检测	✅ 高	SS搜索+对比
Phase 3: 遗漏分类	⚠️ 中	需要领域知识辅助
报告生成	✅ 高	模板填充

陷阱（合并自原两个技能）

默认跳转到"下载缺失PDF"模式 — 必须先分诊再下载。2026-06-21实战：27/39 (69%)无PDF → 分诊后17篇可替换、10篇经典/核心。
arXiv DOI不通过Crossref验证 — 正常现象，不标记失败
数据集无DOI — 保留条目，不强制要求DOI
会议论文DOI可能缺失 — 优先SS搜索
速率限制 — Crossref和SS都有速率限制，加time.sleep()
PDF内容错误不会报错 — DOI下载成功不代表内容正确。实测3/7 (42.9%) PDF内容完全错误。
引用语境可能被修改 — 论文修改后必须重新审查引用
PDF文件名与Bib Key不映射 — 审查前必须建立映射表
年份/页码篡改 — 假DOI常见模式。检测：DOI 404时SS搜标题，对比真实DOI的年份/卷号
SS API不带key静默失败 — 必须读取环境变量 SEMANTIC_SCHOLAR_API_KEY 并传入header
Nature/Springer DOI内容漂移 — 2026-06-23 PIMA实战：Norgeot MI-CLAIM论文 (DOI 10.1038/s41591-020-1041-y) 的SS OA链接下到的PDF是Topol评论而非原文。Nature系列DOI的相邻文章容易串流。必须用pdfinfo验证PDF标题是否匹配bib标题。
D10a回归（bib修后tex断链） — Phase 1删除假DOI后，tex中\cite{deleted_key}变成孤儿引用，D10a骤降。必须在Phase 1末尾重新核查D10a并修复所有tex失效引用。
"无PDF"不是付费墙问题，是假DOI警报 — 2026-06-23 PIMA实战：Char2018Clinical无PDF，DOI 404，然而metadata看似完全合理（标题/作者/期刊/年份全对）。用户提出"没有全文的论文有没有可能是虚假论文"→验证发现DOI完全虚构。铁律：下载失败+DOI 404 = 先验假DOI，然后按流程处理（见假DOI检测模式）。不要解释为"付费墙/网络问题"——67%概率是假。
LibGen可下载书籍章节（book chapter） — 书章（如Springer Advances in Intelligent Systems and Computing系列）不在PubMed索引，无PMID，MedData走不通。优先走LibGen（via Tor），DOI搜索失败时尝试ISBN搜索。
WITHDRAWN论文有PDF但不该被引用 — 2026-06-23发现Saeedi2019。PDF存在且DOI真实，但全文以WITHDRAWN开头。Phase 2必须对每篇PDF做withdrawn检测。
arXiv ID不防伪 — 2026-06-23发现Varoquaux2018CV (arXiv:1804.06880)和Varoquaux2018Overoptimism (arXiv:1810.08651)都是真实arXiv ID但指向错误论文。arXiv的DOI形如10.48550/arXiv.XXXX.XXXXX，SS/Crossref都能验证通过。必须验证arXiv论文的标题/作者是否匹配预期。
DOI存在但内容无关 — 2026-06-23发现Balloccu2020SMOTE (DOI→金融论文)和Amri2025 (DOI→海洋光学)。DOI真实存在、通过SS/Crossref验证、指向完全无关领域。这是比"DOI 404假DOI"更隐蔽的模式——LLM使用真实的跨领域DOI伪装引用。
作者名编造而非整篇虚构 — 2026-06-23发现Sali2025→真实作者Toleva, Tonin2025→真实作者Ansari。论文真实存在，bib的标题/年份/DOI都对，但作者名被LLM编造。Phase 1的"DOI存在"验证通过了，但Phase 2的PDF第一作者比对才能发现。
MedData重复Nature/Springer串流（已发现两次） — Norgeot MI-CLAIM论文 (DOI 10.1038/s41591-020-1041-y) 在SS OA链接和MedData两次下载中均串流到Eric Topol的评论 (DOI 10.1038/s41591-020-1042-x)。Nature系列DOI相邻文章容易串流。必须用pdfinfo验证PDF标题是否匹配bib标题，不信任任何OA/MedData输出。

版本历史

v2.4.0 (2026-06-23): 新增Phase 2完整审计参考文件。新增陷阱19（MedData重复Nature串流）。新增Norgeot MI-CLAIM两次MedData串流记录。
v2.3.0 (2026-06-23): 新增Phase 3 CRISP-DM系列遗漏检测模式（Martinez-Plumed 2021 + Schroer 2020）。新增Phase 2完整审计参考文件(references/pima-crispdm-phase2-review-2026-06-23.md)。新增陷阱19（CRISP-DM遗漏模式）。
v2.2.0 (2026-06-23): 新增Phase 2三大发现——WITHDRAWN论文检测/arXiv ID不防伪/DOI存在但内容无关。新增作者名编造模式。新增并行化策略(parallel delegation for 30+ citations)。新增陷阱15-18。更新真实案例簇。
v2.1.0 (2026-06-23): 新增Char假DOI案例（metadata正确但DOI完全虚构）。新增"无PDF→假DOI怀疑"检测流程和铁律。新增SS搜标题发现不同DOI的第四种假DOI信号。新增LibGen书籍章节下载提示。强化SS API key位置为Phase 1顶部⚡检查。
v2.0.0 (2026-06-23): 合并 reference-verification (v1.2) + citation-appropriateness-verification (v1.0.1) + 引用全面性评估（从paper-quality-deep-review Step 6抽取）。三位一体管线。新增Phase 3完整性检测流程。
v1.2.0 (2026-06-21): 原reference-verification。新增PDF Triage分诊。
v1.0.1 (2026-06-18): 原citation-appropriateness-verification。新增PDF内容错误陷阱。
v1.0.0 (2026-06-18): 原skills初始版本。

citation-verification

More from this repository

More from this repository

Citation Verification — 参考文献三验

原理层 · 文言

IO_CONTRACT

管线流程

Phase 1: 是否存在

⚡ 启动检查：SS API密钥

⚡ 数据集引用替换（Phase 0.5 — 先于DOI验证）

假DOI检测模式

无PDF触发假DOI怀疑流程

大规模验证的模式规律（2026-06-23 从41篇PIMA bib实证）

替代文献决策树

PDF Triage 分诊决策表

⚡ 铁律：重要性由Agent判断，不问用户

⚡ D10a回归检查（Phase 1→Phase 1.5）

真实案例簇（2026-06-23 PIMA bib）

Phase 2: 是否得当

核心理念

Step 1: 提取引用语境

Step 2: 逐篇阅读PDF全文

Step 3: 语义比对

错误分类

PDF内容错误检测

⚡ WITHDRAWN论文检测（Phase 2新增）

⚡ arXiv ID验证陷阱（Phase 2新增）

⚡ 作者名编造模式（Phase 2新增）

⚡ DOI存在但内容错误的模式（Phase 2新增）

⚡ Phase 2并行化策略（推荐用法）

Phase 3: 是否全面

核心理念

引用质量五维评分

完整性检测流程

⚡ Phase 3 CRISP-DM系列论文遗漏检测

遗漏判定标准

输出格式

伦理声明模板

与quality-gate的关系

使用场景

自动化程度

陷阱（合并自原两个技能）

版本历史

Citation Verification — 参考文献三验

原理层 · 文言

IO_CONTRACT

管线流程

Phase 1: 是否存在

⚡ 启动检查：SS API密钥

⚡ 数据集引用替换（Phase 0.5 — 先于DOI验证）

假DOI检测模式

无PDF触发假DOI怀疑流程

大规模验证的模式规律（2026-06-23 从41篇PIMA bib实证）

替代文献决策树

PDF Triage 分诊决策表

⚡ 铁律：重要性由Agent判断，不问用户

⚡ D10a回归检查（Phase 1→Phase 1.5）

真实案例簇（2026-06-23 PIMA bib）

Phase 2: 是否得当

核心理念

Step 1: 提取引用语境

Step 2: 逐篇阅读PDF全文

Step 3: 语义比对

错误分类

PDF内容错误检测

⚡ WITHDRAWN论文检测（Phase 2新增）

⚡ arXiv ID验证陷阱（Phase 2新增）

⚡ 作者名编造模式（Phase 2新增）

⚡ DOI存在但内容错误的模式（Phase 2新增）

⚡ Phase 2并行化策略（推荐用法）

Phase 3: 是否全面

核心理念

引用质量五维评分

完整性检测流程

⚡ Phase 3 CRISP-DM系列论文遗漏检测

遗漏判定标准

输出格式

伦理声明模板

与quality-gate的关系

使用场景