---
name: pesquisa-academica
description: >
Levanta DOIs, autores e referências peer-reviewed sobre um tema de psicologia.
Substitui o Claude Project ad-hoc "Pesquisa Acadêmica para DOIs" trazendo a
busca pra dentro do Cowork e adicionando cache SQLite local. Dispara quando
o usuário pedir "levanta DOIs sobre X", "busca artigos sobre X", "preciso de
referências de X", "monta a literatura sobre X", "achados recentes em X",
"autores principais em X". Pode ser invocada por outras skills (fabrica-de-posts,
fabrica-de-artigo) quando precisarem de referências adicionais no meio do
fluxo. NÃO usa para verificar DOI individual já conhecido (use
verify_citations.py) nem para criar conteúdo (use fabrica-de-posts ou
fabrica-de-artigo).
---
# Pesquisa Acadêmica — DOIs e Referências para Posts e Artigos
Skill de busca bibliográfica focada em psicologia clínica, psicopatologia,
neuropsicologia e teoria. Substitui o Project ad-hoc trazendo dois ganhos:
invocação programática a partir de outras skills (sem trocar de ambiente) e
cache SQLite local de queries+DOIs já validados.
O dono do perfil é contextualista funcional, usa network approach (Borsboom)
e Process-Based Therapy (Hayes & Hofmann). Privilegiar literatura compatível
com esse framework não é viés, é alinhamento de tarefa. Quando o tema exige
literatura cognitivista clássica ou DSM-tradicional, citar mas marcar
distância teórica.
## Antes de começar
1. Leia `/mnt/skills/user/regras-comuns/SKILL.md` — IRON RULES universais,
regras de fabricação zero, hierarquia de evidência, distância A/B/C/D/E.
- `references/fontes-prioritarias.md` quando o tema exigir literatura PT-BR
ou autores específicos do grupo de pesquisa.
- `references/journal-list.md` quando o output precisar filtrar por journal.
## Fluxo (4 passos)
### Passo 1: Consultar cache local
Antes de qualquer busca web, consultar `cache/pesquisa.sqlite` via
`scripts/pesquisa.py`:
```bash
python3 scripts/pesquisa.py --query "" --check-cache
```
Output:
- `HIT` se query idêntica ou semanticamente equivalente foi feita nos
últimos 30 dias. Retorna DOIs cacheados com score VERIFIED.
- `PARTIAL` se há queries adjacentes (overlap >= 60%) com DOIs reaproveitáveis.
- `MISS` se não há cache relevante.
Em HIT puro: pular para Passo 4 (output). Em PARTIAL: usar cache como base
e completar via Passo 2. Em MISS: ir direto para Passo 2.
Se `scripts/pesquisa.py` ou `cache/pesquisa.sqlite` não estiverem
disponíveis na sessão (instalação parcial da skill), tratar como MISS,
seguir direto ao Passo 2 e registrar `fonte: web_fresh` no output. Nunca
simular resultado de cache.
### Passo 2: Busca web triangulada
Para o termo de busca, executar em paralelo até três fontes:
1. **Consensus** (via MCP `Consensus:search`) — útil pra claims específicos
com tamanho de efeito.
2. **PubMed** (via MCP `PubMed:search_articles`) — útil pra meta-análises e
RCTs em psicopatologia.
3. **web_search** (Google Scholar, ResearchGate, sites de journal) — útil
pra livros, capítulos e literatura cinza relevante.
Combinar resultados removendo duplicatas por DOI canônico.
### Passo 3: Verificação de DOI
Para cada DOI candidato, executar verificação determinística antes de
incluir no output via `verify_citations.py` (v3.1, Python stdlib + cache
SQLite; o script usa só `urllib` da biblioteca padrão, sem dependências
externas). O script é parte do ecossistema desde a integração do Academic
Research Skills (Cheng-I Wu, ARS v3.11.1, CC BY-NC, em 09-10/06/2026):
a mecânica de três classes (SUSTENTADA / NÃO SUSTENTADA / NÃO RESOLVÍVEL)
vem da ARS; o mapeamento pra quatro classes operacionais usadas aqui
(VERIFIED, LIKELY, UNRESOLVED, FABRICATED) é adaptação interna. Manter
atribuição ARS em qualquer derivado que reuse a lógica.
```bash
python3 /mnt/skills/user/pesquisa-academica/scripts/verify_citations.py --doi "10.xxxx/xxxxx" --json
```
Sem o script disponível, fazer verificação inline via web search direta
no resolver `https://doi.org/` e checagem de título contra Crossref.
Classificar cada DOI:
- `VERIFIED`: 4 sinais (Crossref + Semantic Scholar + título match + URL
ativa) confirmam.
- `LIKELY`: 3 de 4 sinais.
- `UNRESOLVED`: 2 de 4. Marcar como `[DOI não verificado]` no output.
- `FABRICATED`: 0-1 sinal. Excluir.
Apenas DOIs `VERIFIED` ou `LIKELY` entram no output principal.
### Passo 4: Output e atualização do cache
Output estruturado:
```yaml
query:
data:
total_dois_encontrados:
total_verificados:
fonte:
referencias:
- doi:
autores:
ano:
titulo:
periodico:
tipo:
status_verificacao:
distancia_clinica:
relevancia_tema:
n_amostral:
tipo_estudo:
tamanho_efeito:
weird:
sample_origem:
cache_origem:
cache_data_validacao:
referencias_excluidas:
- doi_ou_titulo:
motivo:
shortfall:
ocorreu:
motivo:
```
Após gerar output, atualizar cache:
```bash
python3 scripts/pesquisa.py --update-cache --query "" --output output.yaml
```
## Quando NÃO usar esta skill
- Quando o usuário pedir verificação de UM DOI específico → use
`verify_citations.py` direto.
- Quando o usuário pedir leitura/síntese de fontes (não busca) → use
NotebookLM no pipeline de posts ou `fabrica-de-artigo` modo REVISAO.
- Quando a busca for sobre tema fora de psicologia (ex: filosofia da
ciência, neurociência teórica sem ponte clínica) → fazer busca direta
via web_search sem cache local (cache é tema-psicologia).
## Cache: política de retenção
- Queries cacheadas têm TTL de 30 dias por padrão.
- DOIs com status `VERIFIED` têm TTL de 180 dias (DOI verificado raramente
invalida em 6 meses).
- Cache é local em `cache/pesquisa.sqlite`. Backup semanal recomendado.
- `python3 scripts/pesquisa.py --vacuum` limpa entradas expiradas.
## Cardinal rule
DOI fabricado é falha crítica. Se a busca não retornar evidência forte,
retornar shortfall honesto via schema do `regras-comuns`. Preencher
output com referências fracas pra atingir N pedido propaga erro pra todo
o pipeline downstream.