Communitygithub.com

revue-de-littérature

Processus systématique de revue de littérature pour des sujets académiques, biomédicaux, techniques et scientifiques, incluant la planification de la recherche, le filtrage des sources, la synthèse, la vérification des citations et l'enregistrement des preuves. Utilisez cette compétence lorsque la tâche consiste à trouver, filtrer, synthétiser et citer un corpus de littérature académique ou technique.

Qu'est-ce que revue-de-littérature ?

Cette compétence guide l'utilisateur dans la réalisation d'une revue de littérature rigoureuse, adaptée aux domaines académique, biomédical, technique et scientifique. Elle propose un flux de travail structuré en huit étapes : définition de la question de recherche (en utilisant PICO pour le biomédical ou un cadre équivalent pour le technique), planification de la recherche avec protocole, exécution de la recherche et enregistrement des preuves, déduplication, filtrage par titres/résumés/texte intégral, extraction structurée des données, synthèse thématique par niveau de confiance, et vérification des citations. Elle prend en charge quatre types de revue (narrative, exploratoire, systématique, méta-analyse) et fournit un modèle de sortie standardisé. La compétence met en garde contre les pièges courants comme l'utilisation de snippets de recherche comme preuves ou le mélange non étiqueté de prépublications et d'études primaires.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/scientific-thinking-literature-review

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Revue de Littérature

Utilisez cette compétence lorsque la tâche consiste à trouver, filtrer, synthétiser et citer un corpus de littérature académique ou technique.

Quand l'utiliser

  • Construire une revue de littérature systématique, exploratoire ou narrative.
  • Synthétiser l'état de l'art pour une question de recherche.
  • Identifier des lacunes, des contradictions ou des directions pour des travaux futurs.
  • Préparer des sections de contexte étayées par des citations pour des articles ou des rapports.
  • Comparer des preuves issues d'articles évalués par les pairs, de prépublications, de brevets et de rapports techniques.

Types de revue

  • Revue narrative : synthèse large ; utile pour l'orientation.
  • Revue exploratoire (scoping) : cartographie des concepts, méthodes et lacunes dans les preuves.
  • Revue systématique : protocole prédéfini, recherche reproductible, filtrage et exclusion explicites.
  • Méta-analyse : revue systématique plus agrégation quantitative des effets.

Demandez à l'utilisateur quel niveau de rigueur est nécessaire. Si non spécifié, optez par défaut pour une revue exploratoire pour un travail exploratoire et une revue systématique pour une publication ou des affirmations cliniques.

Flux de travail

1. Définir la question

Convertissez la requête en une question de recherche interrogeable.

Pour un travail clinique ou biomédical, utilisez PICO :

  • Population
  • Intervention ou exposition
  • Comparateur
  • Critère de jugement (Outcome)

Pour un travail technique, utilisez :

  • système ou domaine
  • méthode ou intervention
  • référence de comparaison
  • métrique d'évaluation

2. Planifier la recherche

Créez un protocole de recherche avant de collecter des sources :

  • bases de données à interroger
  • intervalle de dates
  • langues
  • types de publication
  • critères d'inclusion
  • critères d'exclusion
  • chaînes de recherche exactes

Ensemble minimal utile de bases de données :

  • PubMed pour la littérature biomédicale et en sciences de la vie.
  • arXiv pour l'informatique, les mathématiques, la physique, la biologie quantitative et les prépublications.
  • Semantic Scholar ou Crossref pour une découverte académique large.
  • Sources spécifiques au domaine si pertinent, telles que les registres d'essais cliniques, les bases de données de brevets, les organismes de normalisation ou les documents techniques officiels.

3. Rechercher et enregistrer les preuves

Tenez un journal de recherche qui rend la revue reproductible :

| Base de données | Date de recherche | Requête | Filtres | Résultats | Export |
| --- | --- | --- | --- | ---: | --- |
| PubMed | 2026-05-11 | `("CRISPR"[tiab] OU "Cas9"[tiab]) ET "drépanocytose"[tiab]` | 2020:2026, Anglais | 86 | Liste PMID |
| arXiv | 2026-05-11 | `CRISPR drépanocytose édition génique` | q-bio, 2020:2026 | 9 | BibTeX |

Conservez les identifiants bruts, les URL, les DOI, les résumés et les notes séparément du texte final.

4. Dédupliquer

Dédupliquez dans cet ordre :

  1. DOI
  2. PMID ou arXiv ID
  3. titre exact
  4. titre normalisé plus premier auteur et année

Enregistrez le nombre de doublons supprimés.

5. Filtrer les sources

Filtrez par étapes :

  1. titre
  2. résumé
  3. texte intégral

Pour un travail systématique, enregistrez les raisons d'exclusion :

  • mauvaise population
  • mauvaise intervention
  • mauvais critère de jugement
  • pas de recherche primaire
  • doublon
  • texte intégral indisponible
  • en dehors de l'intervalle de dates

6. Extraire les données

Utilisez un tableau d'extraction structuré :

| Étude | Conception | Population/Données | Méthode | Comparateur | Critère de jugement | Résultat principal | Limites |
| --- | --- | --- | --- | --- | --- | --- | --- |
| Auteur Année | ECR/cohorte/revue/etc. | échantillon ou corpus | méthode | référence | mesure effectuée | résultat | réserve |

Pour les articles techniques, incluez le jeu de données, le benchmark, la métrique, la référence et les notes de reproductibilité.

7. Synthétiser

Regroupez les preuves par thème plutôt que de résumer les articles un par un.

Perspectives de synthèse utiles :

  • preuves les plus solides
  • preuves contradictoires
  • faiblesses méthodologiques
  • limites de la population ou du jeu de données
  • récence et réplication
  • implications pratiques
  • questions sans réponse

Séparez les affirmations par niveau de confiance :

  • Confiance élevée : preuves répliquées et de haute qualité provenant de plusieurs sources.
  • Confiance moyenne : plausible mais limité par l'échantillon, la méthode ou la récence.
  • Confiance faible : précoce, spéculatif, provenant d'une seule source ou faiblement mesuré.

8. Vérifier les citations

Avant de finaliser :

  • vérifiez le DOI, PMID, arXiv ID ou l'URL officielle
  • vérifiez les noms des auteurs et l'année de publication
  • ne citez pas un article pour une affirmation qu'il ne fait pas
  • marquez les prépublications comme telles
  • distinguez les revues des preuves primaires

Modèle de sortie

# Revue de Littérature : <Sujet>

Générée le : <date>
Type de revue : <narrative | exploratoire | systématique | méta-analyse>
Fenêtre de recherche : <dates>
Bases de données : <liste>

## Question de recherche

## Stratégie de recherche

## Critères d'inclusion et d'exclusion

## Résumé des preuves

## Synthèse thématique

## Lacunes et limites

## Références

## Journal de recherche

Pièges à éviter

  • Ne traitez pas les extraits de recherche comme des preuves.
  • Ne mélangez pas les prépublications, les revues et les études primaires sans les étiqueter.
  • N'omettez pas les résultats négatifs ou contradictoires.
  • Ne revendiquez pas une rigueur de revue systématique sans protocole reproductible.
  • N'utilisez pas une seule base de données pour une affirmation large, sauf si le périmètre est explicitement limité à cette base.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills associés