docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,158 @@
|
||||
---
|
||||
id: wiki-2026-0508-secondary-research
|
||||
title: Secondary Research
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Desk Research, Literature Review, Existing-Data Analysis]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [research, methodology, literature-review, knowledge-synthesis]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: agnostic
|
||||
framework: research-methods
|
||||
---
|
||||
|
||||
# Secondary Research
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 secondary research = 매 existing 의 published / collected data 의 매 analysis"**. 매 primary research (raw 새 data 수집) 의 반대. 매 lit review, 매 meta-analysis, 매 industry report 분석, 매 dataset reuse 다 포함. 매 2026 년 LLM-assisted secondary research 가 매 dominant — 매 single researcher 의 매 weeks → 매 hours.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 vs primary research
|
||||
- **Primary**: 매 직접 collect — survey, interview, experiment, observation. 매 control 큼, 매 cost 큼.
|
||||
- **Secondary**: 매 already-published 의 reuse — books, papers, gov stats, industry reports, internal docs. 매 cheap, 매 fast, 매 control 작음.
|
||||
|
||||
### 매 source taxonomy
|
||||
- **Academic**: peer-reviewed papers (PubMed, arXiv, Google Scholar, Semantic Scholar, OpenAlex).
|
||||
- **Government**: census, BLS, OECD, World Bank, KOSIS.
|
||||
- **Industry**: Gartner, Forrester, IDC, McKinsey, CB Insights, Statista.
|
||||
- **Internal**: company analytics, post-mortems, design docs.
|
||||
- **Community**: HN, Reddit, GitHub, blog posts (lower trust, higher recency).
|
||||
|
||||
### 매 응용
|
||||
1. **Lit review**: 매 새 paper 의 매 background section.
|
||||
2. **Market analysis**: 매 startup 의 매 TAM/SAM/SOM 추정.
|
||||
3. **Competitor research**: 매 product strategy 의 매 input.
|
||||
4. **Meta-analysis**: 매 multiple studies 의 매 effect size 통합.
|
||||
5. **Due diligence**: 매 investment / 매 acquisition 의 매 background.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Pattern 1: LLM-assisted lit review
|
||||
```python
|
||||
import anthropic, asyncio
|
||||
|
||||
client = anthropic.AsyncAnthropic()
|
||||
|
||||
async def summarize_paper(abstract: str, question: str):
|
||||
msg = await client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=512,
|
||||
system="You are a careful research assistant. Cite verbatim.",
|
||||
messages=[{
|
||||
"role": "user",
|
||||
"content": f"Question: {question}\n\nAbstract:\n{abstract}\n\nIs this relevant? If yes, extract key findings + methodology in 3 bullets.",
|
||||
}],
|
||||
)
|
||||
return msg.content[0].text
|
||||
|
||||
async def lit_review(question: str, abstracts: list[str]):
|
||||
results = await asyncio.gather(*[summarize_paper(a, question) for a in abstracts])
|
||||
return [r for r in results if "not relevant" not in r.lower()]
|
||||
```
|
||||
|
||||
### Pattern 2: arXiv / Semantic Scholar fetch
|
||||
```python
|
||||
import requests
|
||||
|
||||
def search_semantic_scholar(query: str, limit=20):
|
||||
r = requests.get(
|
||||
"https://api.semanticscholar.org/graph/v1/paper/search",
|
||||
params={
|
||||
"query": query,
|
||||
"limit": limit,
|
||||
"fields": "title,abstract,year,authors,citationCount,openAccessPdf",
|
||||
},
|
||||
)
|
||||
return r.json()["data"]
|
||||
```
|
||||
|
||||
### Pattern 3: Citation graph traversal
|
||||
```python
|
||||
def expand_citations(seed_papers, depth=2):
|
||||
frontier = list(seed_papers)
|
||||
seen = set(p["paperId"] for p in seed_papers)
|
||||
for _ in range(depth):
|
||||
next_frontier = []
|
||||
for paper in frontier:
|
||||
r = requests.get(
|
||||
f"https://api.semanticscholar.org/graph/v1/paper/{paper['paperId']}/references",
|
||||
params={"fields": "title,abstract,year,citationCount"},
|
||||
)
|
||||
for ref in r.json().get("data", []):
|
||||
pid = ref["citedPaper"]["paperId"]
|
||||
if pid and pid not in seen:
|
||||
seen.add(pid)
|
||||
next_frontier.append(ref["citedPaper"])
|
||||
frontier = next_frontier
|
||||
return list(seen)
|
||||
```
|
||||
|
||||
### Pattern 4: Source-trust scoring
|
||||
```python
|
||||
def trust_score(source: dict) -> float:
|
||||
base = {
|
||||
"peer-reviewed": 0.9,
|
||||
"preprint": 0.7,
|
||||
"government": 0.85,
|
||||
"industry-paid": 0.6,
|
||||
"blog": 0.4,
|
||||
"social": 0.2,
|
||||
}.get(source["type"], 0.3)
|
||||
age_yrs = 2026 - source["year"]
|
||||
decay = max(0.5, 1 - 0.05 * age_yrs)
|
||||
citations = min(1.0, source.get("citations", 0) / 100)
|
||||
return base * decay * (0.6 + 0.4 * citations)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 새 topic 빠른 overview | LLM survey + 매 5-10 review papers |
|
||||
| 매 medical / safety claim | Cochrane / systematic review only |
|
||||
| 매 market size estimation | Triangulate 3+ sources (Gartner + government + internal) |
|
||||
| 매 historical trend | Government/longitudinal data |
|
||||
| 매 cutting-edge tech | arXiv (acknowledge non-peer-reviewed) |
|
||||
|
||||
**기본값**: 매 source diversification — 매 single source 의 매 trust X. 매 triangulate ≥3.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Research Methodology]]
|
||||
- 응용: [[Literature Review]]
|
||||
- Adjacent: [[Knowledge Synthesis]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 abstract 의 매 relevance filter, 매 cross-paper synthesis, 매 lit review draft.
|
||||
**언제 X**: 매 LLM 의 매 hallucinated citations — 매 always 매 source verify.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Single-source bias**: 매 매 1 paper / 매 1 industry report 만 의 매 conclusion.
|
||||
- **Citation laundering**: 매 LLM 생성 citation 의 매 unverified copy-paste.
|
||||
- **Stale data**: 매 fast-moving field (LLM, crypto) 의 매 2-yr-old report 의 매 current 처럼 사용.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Cooper *Research Synthesis and Meta-Analysis* 5th ed; PRISMA 2020 guidelines).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Secondary Research 의 vs primary, source taxonomy, LLM lit-review pipeline, citation graph, trust scoring 정리 |
|
||||
Reference in New Issue
Block a user