Articles

2026.8.29Masahiro Taima

AIが変革する研究のあり方：AI時代の研究の対象・主体・制度・社会的意義

1. はじめに

数年前まで私は研究者をしていたのですが、ChatGPTやClaudeなどの汎用的な高性能AIの登場によって、当時の研究のあり方から大きく変わったと感じています。

ChatGPTなどの汎用的なAIの登場以降、研究業界は大きな影響を受けており、例えば、機械学習分野の最高峰会議NeurIPSへの投稿は、2020年の9,467件から2025年には21,575件へと5年で2倍以上に増加し (NeurIPS, 2025)、経営学の有力誌Organization Scienceでは、ChatGPT公開後に投稿が前年比42%増加したと報告されています (Organization Science編集部, 2026)。

ここでは、研究そのものに関する網羅的な整理（対象、主体、制度、社会的意義）を通じて、研究をいま一度、概観するとともに、AI時代によってどのような変革を求められるのか、論じます。

2. 研究の対象

2.1 研究の定義

研究開発統計の国際標準であるOECDのフラスカティ・マニュアルは、研究を「知識の蓄積を増やし、その知識を新たな応用に用いるために行われる、創造的かつ体系的な仕事」と定義しています (OECD, 2015)。同マニュアルは、ある活動が研究に該当するかを判定する5つの基準も定めており、これは分野を問わず使える線引きの道具になります。

  • 新規性（novel）：まだ知られていない知見の獲得を目指している

  • 創造性（creative）：自明でない、独自の概念や仮説に基づいている

  • 不確実性（uncertain）：結果（成果が出るか、コストや期間）が事前には確定していない

  • 体系性（systematic）：計画され、予算化され、記録が残る形で遂行される

  • 移転可能性・再現可能性（transferable / reproducible）：成果を他者に伝達でき、再現できる形にすることを目指している

この5基準の含意として、研究に見えて研究でない活動も明確になります。

  • 既に答えが存在することを調べる情報収集（それは学習・調査であり、本人にとって新しくても世界の知識は増えない）

  • ルーチンのデータ収集・品質管理・市場調査（体系的でも、新規性と創造性を欠く）

  • 既存製品の定型的な改良（不確実性が小さく、開発に分類される）

つまり、研究の定義とは、「世界にとって新しい知識が、検証可能な形で加わること」となります。

2.2 研究を構成する4つの行為

この定義を動作に分解すると、どの分野でも研究は次の4つの行為の組み合わせになります。

  • ① 問いを立てる

    • まだ答えがなく、答える価値のある問い（未解決であること、原理的に答えられること、答えが出ると何かが変わること）を特定する

    • 例：「タンパク質の立体構造はアミノ酸配列から計算だけで予測できるか」という、50年間未解決だったこの問いが、AlphaFold (Jumper et al., 2021) の出発点になりました

  • ② 答えの候補をつくる

    • 仮説・理論・モデル・人工物（アルゴリズムや装置）を構築する

    • 例：ワトソンとクリックによるDNA二重らせんの針金模型 (Watson & Crick, 1953) は、答えの候補の物理的な構築でした

  • ③ 検証する

    • 証拠・論証・実験によって、答えの確からしさを確かめる

    • 反証可能性 (Popper, 1959)：「どんな観察が得られればこの答えは否定されるか」を言えることが、検証可能な主張の条件

    • 例：一般相対性理論は「日食時に星の見かけの位置がずれるはず」という反証可能な予言を出し、観測 (Dyson, Eddington & Davidson, 1920) で生き残った

  • ④ 共有し、検証可能にする

    • 他者が追試・批判・再利用できる形で成果を公開する

    • 範囲：論文の出版だけでなく、データ・コード・実験手順の公開まで含む

これらの4つの行為は直線ではなくループであり、検証の失敗が新しい問いを生み、共有された成果への批判が次の仮説を生みます。

2.3 研究アプローチの3分類：研究目的による分類

ここでは、役割の異なる2つの分類を記載します。

古典的な3分類は、各国の研究統計・政府予算・企業の研究開発費会計で用いられ、すべてこの分類で記録されております。一方でこの分類は「基礎→応用→開発」という1次元の直線を暗黙に仮定しており、理解と実用を同時に追求する研究の置き場所がありません。

パスツールの象限は、この直線を2軸に分解して、研究をさらに正確に捉えるために用いられます。

  • 古典的な3分類 (OECD, 2015)

    • 基礎研究：応用を直接の目的としない知識の探求。例：DNAの二重らせん構造の解明、重力波の観測（発見の時点では用途を問わない知識の獲得）

    • 応用研究：特定の実用目標に向けた知識の探求。例：mRNA技術をワクチンとして機能させるための研究、特定のがんを標的とする創薬研究

    • 開発：知識を製品・プロセスに具体化する活動。例：mRNAワクチンの量産プロセスの確立、新型スマートフォンの設計・試作

  • パスツールの象限 (Stokes, 1997)：「根本原理の理解を目指すか」×「実用を意識するか」の2軸で4象限に分類

    • ボーア型：純粋な理解の探求。原理の理解を目指すが、実用を意識しない。例：ボーアの原子模型に代表される量子力学の建設、宇宙の起源を探る宇宙論、ヒッグス粒子の探索——用途を問わず「世界はどうなっているか」だけを追う

    • パスツール型：理解と実用を同時に追求。原理の理解を目指し、実用を意識する。例：パスツールは発酵や腐敗が「なぜ起きるか」を解明して微生物学という基礎分野を建設しながら、同時にワクチンと低温殺菌法という実用を生んだ。ベル研究所の固体物理研究（半導体の原理解明がそのままトランジスタの発明につながった）も同型。今日のAI研究は、知能の原理を理解しようとしながら巨大な産業応用を生んでおり、この象限の典型

    • エジソン型：純粋な実用の探求。原理の理解を目指さず、実用を意識する。例：エジソンは電球のフィラメント素材を数千通り試したが、白熱の物理原理の解明には関心を向けなかった。既存の原理の範囲で性能を追い込む製品改良研究の多くがここに入る

    • 第4象限：特定の現象の体系的な観察・記録。原理の理解を目指さず、実用を意識しない。例：ストークス自身が挙げたのは、ピーターソンの鳥類図鑑に代表される博物学的な観察・分類。理論の構築も実用も直接は目指さないが、後の研究の土台となるデータを蓄積する

2.4 研究アプローチの3分類：研究方法による分類

全ての研究は3つの推論様式（演繹・帰納・アブダクション）によって実施されます。推論は、次の3つの要素の組み合わせとして書けます (Peirce, 1878)。

  • Rule：「AならばBになる」という一般的なつながり。豆の例：「この袋から取った豆なら、白い」。

  • Case：個別の対象がその法則の入口側（A）にあるという事実。豆の例：「この豆はこの袋から取られた」。つまり白い理由・由来。

  • Result：個別の対象の出口側（B）に実際に現れていること。豆の例：「この豆は白い」。つまり目に見えている事実。

3つの推論様式の違いは、この3要素のうちどの2つを材料に、残りのどれを導くかです。

  • 演繹：Rule＋Caseから「Result」を導く

    • 豆の袋の例：この袋の豆はすべて白い（Rule）＋この豆はこの袋から取った（Case）→この豆は白い（Result）

    • 例：一般相対性理論（Rule）から「水星の近日点移動」の観測値（Result）を数学的に導出する。ユークリッド幾何学の公理（Rule）から定理を証明する

  • 帰納：Case＋Resultから「Rule」を導く

    • 豆の袋の例：この袋から取った豆（Case）がどれも白い（Result）→この袋の豆はすべて白いのだろう（Rule）

    • 例：ティコ・ブラーエの膨大な天体観測（CaseとResultの蓄積）から、ケプラーが惑星運動の3法則（Rule）を導いた。機械学習によるパターン発見はこの現代版

  • アブダクション：Rule＋Resultから「Case」を導く

    • 豆の袋の例：この袋の豆はすべて白い（Rule）＋机の上に白い豆がある（Result）→この豆はあの袋から取られたのではないか（Caseの仮説）

    • 例：天王星の軌道が計算とずれる（Result）を万有引力の法則（Rule）と突き合わせ、「未知の惑星が引力を及ぼしている」というCaseの仮説を立てて、海王星の発見に至った。ペニシリンの発見も、「カビの周囲だけ細菌が死んでいる（Result）」を説明するCaseの仮説から始まった

研究では、3つの推論は分業しながら活用されます。アブダクションでCaseの仮説を発明し、演繹でその仮説から検証可能なResult（予言）を導き、帰納で観察を積み上げてRuleとして確立します。研究はこの循環で進みます。

これまで、科学では5つのパラダイム (Gray, 2009) を経てきましたが、それは、3つの推論を順番に道具へ変換（機械化）してきた歴史です。

  • 第1パラダイム（実験・観察科学）：自然を観察・実験し、経験から法則を見出す（数千年の歴史）

    • 3推論すべてを人間が手作業で回す（軸足は帰納）

    • アブダクション（手作業）：ダーウィンの進化仮説では、生物は環境に適応した形質を持つ（Rule）＋島ごとにフィンチの嘴の形が違う（Result）→各島の環境に応じて種が分化してきたのではないか（Case）ということを導いた。

    • 演繹（手作業）：メンデルの実験設計では、遺伝は粒子的に伝わり優性・劣性がある（Rule）＋この交配は純系同士の掛け合わせの第二世代である（Case）→形質は3:1に分離するはず（Result）ということを導いた。

    • 帰納（手作業）：ガリレオの落体の法則では、さまざまな重さの球を落とす各試行（Case）＋どの試行でも落下の仕方は重さによらなかった（Result）→落体の運動は重さによらない（Rule）ということを導いた。

  • 第2パラダイム（理論科学）：数理モデルと演繹で現象を説明・予測する（17世紀〜）

    • 演繹が主役になる。

    • アブダクション（手作業）：ニュートンの万有引力では、物体は力を受けると運動の向きを変える（Rule）＋リンゴは落ち、月は地球を回り続ける（Result）→月もリンゴも、地球からの同じ引力を受けているのではないか（Case）ということを導いた。

    • 演繹（手作業）：アインシュタインの予言では、一般相対性理論「質量は時空を曲げる」（Rule）＋日食時に星の光が大質量の太陽のすぐそばを通る（Case）→星の見かけの位置が1.75秒角ずれるはず（Result）ということを導いた。

    • 帰納（手作業）：各地の日食観測や水星軌道の測定という各検証機会（Case）＋いずれも予言と一致した（Result）→一般相対性理論を確立した法則として受け入れる（Rule）ということを導いた。

  • 第3パラダイム（計算科学）：解析的に解けない複雑系をシミュレーションで扱う（20世紀後半〜）

    • 演繹の機械化。解析的に解けない規模の演繹をコンピュータが代行する。

    • Rule（方程式）＋Case（初期条件）→Result（数値解）という演繹の実行を、解析的に解けない規模でコンピュータが代行する

    • 演繹（機械化）：気候モデルでは、大気・海洋の物理法則の方程式（Rule）＋現在の大気の状態という初期条件（Case）→100年後の気温分布の数値解（Result）を導いた。

    • アブダクション（手作業）：気候モデルの改良では、既知の物理法則を組み込んだモデル（Rule）＋計算した気温が観測とずれる（Result）→エアロゾルの冷却効果がモデルに欠けているのではないか（Case）ということを導いた。

    • 帰納（手作業）：過去の初期条件からの計算（Case）＋観測された過去の気候記録（Result）→観測に最も合うパラメータ値へのモデルの精緻化（Rule）を導いた。

  • 第4パラダイム（データ駆動型科学）：大規模データから統計的・機械学習的にパターンを発見する（2000年代〜）

    • 帰納の機械化。大量のCaseとResultの組からRule（パターン）を抽出する帰納を、統計と機械学習が代行する。

    • 帰納（機械化）：GWASでは、数十万人それぞれのゲノム（Case）＋各人の疾患の有無（Result）→特定の遺伝子変異と疾患の関連というパターン（Rule）を導いた。

    • 演繹（機械化）：学習済みモデルによる予測では、学習で得たパターン（Rule）＋新しい患者のゲノム（Case）→その患者の発症リスクの予測（Result）を導いた。

    • アブダクション（手作業）：機構の解明では、変異と疾患の相関（Rule）＋患者組織での遺伝子発現の観察（Result）→この変異がこの仕組みで疾患を引き起こすのではないか（Case）ということを導いた。

    • 「機械的な帰納によってデータ（CaseとResult）から相関（Rule）は大量に出るが、説明（CaseとResultのプロセス）が追いつかない」ことが第4パラダイムの課題になった。

    • 例えば、2007年、数十万人のゲノム（Case）と各人が肥満かどうか（Result）というデータから、「FTO領域に変異がある人は肥満になりやすい」という相関（Rule）が得られた。しかし、この相関と目の前の肥満から、「変異がどんな仕組みで肥満を引き起こすのか」という見えない原因を導く部分が8年間埋まらなかった（アブダクションは手作業だった）。2015年にFTO領域の変異はIRX3/IRX5の発現を変えて、脂肪細胞の熱産生を落としていることがわかった。

    • CaseとResultは連鎖しており（例：Case 1→Result1=Case2→Result2=Case3→Result3・・・）、その連鎖を解き明かすことがRuleの説明となる。例えば、FTOでの連鎖は、Case1=FTO領域の変異 → Result1=IRX3/IRX5の発現上昇（=Case2）→ Result2=脂肪前駆細胞が熱産生型ではなく蓄積型に分化（=Case3）→ Result3=エネルギー消費の低下（=Case4）→ Result4=脂肪の蓄積（=Case5）→ Result5=肥満、となります。GWASが見つけたのは両端（Case1とResult5）を直結する粗いRuleだけで、「説明する」とはこの中間のCase/Resultの連なりを埋め、各リンクを既知のRule（エンハンサーは遺伝子発現を変える、発現の変化は細胞分化を変える、など）に接地させることです。中間のCase/Result（発現量や細胞状態など）がデータに観測されておらず、新しい実験をしないと見えないため、外側の相関の発見速度に中間の解明速度が手作業のため追いつかないということが課題でした。

  • 第5パラダイム（AI駆動型科学）：仮説生成から実験設計・実行・解釈までの研究ループ自体をAIが回す (Microsoft Research, 2022; Leng et al., 2023)

    • アブダクションを含む3推論すべての機械化。

    • アブダクション（機械化）：AIによる仮説生成では、文献にある既知の法則群（Rule）＋未説明の実験データ（Result）→新しい機構仮説（Case）をAIが提案する。例：GoogleのAI co-scientist（2025年）は、細菌の遺伝子伝達に関する未解決問題に対して、実験結果と一致する機構仮説を自ら提案している (Gottweis et al., 2025)。

    • 演繹（機械化）：AlphaFoldの構造予測では、学習した「配列→構造」の対応則（Rule）＋あるタンパク質のアミノ酸配列（Case）→そのタンパク質の立体構造の予測（Result）を導いた。

    • 帰納（機械化）：AlphaFoldの学習では、数十万件のアミノ酸配列（Case）＋実験で決定された立体構造（Result）→配列と構造の対応則（Rule）を導いた。

2.5 研究アプローチの3分類：研究成果による分類

研究成果のタイプ（どのような知識を加えるか）によって分類できます。

  • 新しい理論：現象の新しい説明枠組み

    • 例：特殊相対性理論 (Einstein, 1905)、DNA二重らせんモデル (Watson & Crick, 1953)、情報の非対称性による市場の失敗を示した「レモン市場」(Akerlof, 1970)

  • 新しい方法：測定・分析・構築の新しい手段

    • 例：DNA断片を増幅するPCR法 (Mullis & Faloona, 1987)、ゲノム編集のCRISPR-Cas9 (Jinek et al., 2012)、生成AIの基盤となったTransformer (Vaswani et al., 2017)

  • 新しい証拠：既存理論を支持または反証する実証

    • 例：一般相対性理論を日食観測で検証した研究 (Dyson, Eddington & Davidson, 1920)、喫煙と肺がんの関連を示した疫学研究 (Doll & Hill, 1950)、重力波の初の直接観測 (Abbott et al., 2016)

  • 新しい人工物：システム、データセット、ベンチマーク

    • 例：深層学習ブームの土台となった画像データセットImageNet (Deng et al., 2009)、2億超のタンパク質立体構造を公開したAlphaFold Protein Structure Database (Jumper et al., 2021)

  • 統合：サーベイ、メタ分析、システマティックレビュー

    • 例：「メタ分析」という手法自体を確立した心理療法の効果の統合研究 (Smith & Glass, 1977)、各国の気候研究を統合し政策の共通土台を作るIPCC評価報告書

  • 再現・追試：既存の発見が独立に再現されるかの検証

    • 例：心理学の著名研究100本を組織的に追試し、有意な再現は約36%にとどまることを示した大規模プロジェクト (Open Science Collaboration, 2015)、Nature・Science掲載の社会科学研究21本の追試 (Camerer et al., 2018)

3. 研究の主体

3.1 研究の主体の変遷

時代とともに、研究活動の中心的な主体も変化してきました。

  • 19世紀まで：個人とパトロン　貴族の余技や、王侯・教会の庇護のもとでの研究が中心

    • 例（研究者）：ガリレオはメディチ家の庇護を受け、発見した木星の衛星を「メディチ星」と命名して返礼した。キャヴェンディッシュは貴族の私財で水素の発見や地球の密度測定を行い、ダーウィンも私財で研究した「ジェントルマン科学者」だった

    • 例（パトロン）：ティコ・ブラーエはデンマーク王から島と資金を与えられ、当時世界最高の天文台を建設した

  • 19世紀〜：大学　フンボルト型大学が研究を職業化し、大学が知識生産の中心に

    • 例（研究機関）：リービッヒのギーセン大学研究室は、学生を実験に参加させる近代的な研究室教育を発明して化学者を量産した。ケンブリッジ大学キャヴェンディッシュ研究所（1874年設立）は、初代所長マクスウェル以降、J.J.トムソン（電子の発見）、ラザフォード（原子核の発見）を輩出した

    • 例（研究者）：パスツール、コッホなど、大学・研究所に籍を置く「職業としての研究者」がこの時代に標準となった

  • 20世紀前半〜中盤：企業中央研究所と政府

    • 例（企業）：ベル研究所（ショックレーらのトランジスタ、シャノンの情報理論——複数のノーベル賞を輩出）、Xerox PARC（GUIとイーサネットの発明）、デュポン（カロザースのナイロン）、GE研究所

    • 例（政府）：マンハッタン計画（オッペンハイマー率いるロスアラモス国立研究所）、NASAのアポロ計画、CERNの設立（1954年）——政府主導のビッグサイエンスが拡大した

  • 20世紀末：企業中央研究所の縮小と分業化　短期収益圧力で基礎研究から撤退が進み、「大学が基礎を担い、ベンチャーが事業化する」分業へ（米国では大学の特許取得を認めたバイドール法（1980年）が後押し）

    • 例（縮小の象徴）：AT&T分割後のベル研究所の衰退。Xerox PARCの発明が自社ではなくAppleなどで商業化された「取り逃がし」は、中央研究所モデルの限界の象徴とされる

    • 例（大学発ベンチャー）：UCSFのボイヤーらが設立したGenentech（1976年）がバイオベンチャーの原型となり、スタンフォード大学の学生だったペイジとブリンがGoogle（1998年）を創業した

  • 現在：スタートアップ・新興研究組織の台頭　新興研究組織とは、大学でも政府機関でも従来型企業でもない新形態の研究組織の総称

    • 例（研究特化型スタートアップ）：OpenAI・Anthropic（AI）、SpaceX（宇宙）、Moderna・BioNTech（mRNA）。特にAIでは、創業から日の浅い組織が最先端研究そのものをリードする

    • 例（新型の非営利）：特定の科学的ボトルネックだけを解いて解散する時限組織FRO、研究者への長期無条件資金でグラント申請を不要にするArc Institute

近年は、スタートアップ・新興研究組織が台頭することで以下の傾向が進んでいます。

  • 企業・スタートアップが研究をリードする

    • AI分野では、注目すべきAIモデルの約9割が産業界から生まれている (Stanford HAI, 2025)。フロンティア研究の主導権は、大学からOpenAI、Anthropic、Google DeepMindといった組織へ移った。

    • SpaceXは再使用ロケットの実現によって、国家宇宙機関が半世紀担ってきた打ち上げ領域のコスト構造を桁で塗り替えた。

    • ModernaとBioNTechは、mRNAという長年未確立だった技術に集中投資し、COVID-19ワクチンを史上最速で実現した

    • 計算資源・データ・資本の必要規模が大学の調達能力を超えた。基盤モデルの訓練には数百億円規模の投資が必要で、これは従来の政府グラントの世界とは桁が違う

    • 主要国では研究開発費の約7割を企業部門が負担しており、巨大テック企業1社のR&D予算が多くの国の政府研究予算を上回る

    • FRO（Focused Research Organization）や非営利研究所（例：Arc Institute）など、大学でも従来型企業でもない研究組織の実験も活発化している

  • オープン・クローズの選択的設計が進んでいる

    • 研究の中心が企業・スタートアップに移るほど、科学のエートス（公開の規範。後述）と企業の競争論理（クローズ化）の緊張が大きくなる

    • 最先端モデルの技術詳細が論文として公開されないケースが増加している。「プレプリントすら出ない」研究成果が拡大する。

    • オープン・クローズの選択的設計は、もはや企業戦略の問題にとどまらず、研究システム全体の知識共有をどう守るかという制度問題になっている

3.2 研究の主体の特徴の比較

現在の主要な研究主体を、以下の4つの観点で比較します。

  • 資金源：誰の資金で研究するか、規模はどの程度か

  • 研究の重心：基礎と応用のどちらに軸足があるか

  • 速さ：意思決定と研究サイクルの機動力

  • 公開性：成果をどこまで開くか

この4観点で、6つの主体を比較します。

  • 大学

    • MIT、スタンフォード大学、オックスフォード大学など

    • 強みは人材育成と研究の一体化、長期的で自由な問いの追求。制約は資金規模で、大型計算資源・設備の調達力が企業に見劣りする

    • 資金源：政府の競争的資金・運営費交付金、寄付。1件あたりの規模は小さい

    • 研究の重心：基礎研究の中心地。全分野をカバーする唯一の主体

    • 速さ：遅め（グラント獲得のサイクルと教育との兼務に律速される）

    • 公開性：最も高い。論文公開自体が使命であり業績

  • 国立研究機関・政府系ラボ

    • NIH（米国立衛生研究所）、CERN、NASA、ロスアラモス国立研究所など

    • 強みは大学には持てない巨大インフラ（加速器、スパコン、大型望遠鏡）と数十年単位の継続観測。制約は機動力の低さと政治サイクルの影響

    • 資金源：政府予算。安定的かつ大型

    • 研究の重心：基礎〜応用。国家的ミッション（安全保障、公衆衛生、標準策定）を担う

    • 速さ：平時は遅い（官僚制）が、国家的優先課題では圧倒的な集中力を発揮する（例：マンハッタン計画型の動員）

    • 公開性：高い（ただし安全保障・機微領域は機密化される）

  • 大企業の研究所

    • ベル研究所、Google Research、Microsoft Research、IBM Researchなど

    • 強みは研究から製品への垂直統合と、データ・設備のスケール。制約は短期収益圧力で、基礎研究から撤退しがち（中央研究所縮小の歴史が示すとおり）

    • 資金源：自社収益。景気と経営方針に連動する

    • 研究の重心：応用中心＋選択的な基礎（外部の科学を取り込む吸収能力の維持が目的。後述）

    • 速さ：速い（資金の意思決定が組織内で完結する）

    • 公開性：選択的。売るもの（代替財）は閉じ、利用を促すもの（補完財）は開く

  • スタートアップ・新興研究企業

    • OpenAI、Anthropic、SpaceX、Modernaなど

    • 強みは一点集中による突破力。AIのフロンティア研究を主導するだけでなく、SpaceXは国家宇宙機関が独占してきた領域を再使用ロケットで突破し、ModernaはmRNAという未確立技術をワクチンとして実用化した。制約は資金枯渇リスクと短い時間軸で、失敗すると知見ごと散逸しやすい

    • 資金源：ベンチャーキャピタル・大型投資家。リスクマネーが巨額かつ一点に集中する

    • 研究の重心：応用〜パスツール型。単一ミッションに研究資源を全振りする

    • 速さ：最速。意思決定が数日単位で、締切もグラントサイクルもない

    • 公開性：戦略的に変化する（初期は人材獲得のためオープン、優位確立後はクローズ化する傾向）

  • 非営利・私立研究機関／財団

    • ハワード・ヒューズ医学研究所、Allen Institute、Arc Instituteなど

    • 強みはグラント制度に縛られない長期・ハイリスク研究（「プロジェクトではなく人に投資する」HHMI型モデル）。制約は規模の限界と、資金提供者の意向への依存

    • 資金源：財団基金・寄付。政府より自由で、企業より長期

    • 研究の重心：基礎〜ハイリスク領域。政府グラントが採らないリスクを取るのが存在意義

    • 速さ：中〜速（官僚制が薄い）

    • 公開性：高い（公共財としてのデータベース・ツール提供を使命とすることが多い。例：Allen Brain Atlas）

  • 個人研究者・市民科学者

    • 在野・独立研究者、市民科学プロジェクト参加者など

    • 強みは制度に縛られない自由な問い（数学、アマチュア天文学の彗星発見、OSSへの貢献など実績は多い）。制約は資金・設備と、所属による信用シグナルの欠如。

    • 資金源：自己資金、クラウドファンディング、小規模助成

    • 研究の重心：理論、観察、データ解析など、資本装備の軽い領域

    • 速さ：最速（組織的な調整が一切不要）

    • 公開性：高い（プレプリント、ブログ、OSSで直接公開）

4観点を通すと、「資金の性質（誰の資金か）」が、時間軸・研究の重心・公開性をほぼ決めていることがわかります。政府の資金は長期・基礎・公開へ、市場の資金は短期・応用・選択的公開へ、財団の資金はその中間のハイリスク領域へ向かうという傾向です。

3.3 研究者の評価とキャリア

研究者の評価（採用・昇進・研究費配分を決定する仕組み）と、キャリアの実態を整理します。

  • 研究者は何で評価されてきたか

    • 業績の量と質：論文数、被引用数、h指数（生産性と影響力の複合指標）、掲載媒体の格（インパクトファクターやトップ会議への採択）

    • 資金獲得：競争的研究費（グラント）の獲得実績。研究室運営の生命線であり、それ自体が業績として評価される

    • コミュニティへの貢献：学生の指導、査読、学会運営。重要だが定量指標に表れにくく、過小評価されがち

    • 課題として、指標依存の副作用として、「出版せよ、さもなくば滅びよ（publish or perish）」の圧力、成果の細切れ出版（サラミ出版）、インパクトファクター偏重が常態化。指標偏重を見直すDORA宣言（2013年）のような国際的な反省も制度化されつつある

  • キャリアの標準形と構造問題

    • 標準形としては、博士号取得→ポスドク（任期付研究員）→テニュアトラック（終身在職権の審査期間）→テニュア獲得→PI（研究室主宰者）

    • 構造問題としては、ポストの数が博士号取得者の増加に追いついていない。ポスドクの長期化・不安定化が世界的に進み、テニュア獲得は狭き門になっている

    • 上記のような博士人材の多数派にとって、アカデミアの外（企業・政府・スタートアップ）が徐々にキャリアの標準になりつつある

  • 産業界への人材シフトと報酬格差

    • AI分野では博士号取得者の約7割が産業界へ進む（20年前は2割程度で、比率が逆転した）

    • トップAI研究者には、スタートアップや巨大テックから年数億円規模の報酬が提示され、報道では契約総額数十億円規模のオファーも伝えられる（例：Metaの超知能ラボ設立に伴う引き抜き合戦）(CNBC, 2025)。大学教員の給与とは桁が2つ違う水準となる。

    • 優秀な研究者・研究チームの獲得が企業買収の代替になる「アクハイア（人材獲得目的の買収）」も一般化。研究チームごと移籍する事例も相次いでいる。

    • 大学への影響として、大学は「人材を訓練するが、維持はできない」機関になりつつあり、次世代を育てる教員層の空洞化が懸念される。一方で、産業界での研究経験が大学に還流する「回転ドア」型の流動も生まれている

4. 研究の制度

4.1 研究の共有

学術研究の歴史は、先述の研究を構成する4つの行為のうちの第4の行為「共有」を支える制度の発明史として読むことができます。研究の共有制度は以下の歴史をたどっています。

  • 前史：秘匿の時代（〜17世紀）

    • 構造的な問題：発見を公開しても利益がなく、盗用される損失だけがあった。合理的な学者ほど発見を隠した

    • 例：ガリレオは天文学上の発見をアナグラム（文字の並べ替え暗号）で記録し、フックはバネの法則を「ceiiinosssttuv」という暗号で公表した（後に「ut tensio, sic vis（伸びに応じて力あり）」と解読を明かした）

    • 例：錬金術の伝統では、成果を隠語と暗号で秘匿するのが標準だった

  • 17世紀：学術誌と優先権ルールの発明

    • 印刷術が普及したことで、1660年設立のロンドン王立協会が、1665年に『Philosophical Transactions』を創刊。同じ年にパリでも『Journal des sçavans』が創刊され、学術誌という形式が生まれた

    • 発見を秘匿するのではなく、公開することで優先権（発見を独占させない代わりに名前を残させる。最初に見つけた人としての名誉を与える。）が認められる、というルールの確立。知識を隠すインセンティブが、共有するインセンティブへ反転した

    • このとき学術誌が獲得した機能は4つあり、今日までそのまま生きている：登録（いつ誰が発見したかの公式記録＝優先権の保証）、認証（内容の確からしさの保証）、周知（コミュニティへの伝達）、保存（後世のためのアーカイブ）

  • 19世紀：職業化と専門分化

    • 1810年のベルリン大学に始まるフンボルト型大学が「教育と研究の一体化」を掲げ、研究を余技（趣味やたしなみ）から職業に変えた

    • 学問の専門分化に伴い、総合的な学会誌から専門学会・専門誌が分かれ、博士号（PhD）とゼミナール方式が研究者養成の標準になった

    • このドイツ・モデルは米国（ジョンズ・ホプキンス大学など）へ輸出され、現在の研究大学の原型となった

  • 20世紀：公的資金と査読の制度化

    • ヴァネヴァー・ブッシュの報告書『科学——果てしなきフロンティア』(Bush, 1945) を契機に、政府による大規模な研究資金供給と、NSF・NIHのような資金配分機関が定着した

    • 体系的な査読（ピアレビュー）が学術誌全般に普及したのは、20世紀半ば以降であり、投稿数の増加と専門分化によって編集者個人の判断が限界を迎え、外部専門家による分業的審査へ移行した

    • 例：1936年、Physical Review誌がアインシュタインの投稿論文を外部査読に回したところ、彼は「他人に見せることを許可していない」と抗議して論文を取り下げた。当時の一流物理学者にとってすら、査読はまだ新奇な仕組みだった。

  • 20世紀末〜現在：デジタル化による共有の拡張

    • デジタル化が進んだことで、1991年開設のarXivによってプレプリントが物理学の標準になり、2000年代のオープンアクセス運動が「読者が無料で読める」出版モデルを広げた

    • DOIによる恒久的な識別、データ・コード公開の一般化など、「共有」の単位が論文からデータ・コード・モデルへと拡大している

この共有制度の歴史が生み出した最大の資産が、国境を越えた協調領域としての科学であり、規範と制度という2つの層に支えられています。

  • 規範の層：科学のエートス・価値観 (Merton, 1942)

    • 公有性：成果は共同体の共有財産

    • 普遍主義：業績は国籍や地位ではなく内容で評価

    • 利害の超越：個人的利害から独立に真理を追求

    • 系統的懐疑主義：いかなる主張も組織的な検証にさらされる

    • これらが本章で見た「公開が業績になる」優先権ルールと組み合わさり、国境を越えた知識共有に実効性を与えた

  • 制度の層：国際協調の仕組み

    • 査読の国際的な相互扶助：他国の研究者が無償で審査

    • 国際共著・国際大型プロジェクトの拡大：CERN、ITER、ヒトゲノム計画

    • 例：ヒトゲノム計画の「バミューダ原則」（1996年）は、解読したDNA配列を24時間以内に公開するルール。競争前段階（プリコンペティティブ）の知識基盤を意図的に人類の共有地として設計した金字塔

    • 基礎的な知識基盤は企業・政府・個人など全てのステークホルダーの補完財であり、共有地にする合理性がある

4.2 研究の評価方法

学術誌・国際会議の査読基準（研究の評価方法）は、分野や媒体によって表現は異なりますが共通しており、次の5点に集約されます。

  • 新規性（novelty / originality）：既存の知識に対して何が新しいのか

  • 重要性（significance）：その新しさは、分野あるいは社会にとってどれだけ意味があるのか

  • 健全性（soundness / rigor）：主張は方法と証拠によって適切に支持されているか

  • 明瞭性（clarity）：読者が理解し、検証できるように書かれているか

  • 適合性（fit）：その媒体の読者と目的に合っているか

しかし、この5基準には課題があり、新規性ペナルティ（49誌・2万件超の査読データを分析した研究。Teplitskiy et al., 2022）と言われるように、学術誌は新規性の高い研究を求めているにも関わらず、新規性の高い論文ほど査読者から厳しい評価を受ける傾向があります。新規性の高い研究は既存の評価の物差しが通用せず、査読者の理解・検証コストが高いため、リスク回避的な評価が働き、後にノーベル賞を受賞した研究が一流誌にリジェクトされた逸話は多数あります。

4.3 発表チャネルの種類

研究の第4の行為「共有」には、複数のチャネルがあり、次の6つの観点で比較します。

  • 審査（正確性の担保）：誰が、どの程度の強さで内容をチェックするか

  • 速度：成果が完成してから公開されるまでの時間

  • コスト：著者側の金銭的・労力的な負担

  • 到達範囲・アクセス：誰に、どれだけ開かれた形で届くか

  • 業績評価：研究者のキャリア・採用・昇進でどう扱われるか

  • 保存性・引用可能性：確定版として恒久的に残り、引用の対象になるか

この6観点で、主要な6チャネルを比較します。

  • 査読付き学術誌（ジャーナル）

    • Nature、Science、PNAS、American Economic Reviewなど

    • 審査：外部専門家による体系的な査読。6チャネル中で最も強い品質保証

    • 速度：遅い（投稿から掲載まで数ヶ月〜数年）

    • コスト：購読誌は投稿無料（読者側が負担）。オープンアクセス誌は掲載料（APC）として数十万円規模の著者負担

    • 到達範囲：購読契約・図書館経由が中心。オープンアクセス誌なら誰でも読める

    • 業績評価：医学・自然科学・社会科学の多くで最重要

    • 保存性：「確定版（version of record）」としてDOI付きで恒久保存される

  • 国際会議（査読付きプロシーディングス）

    • NeurIPS、ICML、ACLなど

    • 審査：査読あり。採択率（おおむね20〜30%）による選別自体が品質シグナル。ただし1本あたりの審査は学術誌より軽く、冒頭で見た査読逼迫が最も先鋭化しているチャネルでもある

    • 速度：速い（投稿から発表まで数ヶ月。締切駆動）

    • コスト：参加登録費・渡航費の著者負担が大きい

    • 到達範囲：プロシーディングス公開に加え、発表・議論による同業者への直接到達

    • 業績評価：計算機科学では学術誌と同等以上。他の多くの分野では補助的で、業績の本体は学術誌論文

    • 保存性：プロシーディングスとしてDOI付きで保存される

  • プレプリント

    • arXiv、bioRxiv、SSRNなど

    • 審査：なし（形式チェックのみ）。正確性の担保は読む側の検証能力に委ねられる

    • 速度：最速（即日〜数日）

    • コスト：無料

    • 到達範囲：誰でも無料で読める。6チャネル中で最も開かれている

    • 業績評価：優先権の証明にはなるが、業績としては暫定的（物理学・AIでは標準、他分野では分野差が大きい）。例：Transformer論文 (Vaswani et al., 2017) をはじめ、AI研究は事実上プレプリント駆動

    • 保存性：恒久保存・DOI付与はあるが、査読を経た「確定版」ではない

  • 書籍・モノグラフ

    • 『パスツールの象限』(Stokes, 1997)、ピケティ『21世紀の資本』など

    • 審査：出版社の編集者と外部レビュアーによる（査読より緩やかで、基準は多様）

    • 速度：最も遅い（執筆・出版に数年）

    • コスト：執筆労力が6チャネル中で最大。学術書は出版助成が必要な場合もある

    • 到達範囲：研究者以外の一般読者にも届くほぼ唯一のチャネル

    • 業績評価：人文社会系では最重要、理系では補助的

    • 保存性：数十年単位で読み継がれ、影響が最も長く持続する

  • 大学アーカイブ・機関リポジトリ・学位論文

    • スタンフォード大学研究アーカイブ、ハーバード大学研究アーカイブなど

    • 審査：学位論文は審査委員会の審査あり。テクニカルレポートは内部確認のみ

    • 速度：速い（大学の手続きのみ）

    • コスト：無料（大学が運営）

    • 到達範囲：誰でもアクセス可能だが、検索・発見されにくい

    • 業績評価：それ自体は業績になりにくい（ただし学位論文は研究者資格の必須要件）。例：Google検索の基盤となったPageRankはスタンフォード大学のテクニカルレポートとして公開され、歴史的貢献となった (Page et al., 1999)

    • 保存性：大学が恒久保存する（グリーン・オープンアクセスの経路）

  • データ・コード・モデルの公開

    • GitHub、Zenodo、Hugging Faceなど

    • 審査：基本的になし（近年、査読付きの「データ論文」という形態も登場）

    • 速度：即日

    • コスト：無料〜低額

    • 到達範囲：再利用されることで広がる。例：ImageNet (Deng et al., 2009) やAlphaFold Protein Structure Database (Jumper et al., 2021) は、多くの論文を上回る引用と利用を生んでいる

    • 業績評価：独立した貢献としての地位が上昇中だが、制度化は途上

    • 保存性：DOI付与が一般化しつつあるが、リンク切れや保守停止のリスクが残る

6観点を通して見ると、チャネル選択の本質はトレードオフです。

  • 審査の強さと速度は反比例する：品質保証が強いチャネルほど遅い（学術誌・書籍）、速いチャネルほど検証は読者任せ（プレプリント・データ公開）

  • 業績評価の重みは分野の慣行で決まる：同じチャネルでも、計算機科学（会議）、人文社会系（書籍）、医学・自然科学（学術誌）で重みが逆転する

  • 実務では組み合わせる：単一チャネルではなく、プレプリントで速く共有→学術誌・会議で認証→データ・コードで検証可能性を担保、という組み合わせが標準形になりつつある

また、分野ごとに重視される発表チャネルは異なります。それは、分野の知識の性質と、チャネルの特性（審査の強さ・速度・容量）との適合で説明できます。次の4つの要素で重視される発表チャネルは決まります。

① 知識の単位の大きさ

  • 医学・自然科学：貢献の単位は「一つの実験・一つの発見」で、論文1本にちょうど収まる→学術誌が自然な器になる

  • 人文社会系：貢献の単位は解釈の体系や歴史の叙述で、論文の分量には収まらない。数百ページの構造物として初めて説得力を持つ→書籍が自然な器になる

  • 計算機科学：進歩の刻みが細かく速く、短い論文を高頻度で出す様式が合う→会議が自然な器になる

② 分野の変化速度

  • 計算機科学：技術の陳腐化が速く、学術誌の1〜2年の査読サイクルを待つと成果が古くなる→数ヶ月で世に出る締切駆動の会議が速度要求に適合

  • 人文社会系：知見の陳腐化が遅く、数十年読まれることが価値→出版に数年かかる書籍の遅さが欠点にならない

③ 誤りの社会的コスト

  • 医学：誤った知見が治療・人命に直結する→最も審査の強い学術誌（体系的査読、統計審査、利益相反開示）が業績の標準であり続ける。速報性への要求は、NatureやPhysical Review Lettersのようなレター誌が担う分業になっている

④ 歴史的な経路依存

  • 計算機科学：1970〜80年代に計算機科学が急成長し、この若い分野には権威ある学術誌の階層がまだなく、ACM・IEEEの会議が先に「厳格な査読＋採択率による選別＋プロシーディングス出版」という業績インフラを確立した。一度、採用・昇進の評価が「トップ会議に何本」で回り始めると、研究者は最良の成果を会議に出し、会議の権威がさらに上がるという自己強化が働く

  • 医学・自然科学：350年の学術誌インフラ（とインパクトファクターのような評価装置）が続いている

5. 研究の活用

5.1 研究は社会の需要によって発展する

研究の発展は、知的好奇心という供給側の力だけでは説明できません。経済学では「技術推進（technology-push）」と「需要牽引（demand-pull）」という古典的な整理があり (Mowery & Rosenberg, 1979)、歴史を振り返ると、大きな需要、特に戦争と社会課題にリンクした領域ほど、資金・人材・論文量が集中し、発展が速かったことがわかります。

  • 戦争・安全保障という需要

    • 第二次世界大戦では、マンハッタン計画が物理学に、レーダー開発が電子工学に、暗号解読（チューリングらの仕事）が計算機科学の誕生に、それぞれ空前の資源と人材を注ぎ込んだ

    • 冷戦期には、スプートニク・ショックを機にNASAとARPA（現DARPA）が設立され、ARPANETがインターネットに、軍事測位システムがGPSに発展した

    • 第二次世界大戦の戦時R&D（OSRD）投資を多く受けた地域・技術分野ほど、戦後数十年にわたり発明活動が増加し続けたことが実証されている (Gross & Sampat, 2023)。また政府の防衛R&Dは民間R&D投資を締め出すのではなく誘発（クラウドイン）し、産業の生産性を高めることも示されている (Moretti, Steinwender & Van Reenen, 2025)

    • ブッシュ報告書 (Bush, 1945) 自体が戦時研究の成功体験の制度化であり、戦後の政府資金による研究システムは「戦争が作った仕組み」の平時への移植だった

  • 社会課題という需要

    • COVID-19では研究資源が一斉に感染症へ集中し、通常10年かかるワクチン開発が1年未満に圧縮された。関連論文も爆発的に増え、生物医学系プレプリントの急拡大を招いた (Fraser et al., 2021)

    • ニクソン政権の「がん戦争」（1971年）、エイズ研究、気候変動研究（IPCCに集約される膨大な論文群）など、大きな社会課題は、その領域に資金・人材・論文量を引き寄せる。NIHの疾患別資金配分が疾病負荷（社会的な病気の重さ）とある程度連動していることも実証されている (Gillum et al., 2011)

  • 需要と研究量の関係

    • 資金が流れる領域では研究者数と論文数が増える。研究の方向性は純粋な知的関心だけでなく、社会の優先順位（資金配分）によって決まる。実際、研究者は使途を指定されたグラントに反応して研究テーマを移動させることが、NIHの公募データから実証されている (Myers, 2020)。COVID-19でも科学界全体の論文の相当部分が短期間で感染症研究へ転換した (Hill et al., 2025)

    • 需要駆動は成果を速める一方、流行領域への過度な集中（研究の画一化）と、目立った需要のない基礎領域の過少投資という歪みも生む。数百万本の生医学論文の分析でも、研究者は既に確立した流行トピックに集中し、リスクのある新領域を避ける保守的な戦略が支配的であることが示されている (Foster, Rzhetsky & Evans, 2015)。

    • また自分の専門から離れたテーマへ転換（ピボット）した研究は影響力が下がる「ピボット・ペナルティ」も確認されており、需要への急転換にはコストが伴う (Hill et al., 2025)

5.2 公共財としての研究

研究は各国の公共事業が支えており、生み出された知識は国際的な公共財として活用されます。なぜ、公的投資によって支えられているのでしょうか。大きな背景として2点述べます。

  • 知識の公共財性 (Nelson, 1959; Arrow, 1962)

    • 非競合性：使っても減らない

    • 非排除性：囲い込みが難しく、便益が社会に漏出（スピルオーバー）する

    • 帰結：市場に任せると知識は社会が必要とする量より過少にしか生産されない→政府資金・大学・学術コミュニティで支える経済学的根拠

  • 研究の投資対効果 (Jones & Summers, 2020)

    • イノベーション投資1ドルの社会的便益は平均5ドル以上、保守的な仮定でも投資額を明確に上回ると推計

    • 研究への公的投資は、平均としては人類史上有数の「割の良い投資」

5.3 企業による研究の活用

研究が企業の生産活動に届く経路は主に4つあります。

  • ① 知識の直接利用（論文→特許→製品）

    • 数百万件の特許と論文の引用連鎖を分析した研究 (Ahmadpoor & Jones, 2017) によれば、大半の特許は数ステップの引用を遡れば科学論文に到達し、論文の側も相当な割合が将来の発明に接続している

    • 科学論文に立脚した発明ほど市場価値が高い (Krieger et al., 2024)

  • ② 人材の移動

    • 博士人材の企業への移動により、論文に書かれない暗黙知（実験のコツ、失敗の履歴、筋の良い問いの感覚）ごと知識が移転する

    • エビデンス：米国バイオテクノロジー産業の誕生地は、資本や市場ではなくスター科学者の所在地によってほぼ決まっていた。人材こそが知識移転の主経路であることを示した古典的実証 (Zucker, Darby & Brewer, 1998)

    • 深層学習が大学研究室の周辺テーマから産業の中核技術になった過程は、研究者の移動の歴史そのもの

  • ③ 人工物とインフラの移転

    • 大学発スタートアップ、技術移転制度、オープンソースソフトウェア。オープンソースソフトウェアの需要側の経済価値は約8.8兆ドルと推計されている (Hoffmann, Nagle & Zhou, 2024)

    • 公開データベース（GenBank、AlphaFold Protein Structure Databaseなど）。生物試料を公的リポジトリに寄託して誰でも使えるようにすると、その知見を使う後続研究が大幅に増えることが実証されている (Furman & Stern, 2011)

  • ④ 吸収能力（absorptive capacity）(Cohen & Levinthal, 1990)

    • 企業が自社で研究を行う理由の半分は、外部の科学を理解し取り込む能力を維持するため

    • 自ら論文を書き学会に参加する企業ほど、世界中の研究成果を早く深く活用できる。企業研究所の存在意義を説明する概念

5.4 政府による研究の活用

経済全体を調整する政府にとって、研究の蓄積は政策・規制・公共サービスの根拠そのものです。大きく2つの活用に整理できます。

  • ① 政策形成の根拠（EBPM）

    • エビデンスに基づく政策形成（Evidence-Based Policy Making）：政策の立案・評価を、勘や前例ではなく研究知見と因果推論に基づいて行う潮流（例：ランダム化比較試験（RCT）による貧困対策の効果検証は、開発経済学の研究手法がそのまま政策評価の標準になった事例 (Banerjee & Duflo, 2011)）

    • ブラジルの2,150自治体を対象とした実験では、市長ら政策決定者は研究エビデンスを提示されると実際に信念を更新して政策を変更し、研究結果に対価を払う意思さえ示した (Hjort et al., 2021)（例：金融政策・課税設計における経済学、パンデミック対応における疫学モデル）

  • ② 規制・基準・公共サービスの土台

    • 医薬品承認（臨床試験の統計基準）、環境規制（気候科学。例：IPCCは各国の研究を統合して政策の共通土台を作る国際的仕組み）、耐震基準（地震工学）など、公共サービス・国家機能としての公衆衛生、気象予報、防災、宇宙・防衛では、いずれも研究蓄積なしには成立しない

    • 科学的助言の制度として、科学顧問、審議会、各国アカデミーなど、研究知と行政をつなぐ専門の仕組みが整備されてきた。しかし、科学は「不確実性込みの暫定的な知」を出すのに対し、政治・行政は「期限内の確定的な判断」を求める。この時間軸と不確実性の扱いのギャップが、科学的助言の永遠の難所となっている (Gluckman, 2014)

5.5 家計による研究の活用

最終的な消費主体である家計も、日々の意思決定の土台として研究の蓄積を活用しています。

  • 医療：診療ガイドライン（研究論文のシステマティックレビューの蒸留物）を通じて、個人が受ける治療の質が決まる。個々の医師の経験や権威ではなく最良の研究知見に基づいて診療を行う「エビデンスに基づく医療（EBM）」の枠組みが、その土台にある (Sackett et al., 1996)。インフォームドコンセント（医療従事者が病状や治療法について十分な説明を行い、患者が同意して治療を受けるプロセス）も研究知見の共有が前提である

  • 教育・人的資本：教科書やカリキュラムは、研究成果が数十年かけて標準知識に降りてきたもの。家計の教育投資の中身は研究蓄積そのもの

  • 参加者としての個人：オープンアクセスの拡大と市民科学（シチズンサイエンス）により、個人は研究の受け手から参加者へと役割を広げつつある。例：Galaxy Zooでは10万人超の市民ボランティアによる約90万個の銀河の分類が査読論文として結実し、その後も市民科学による発見が続いている (Lintott et al., 2008)

  • 課題：研究知見は家計に届くまでに単純化・歪曲されやすく、誤情報と競争する。実際、SNS上では虚偽のニュースは真実のニュースより速く・広く・深く拡散することが大規模データで示されている (Vosoughi, Roy & Aral, 2018)

まとめると、研究の活用は企業（生産）・政府（調整）・家計（消費）という3つの経済主体の単位で以下のように整理できます。

  • 企業（生産）：知識・人材・人工物・吸収能力の4経路で、研究を新しい製品・サービス・生産性に変換する

  • 政府（調整）：政策・規制・公共サービスの根拠として研究を使い、市場では供給されない知識基盤と国際協調を維持する

  • 家計（消費）：医療・教育・消費の意思決定の土台として研究の恩恵を受け、市民科学を通じて生産側にも参加し始めている

6. AI時代の研究

ここまで、研究を研究の内容（何をする営みか）、研究の制度（どう共有され、評価されるか）、研究の主体（誰が研究し、どう生きるか）、研究の活用（社会はなぜ支え、どう使うか）の4つの観点で整理してきました。この4観点に一つずつ対応させて、AI時代に何が変わるのかを整理します。

6.1 AI時代の研究の対象

AI時代では、人の役割は「問いと検証」に重点が置かれると考えられます。

  • 4つの行為の重心が移動する

    • AIが最も深く代替するのは「② 答えの候補をつくる」。文献調査、仮説の列挙、実験コードの実装、論文原稿の生成は、すでにAIが人間の速度を大きく超えつつある

    • AIが最も代替しにくいのは「① 問いを立てる」と「③ 検証する」。無数に生成される仮説・論文から、答える価値のある問いと本当に成立している主張を見極める行為は、深いドメイン知識と判断力を要求する

    • 100人超のNLP研究者とLLMに研究アイデアを出させて盲検比較した実験では、LLMのアイデアは人間の専門家より「新規」と評価された一方、実現可能性は低く、実際に実行させると評価が下がった。「候補の生成」は既に人間水準を超えつつあるが、「筋の良さの見極めと実行・検証」に価値が残ることを示す (Si, Yang & Hashimoto, 2024)

    • 研究者の仕事の重心は、生成から「問いの設定」と「評価・判断」へ移る。これは希望的観測ではなく、ボトルネック移動が強制する構造変化

  • 第5パラダイムは先行パラダイムを飲み込む

    • 第5パラダイム（AI駆動型科学）は第1〜第4パラダイムを置き換えるのではなく、部品として内包する。AIの研究ループは、内部で理論を参照し、シミュレーションを回し、データから学習し、最終的に物理的な実験で検証する

    • LLM駆動のシステム「Coscientist」は、文献検索・実験計画・ロボット実験装置の制御までを自律的に行い、化学合成を実際に実行してみせた。計画から物理的検証までを内包するAI研究ループの初期実証 (Boiko et al., 2023)

    • 各パラダイムの方法論的作法（統計的検定の前提、シミュレーションの妥当性確認、実験計画法）を理解する人間の価値は下がるどころか上がる。AIの出力を評価するには、AIが用いた方法を評価できなければならないため

  • 貢献タイプの価値が入れ替わる

    • 価値が下がるもの：既存要素の珍しい組み合わせという表面的な新規性。AIが最も得意とするものであり、量産可能になった時点で価値が暴落する（前述のSi, Yang & Hashimoto (2024) が示した「新規だが実現可能性の低いアイデアの量産」はその予兆）

    • 価値が上がるもの：「分野の前提や問いの立て方自体を動かすか」という深い新規性と、再現・追試や統合（何が確立された知見かを裁定する仕事）という検証系の貢献タイプ

6.2 AI時代の研究の主体

  • 担い手として企業・スタートアップ主導がさらに強まる

    • 計算資源・データ・資本の規模がフロンティア研究の参入条件になり、資金力のある企業・スタートアップの主導が続く

    • 一方で、吸収能力の格差が拡大する。論文を読めるAIは誰でも手に入るが、何を読むべきかを判断し自社の文脈に翻訳する能力は、自ら研究に参加する組織にしか蓄積されない

    • 対極では、AIツールが個人の調査・分析・実装能力を拡張し、個人研究者・市民科学者が最も追い風を受ける。担い手は巨大組織と個人の両極へ拡散する

  • 研究者の評価とキャリアとして「量」のシグナルが壊れる

    • AIによる論文量産が可能になるほど、論文数・引用数は能力のシグナルとして機能しなくなり、研究者評価も「量」から「検証された貢献」と「問いの質」へ移る

    • 査読・再現検証・データ公開といった評価労働が業績として制度化されていく

    • 大学・企業・スタートアップ・非営利研究所を行き来するキャリアの複線化が標準になり、「アカデミアか産業界か」という二分法自体が薄れる

したがって研究者の評価指標は次のように変わっていくと想定されます。

これまでの評価指標（量の代理指標）

  • 論文数：生産性の代理。業績リストの長さがそのまま評価につながる

  • 引用数・h指数：影響力の代理。量と影響を1つの数字に圧縮

  • 掲載誌のインパクトファクター：「どこに載ったか」で論文の質を代理評価

  • 獲得グラント額：研究資金の獲得実績自体が業績として計上される

  • 採択率の低い学会・学術誌への採択実績：選別を通過したこと自体がシグナル

AI時代の評価指標（中身と行動の直接評価）

  • 貢献の中身の記述：ナラティブCV・業績リストの上限制（Royal Society「Résumé for Researchers」、DFGの10本制限）。数ではなく代表的貢献を文章で説明させる

  • 検証可能性・オープンさ：データ・コード公開率、事前登録、オープンサイエンス・バッジ (Kidwell et al., 2016)

  • 役割の可視化：CRediTによる「誰が何を担ったか」の記録により、どのような形で各自が研究に貢献したのかを明示する

  • 評価労働の実績：査読・追試・データ管理は、現在「見えない無償労働」であるが、AIによって投稿が爆増する一方で査読の供給は増えないため、査読の労働を記録し（Web of Science Reviewer Recognitionなど）、採用・昇進・グラント審査で論文と同様に評価対象へ入れることが検討されている。NeurIPSは投稿者は査読義務を負うことを求めている

  • 再現実績と自己修正：独立した他者があなたの主張を追試して成立したという記録や、誤りが見つかったとき速やかに訂正した履歴は、その人の主張の信頼性を長期的に予測する、偽装しにくい行動記録になる

6.3 AI時代の研究の制度

査読の標準5基準が消えるわけではありませんが、その重み付けと運用は5つの方向にシフトします。

  • ① 検証可能性・再現性：「加点要素」から「必須要件」へ

    • 流暢な文章ともっともらしい結果の記述は、もはや品質の証拠にならない。コード・データ・実験ログの提出と公開が、分野横断で事実上の投稿要件になっていく

    • 先行事例：NeurIPSは2019年からコード提出方針・再現性チェックリストを導入し、コード提出率を大幅に引き上げた——「再現性の要件化」が実際に制度として機能することを示した実証報告がある (Pineau et al., 2021)

  • ② 問いの質：デスクリジェクト段階の重みの増大

    • 投稿が倍増し査読者が増えない以上、査読に回す前の選別の強化は不可避。「なぜこの問いか。なぜ今か。なぜこの媒体か」に冒頭で答えられるかが採否を左右する

  • ③ 新規性の「深さ」の問い直し

    • 評価は深い新規性に向かうが、「新規性ペナルティ」（深い新規性ほど査読で不利）といった、査読という仕組み自体が深い新規性を弾くようにできている。したがって運用ではなく制度の構造を変える必要があり、例えば、結果を見る前に「問いと方法」だけを査読して採否を確定させる登録報告（Registered Reports）は、派手な結果ではなく問いの質で評価する仕組みがある。既に300誌以上に広がっている (Chambers & Tzavella, 2022)

  • ④ 来歴（プロビナンス）と説明責任

    • AI使用の開示に加え、著者が自分の論文を説明・防衛できるかが問われる。NeurIPSの新施策（査読義務を果たさない著者の審査差し止めなど）が示すとおり、投稿する権利と評価に貢献する義務がセットになっていく

  • ⑤ 信頼のシグナルへの依存の強まり

    • 実績・所属・事前登録・再現実績といった内容以外の指標への依存が強まる。効率化の一方、新規参入者に不利に働くリスクとのトレードオフ設計が課題になる

    • 同一の論文でも、著者名をノーベル賞受賞者にすると新人名義のときより査読者の採択推奨が劇的に上がることが実験で示されている (Huber et al., 2022)。信頼シグナルへの依存強化は、この地位バイアスを増幅しかねない

発表チャネルの構造も変わります。

  • 「速い共有」の層（プレプリント・データ公開）は生成コスト低下でさらに膨張し、「遅くても信頼できる認証」の層（査読付き学術誌・会議）との二層構造が明確になる

  • AIが分野の変化速度を一斉に引き上げることで、学術誌・会議・書籍という分野ごとのチャネル均衡自体が動き出す

一言でまとめると、査読は「内容の審査」から「信頼の審査」へ重心を移します。検証可能な形で共有され、来歴が透明で、著者が説明責任を負えるか。研究の第4の行為「④ 共有し、検証可能にする」の制度的な再強化です。

6.4 AI時代の研究の活用

  • 知識への直接アクセスと誤情報の同時拡大

    • AIによる論文の検索・要約・翻訳は、政府のEBPMや家計の医療・生活の意思決定が研究知見に直接届くコストを劇的に下げる（専門家の仲介が必要だった「最後の1マイル」の短縮）。例：患者の医療質問に対するAIチャットボットの回答は、医師の回答よりも質・共感性の双方で高く評価されたことが盲検比較で示されている (Ayers et al., 2023)。専門知の仲介コストが実際に下がり始めている初期の実証

    • 同時に、AIは「もっともらしいが誤った情報」の生成コストも下げるため、何が検証済みの知識かを見分ける仕組み（査読、診療ガイドライン、科学的助言の制度）の重要性はむしろ高まる。例：GPT-3が生成した偽情報ツイートは、人間が書いた偽情報よりも見破られにくいことが実験で示されている (Spitale, Biller-Andorno & Germani, 2023)

  • 国際協調と安全保障の再交渉

    • 研究セキュリティの要請と、AIによる先行者利益の拡大が、クローズ化の圧力を強める

    • OECDは地政学的環境下での科学協力の再構成を政策課題の主題に据え (OECD, 2025)、AI分野では米中対立が25年かけて築かれた国際共著ネットワークを実際に再編しつつあることが実証されている (Zhang et al., 2026)

  • 時間差は縮むのか

    • 基礎研究から社会的インパクトまでの数十年のラグ（Li, Azoulay & Sampat (2017)、Ahmadpoor & Jones (2017) が測定した論文から特許への長い接続）をAIがどこまで縮めるかは、未解決の実証的な問い

    • 確実なのは、ラグの源泉が「生成」だけでなく「検証と社会的受容」にもあること。生成だけが速くなり検証が追いつかなければ、ラグは縮まらず、誤った知識の産業・政策・生活への移転という新しいリスクが生まれる

4観点を通して見えるのは、同じ一つの構図です。生成はどの観点でも安価になり、価値は「問い・検証・信頼」に集中する。

7. おわりに

このように研究を体系的に俯瞰した上で、AI時代にどのように変革が求められていくのか、整理しました。このような変化を踏まえ、研究者や研究機関は急速な対応を求められていくことになると考えられます。

参考文献

  • Abbott, B. P., et al. (LIGO Scientific Collaboration and Virgo Collaboration) (2016). Observation of Gravitational Waves from a Binary Black Hole Merger. Physical Review Letters, 116, 061102.：アインシュタインの予言から100年を経て重力波を初めて直接観測した、「新しい証拠」型貢献の代表例。

  • Ahmadpoor, M., & Jones, B. F. (2017). The dual frontier: Patented inventions and prior scientific advance. Science, 357(6351), 583–587.：特許と科学論文の引用連鎖を大規模分析し、大半の特許が数ステップで科学論文に到達することを示した。

  • Akerlof, G. A. (1970). The Market for "Lemons": Quality Uncertainty and the Market Mechanism. Quarterly Journal of Economics, 84(3), 488–500.：情報の非対称性が市場の失敗を生むことを示した「新しい理論」型貢献の代表例。ノーベル経済学賞の対象となった。

  • Arrow, K. J. (1962). Economic Welfare and the Allocation of Resources for Invention. In The Rate and Direction of Inventive Activity. Princeton University Press.：知識の公共財性から、市場に任せると研究が過少供給になることを示した経済学の古典。

  • Ayers, J. W., et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine, 183(6), 589–596.：患者の医療質問へのAIチャットボットの回答が医師の回答より質・共感性の双方で高く評価されたことを示した盲検比較研究。専門知への直接アクセスのコスト低下のエビデンス。

  • Banerjee, A. V., & Duflo, E. (2011). Poor Economics: A Radical Rethinking of the Way to Fight Global Poverty. PublicAffairs.：ランダム化比較試験（RCT）を貧困対策の効果検証に持ち込み、エビデンスに基づく政策形成の代表例となった研究群の集大成。

  • Boiko, D. A., MacKnight, R., Kline, B., & Gomes, G. (2023). Autonomous chemical research with large language models. Nature, 624, 570–578.：LLM駆動システム「Coscientist」が文献検索から実験計画・ロボット装置制御・化学合成の実行までを自律的に行った、AI研究ループの初期実証。

  • Bush, V. (1945). Science, The Endless Frontier. U.S. Government Printing Office.：第二次大戦後の政府による基礎研究支援体制の設計図となった報告書。

  • Camerer, C. F., et al. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2, 637–644.：トップ誌掲載の社会科学実験21本を組織的に追試した「再現・追試」型貢献の代表例。

  • Chambers, C. D., & Tzavella, L. (2022). The past, present and future of Registered Reports. Nature Human Behaviour, 6, 29–42.：結果を見る前に問いと方法だけを査読して採否を確定する「登録報告」の制度と普及（300誌以上）を整理した論文。結果の派手さではなく問いの質で評価する制度設計の実例。

  • CNBC (2025). AI talent war: Tech giants pay talent millions of dollars.：AI研究者の獲得競争と数百万〜数億ドル規模の報酬オファーの実態を報じた記事。

  • Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128–152.：外部知識を認識・消化・活用する「吸収能力」の概念を提示し、企業が自ら研究を行う理由を説明した古典。

  • Deng, J., et al. (2009). ImageNet: A large-scale hierarchical image database. IEEE CVPR 2009.：1,400万枚超の画像データセットを構築し、深層学習ブームの土台となった「新しい人工物」型貢献の代表例。

  • DFG (2022). Package of Measures to Support a Shift in the Culture of Research Assessment. Deutsche Forschungsgemeinschaft.：ドイツ研究振興協会による研究評価改革の施策パッケージ。申請書に記載できる論文数の制限（10本）など「数ではなく質」を制度化した先行例。

  • Doll, R., & Hill, A. B. (1950). Smoking and Carcinoma of the Lung. British Medical Journal, 2(4682), 739–748.：喫煙と肺がんの関連を示した疫学の古典。観察研究による「新しい証拠」型貢献の代表例。

  • DORA (2013). San Francisco Declaration on Research Assessment.：インパクトファクターを研究者個人や論文の評価に用いないことを求めた国際宣言。数千の機関・個人が署名し、評価改革の起点となった。

  • Dyson, F. W., Eddington, A. S., & Davidson, C. (1920). A Determination of the Deflection of Light by the Sun's Gravitational Field. Philosophical Transactions of the Royal Society A, 220, 291–333.：日食観測により一般相対性理論の予言を検証した「新しい証拠」型貢献の代表例。

  • Einstein, A. (1905). Zur Elektrodynamik bewegter Körper. Annalen der Physik, 17, 891–921.：特殊相対性理論を提示した「新しい理論」型貢献の代表例。

  • Foster, J. G., Rzhetsky, A., & Evans, J. A. (2015). Tradition and Innovation in Scientists' Research Strategies. American Sociological Review, 80(5), 875–908.：数百万本の生医学論文の分析から、研究者が確立済みの流行トピックに集中する保守的戦略が支配的であることを示した実証研究。研究の画一化のエビデンス。

  • Fraser, N., et al. (2021). The evolving role of preprints in the dissemination of COVID-19 research and their impact on the science communication landscape. PLOS Biology, 19(4), e3000959.：COVID-19を機に生物医学系プレプリントが急拡大したことを定量的に示した実証研究。

  • Furman, J. L., & Stern, S. (2011). Climbing atop the Shoulders of Giants: The Impact of Institutions on Cumulative Research. American Economic Review, 101(5), 1933–1963.：生物試料を公的リポジトリ（生物資源センター）に寄託すると後続研究による利用が大幅に増えることを示した実証研究。公開インフラが知識の累積を加速するエビデンス。

  • Gillum, L. A., et al. (2011). NIH Disease Funding Levels and Burden of Disease. PLOS ONE, 6(2), e16837.：NIHの疾患別研究資金配分が疾病負荷（社会的な病気の重さ）とある程度連動していることを示した実証研究。社会課題が資金を引き寄せるエビデンス。

  • Gluckman, P. (2014). Policy: The art of science advice to government. Nature, 507, 163–165.：ニュージーランド首相科学顧問による、科学の不確実性と行政の意思決定のギャップを科学的助言の中心課題として整理した論考。

  • Gottweis, J., et al. (2025). Towards an AI co-scientist. arXiv:2502.18864.：Googleのマルチエージェント型AIが、細菌の遺伝子伝達に関する未解決問題に対して実験結果と整合する機構仮説を自ら提案したことを報告。アブダクション（仮説生成）の機械化の初期実証。

  • Gray, J. (2009). Jim Gray on eScience: A Transformed Scientific Method. In The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research.：実験・理論・計算に続く「第4パラダイム（データ駆動型科学）」を定式化した講演録。第1〜第4パラダイムの枠組みの原典。

  • Gross, D. P., & Sampat, B. N. (2023). America, Jump-Started: World War II R&D and the Takeoff of the US Innovation System. American Economic Review, 113(12), 3323–3356.：第二次世界大戦の戦時R&D（OSRD）投資を受けた地域・技術分野ほど戦後の発明活動が長期的に増加したことを示した実証研究。戦争需要が研究を発展させるエビデンス。

  • Hill, R., Yin, Y., Stein, C., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature.：研究者が専門から離れたテーマへ転換すると影響力が下がる「ピボット・ペナルティ」を大規模データで示した実証研究。COVID-19時の大規模な研究転換の分析を含む。

  • Hjort, J., Moreira, D., Rao, G., & Santini, J. F. (2021). How Research Affects Policy: Experimental Evidence from 2,150 Brazilian Municipalities. American Economic Review, 111(5), 1442–1480.：政策決定者（市長ら）が研究エビデンスの提示によって信念を更新し実際に政策を変えることを大規模実験で示した研究。EBPMが機能することの直接的エビデンス。

  • Hoffmann, M., Nagle, F., & Zhou, Y. (2024). The Value of Open Source Software. Harvard Business School Working Paper 24-038.：オープンソースソフトウェアの需要側の経済価値を約8.8兆ドルと推計した研究。研究由来の人工物（ソフトウェア）の経済インパクトを示すエビデンス。

  • Huber, J., et al. (2022). Nobel and novice: Author prominence affects peer review. PNAS, 119(41), e2205779119.：同一論文でも著者名が著名研究者か新人かで査読者の採択推奨が劇的に変わる「地位バイアス」を大規模実験で示した研究。

  • Jinek, M., et al. (2012). A Programmable Dual-RNA–Guided DNA Endonuclease in Adaptive Bacterial Immunity. Science, 337(6096), 816–821.：CRISPR-Cas9によるゲノム編集の原理を示した「新しい方法」型貢献の代表例。ノーベル化学賞の対象となった。

  • Jones, B. F., & Summers, L. H. (2020). A Calculation of the Social Returns to Innovation. NBER Working Paper 27863.：イノベーション投資1ドルの社会的便益を平均5ドル以上と推計し、研究投資の社会的リターンの大きさを示した。

  • Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.：タンパク質立体構造予測を実用水準に引き上げ、公開データベースとして「新しい方法」と「新しい人工物」を同時に提供した。ノーベル化学賞の対象となった。

  • Kidwell, M. C., et al. (2016). Badges to Acknowledge Open Practices: A Simple, Low-Cost, Effective Method for Increasing Transparency. PLOS Biology, 14(5), e1002456.：Psychological Science誌がデータ公開バッジを導入したところ公開率が約3%から約40%に上昇したことを示した実証研究。公開を業績として可視化すると行動が変わるエビデンス。

  • Krieger, J. L., et al. (2024). Standing on the shoulders of science. Strategic Management Journal, 45(6).：科学論文に立脚した発明ほど市場価値が高いことを実証。

  • Leng, C., et al. (2023). Fifth Paradigm in Science: A Case Study of an Intelligence-Driven Material Design. Engineering, 24, 126–137.：材料設計を題材に、AI駆動型科学「第5パラダイム」の具体像を示した論文。

  • Li, D., Azoulay, P., & Sampat, B. N. (2017). The applied value of public investments in biomedical research. Science, 356(6333), 78–81.：NIH助成金の約3割が、のちに民間特許に引用される論文を生むことを27年分のデータで示した実証研究。公的研究投資が産業に届く経路と時間差のエビデンス。

  • Lintott, C. J., et al. (2008). Galaxy Zoo: morphologies derived from visual inspection of galaxies from the Sloan Digital Sky Survey. Monthly Notices of the Royal Astronomical Society, 389(3), 1179–1189.：10万人超の市民ボランティアによる約90万個の銀河の分類を査読論文に結実させた、市民科学の代表的成果。

  • Merton, R. K. (1942). The Normative Structure of Science.：公有性・普遍主義・利害の超越・系統的懐疑主義という「科学のエートス」を定式化した古典。

  • Microsoft Research (2022). AI4Science to empower the fifth paradigm of scientific discovery.：AI駆動型科学を「第5パラダイム」として位置づけた解説。

  • Moretti, E., Steinwender, C., & Van Reenen, J. (2025). The Intellectual Spoils of War? Defense R&D, Productivity, and International Spillovers. Review of Economics and Statistics, 107(1), 14–27.：政府の防衛R&Dが民間R&D投資を誘発（クラウドイン）し、産業の生産性を高めることをOECD諸国のデータで示した実証研究。

  • Mowery, D., & Rosenberg, N. (1979). The influence of market demand upon innovation: A critical review of some recent empirical studies. Research Policy, 8(2), 102–153.：技術推進（technology-push）と需要牽引（demand-pull）をめぐる実証研究を批判的に整理した古典。需要と技術機会の相互作用としてイノベーションを捉える枠組みの出発点。

  • Mullis, K. B., & Faloona, F. A. (1987). Specific synthesis of DNA in vitro via a polymerase-catalyzed chain reaction. Methods in Enzymology, 155, 335–350.：DNA断片を増幅するPCR法を確立した「新しい方法」型貢献の代表例。ノーベル化学賞の対象となった。

  • Myers, K. (2020). The Elasticity of Science. American Economic Journal: Applied Economics, 12(4), 103–134.：研究者が使途指定型グラントに反応して研究テーマを移動させることをNIHの公募データで示した実証研究。資金配分が研究の方向性を決めるエビデンス。

  • Nelson, R. R. (1959). The Simple Economics of Basic Scientific Research. Journal of Political Economy, 67(3), 297–306.：基礎研究への公的支援の経済学的根拠を最初期に定式化した論文。

  • NeurIPS Program Committee Chairs (2025). Reflections on the 2025 Review Process. NeurIPS Blog.：投稿21,575件・採択率24.52%という規模の実態と、査読ノイズの増大・査読者確保の困難・著者と査読者の義務をセットにする新施策を報告。

  • NISO (2022). CRediT, Contributor Roles Taxonomy (ANSI/NISO Z39.104-2022).：概念化・解析・検証など14の貢献役割を論文ごとに機械可読で記録する国際規格。「誰が何を担ったか」を可視化する評価インフラ。

  • OECD (2015). Frascati Manual 2015: Guidelines for Collecting and Reporting Data on Research and Experimental Development. OECD Publishing.：研究開発の国際標準定義（基礎研究・応用研究・開発の3分類）と研究該当性の5基準を定めるマニュアル。

  • OECD (2025). Science, Technology and Innovation Outlook 2025. OECD Publishing.：地政学的環境の変化における科学協力の再構成を主題に、研究セキュリティと開放性の両立を政策課題として整理。

  • Open Science Collaboration (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716.：心理学の著名研究100本を組織的に追試し、有意な再現は約36%にとどまることを示した。再現性の危機を象徴する「再現・追試」型貢献の代表例。

  • Organization Science Editors (2026). More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science.：ChatGPT公開後の投稿42%増、高AI使用論文のデスクリジェクト率69%などを定量化し、「ボトルネックが生産から評価へ移った」と診断した編集部論説。

  • Page, L., Brin, S., Motwani, R., & Winograd, T. (1999). The PageRank Citation Ranking: Bringing Order to the Web. Stanford InfoLab Technical Report.：Google検索の基盤となったアルゴリズムを大学のテクニカルレポートとして公開した事例。学術誌以外のチャネルでも歴史的貢献になりうることを示す。

  • Peirce, C. S. (1878). Deduction, Induction, and Hypothesis. Popular Science Monthly, 13, 470–482.：演繹・帰納・アブダクション（仮説形成）を「Rule・Case・Result」の3要素の組み合わせとして定式化した古典。豆の袋の例もこの論文による。

  • Pineau, J., et al. (2021). Improving Reproducibility in Machine Learning Research (A Report from the NeurIPS 2019 Reproducibility Program). Journal of Machine Learning Research, 22(164), 1–20.：NeurIPSにコード提出方針・再現性チェックリストを導入し、コード提出率を大幅に引き上げた制度改革の報告。再現性の要件化が機能することを示す先行事例。

  • Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.（原著：Logik der Forschung, 1934）：反証可能性を科学的主張の条件として定式化した科学哲学の古典。

  • Royal Society (2019). Résumé for Researchers.：論文リストの代わりに「知識・人材育成・社会への貢献」を文章で記述させるナラティブCVの様式。英国の主要資金配分機関が採用。

  • Sackett, D. L., et al. (1996). Evidence based medicine: what it is and what it isn't. BMJ, 312, 71–72.：個々の医師の経験や権威ではなく最良の研究知見に基づいて診療を行う「エビデンスに基づく医療（EBM）」を定式化した古典。診療ガイドラインの思想的土台。

  • Si, C., Yang, D., & Hashimoto, T. (2024). Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers. arXiv:2409.04109.：100人超のNLP研究者との盲検比較で、LLMのアイデアは人間より新規と評価される一方、実現可能性が低く実行段階で評価が下がることを示した実験。生成と検証の非対称性のエビデンス。

  • Smith, M. L., & Glass, G. V. (1977). Meta-analysis of psychotherapy outcome studies. American Psychologist, 32(9), 752–760.：「メタ分析」という手法自体を確立した「統合」型貢献の代表例。

  • Spitale, G., Biller-Andorno, N., & Germani, F. (2023). AI model GPT-3 (dis)informs us better than humans. Science Advances, 9(26), eadh1850.：GPT-3が生成した偽情報は人間が書いた偽情報より見破られにくいことを示した実験。AIによる誤情報生成コスト低下のエビデンス。

  • Stanford HAI (2025). The 2025 AI Index Report.：注目すべきAIモデルの約9割が産業界発であることなど、AI研究の担い手の変化を定量的に示す年次レポート。

  • Stokes, D. E. (1997). Pasteur's Quadrant: Basic Science and Technological Innovation. Brookings Institution Press.：「理解の探求」と「実用の意識」の2軸で研究を4象限に分類し、リニアモデルの限界を示した古典。

  • Teplitskiy, M., et al. (2022). Is novel research worth doing? Evidence from peer review at 49 journals. PNAS, 119(47).：49誌の査読データから、新規性の高い論文ほど査読で厳しい評価を受ける「新規性ペナルティ」を示した。

  • Vaswani, A., et al. (2017). Attention Is All You Need. NeurIPS 2017 / arXiv:1706.03762.：生成AIの基盤となったTransformerを提示した「新しい方法」型貢献の代表例。プレプリント駆動のAI研究を象徴する論文でもある。

  • Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146–1151.：SNS上で虚偽ニュースが真実より速く・広く・深く拡散することを大規模データで示した実証研究。研究知見が誤情報と競争する「最後の1マイル」問題のエビデンス。

  • Watson, J. D., & Crick, F. H. C. (1953). Molecular Structure of Nucleic Acids: A Structure for Deoxyribose Nucleic Acid. Nature, 171, 737–738.：DNA二重らせんモデルをわずか1ページ強で提示した「新しい理論（モデル）」型貢献の代表例。

  • Zhang, L., et al. (2026). When science meets geopolitics: global AI research network transformation (2000–2025). Science and Public Policy.：AI分野の国際共著ネットワークが米中対立で再編されつつあることを25年分のデータで実証。

  • Zucker, L. G., Darby, M. R., & Brewer, M. B. (1998). Intellectual Human Capital and the Birth of U.S. Biotechnology Enterprises. American Economic Review, 88(1), 290–306.：米国バイオ産業の誕生地がスター科学者の所在地によってほぼ決まっていたことを示した実証研究。人材の移動こそが知識移転の主経路であることのエビデンス。