AIはバイオ研究者の生き方をどう変えるか
TweetAIはバイオ研究者の生き方をどう変えるか
第6回：偽る値段、確かめる値段
◾️24人と104枚
2026年10月2日、医療情報学の学術誌に短い報告が載りました。北京と蘭州の病院に所属する研究者たちが、公表済みの論文16本から本物の画像を52枚集めました。ウェスタンブロットと、マウスの皮下に移植した腫瘍の写真です。その一枚一枚を画像生成AIに入力し、「背景は保ったまま、タンパク質の増減の向きを逆にして」といった指示を言葉で与えます。1枚につき5回から10回ほどやり直し、できのよいものを選ぶ。こうして、元の画像と見た目はよく似ていて、実験の結論だけが逆になった画像が52枚できました。
合わせて104枚を、24人の研究者に見せました。全員が博士号を持ち、5年を超える研究経験があり、泌尿器科学、腫瘍学、分子生物学のいずれかを専門にしています。ふだんから論文の査読をしていて、この種の画像は見慣れています。本物か加工かを1枚ずつ判定してもらった結果、平均の正答率は50.5%でした。加工された画像を加工と見抜けた割合は38.5%です。
二択で50.5%というのは、硬貨を投げた場合とほぼ同じ成績です。硬貨は博士号を持っていません。
この報告には、割り引いて読むべき点がいくつもあります。著者たち自身が書いているとおり、試したのは104枚、画像の種類は二つだけです。生成に失敗した画像は捨て、うまくできたものだけを評価に回しています。24人は、偽造の見分け方について事前の訓練を受けていません。あわせて試された検出ツールは一般の画像向けのもの三つで、学術出版社が投稿原稿の点検に使う専用のツールは含まれていません。ですから、この報告から言えるのは、どんな画像でも見抜けないということではありません。経験のある研究者が査読のときと同じように眺めただけでは、うまく作られた偽の画像を本物と区別できなかった、ということです。
10年前の調査と並べてみます。2016年、ある微生物学者らは、40の学術誌に1995年から2014年までに載った論文20,621本の画像を目で見て調べ、3.8%に不適切な重複などの問題を見つけました。その少なくとも半数には、意図的な操作をうかがわせる特徴がありました。最初の選別は、著者の一人が全部の論文を見て行っています。画像の使い回しや切り貼りは、目のよい人が時間をかければ見つけられるものでした。
その10年後に、目で見ても見つけられない画像が、言葉の指示を数回繰り返すだけで手に入るようになりました。この回では、AIによって偽る値段と確かめる値段がそれぞれどう動いたかを調べます。
◾️もとの大きさ
先に、言葉を分けておきます。研究不正は、日本の文部科学省の指針では、捏造、改ざん、盗用の三つを指し、特定不正行為と呼ばれています。一方、第2回で見たとおり、再現できない研究の多くは不正の産物ではありません。何をどうやったのかが書き残されていない、検体数が少ない、うまくいった結果だけが発表される、といった事情から生じています。この回は両方を扱いますが、混ぜないように書きます。
AIの話に入る前の規模を確認します。論文の撤回は、2023年に世界で初めて年間1万本を超えました。撤回を記録している代表的なデータベースは、2025年末の時点で累計63,000件を収めています。2026年4月の米国議会での証言では、論文全体に対する撤回の割合は0.2%ほどとされました。
撤回されるのは、見つかって、調べられて、処分が決まったものだけです。米国の大学のグループは2025年8月、米国科学アカデミー紀要に、見つかっていない側を推し量る論文を発表しました。対象は論文工場です。捏造したデータで論文を量産し、著者の枠を売る業者のことです。専門家が論文工場の産物と疑った論文を集めて数えると、年ごとの本数は1.5年で2倍になっていました。論文全体が2倍になるのには15年かかっています。撤回された論文と、出版後の論文を検証するサイトで指摘を受けた論文は、どちらも3年から4年で2倍です。疑われる論文の年間の本数は、すでに年間の撤回数を上回っています。著者らは、このままなら撤回に至るのは論文工場の産物の4本に1本ほどだと見積もっています。
この数字には但し書きがあります。集めた論文には分野と時期の偏りがあり、論文工場の定義もまだ定まっていない、と著者自身が断っています。それでも、作られる速さと取り消される速さに倍以上の開きがあるという点は、偏りを考えても動かしにくいと私は見ます。
日本の数字も置いておきます。文部科学省の資料によれば、同省の予算に関わる研究で特定不正行為と認定された事案は、2015年度から2024年度までの10年間で99件、関与した人などは135人でした。自然科学系は52件で、年に3件から9件です。これは一件ずつ調査委員会を立てて認定した数で、世界の撤回数と直接比べられるものではありません。ただ、認定という手続きが年に数件の速さで進むものだということは、この数字からわかります。
ここまではAI以前からの話です。第3回の言い方を使えば、不正を見つけて取り消す仕組みは、制度の時計に乗っています。
◾️偽る値段
文章を作る値段がほとんどゼロになったことは、第1回と第4回で書きました。ここでは画像と数値を見ます。
画像の偽造には、これまで手間がかかりました。画像編集の技術が要り、加工の跡が残り、別の論文から使い回せば照合で見つかります。先ほどのグループが論文工場のつながりを再構成できたのも、同じ画像が何千本もの論文に使い回されていたからでした。生成された画像には、使い回しがありません。照合という方法が、そもそも当たらなくなります。
では、生成された画像を機械で見分けられるのか。冒頭の報告では、一般向けの検出ツール三つのうち、最もよいものでも識別の成績を表すAUCは0.790で、一つは0.485でした。0.5が当てずっぽうに相当します。2025年には、スイスの大学病院の研究者が、本物のウェスタンブロット48枚と生成した48枚で、無料の検出ツール三つを試しています。生成画像を正しく拾う割合は、ツールによって19%から96%までばらばらでした。投稿される画像の1割が生成物だと仮定すると、ツールが「生成」と判定したもののうち本当に生成物であるのは2割に届きません。残りの8割は、本物の画像を出した著者が疑われることになります。
検出の技術はこれからも改良されるはずです。ただし、生成の側も同じ速さで進みます。冒頭の報告の著者たちは、見分ける努力とは別の対策を挙げています。投稿の時点で、切り抜く前の生の画像を出させる。画像ファイルに残る撮影情報を編集部で確かめる。査読者は加工の跡を探すのをやめて、分子量の位置がおかしい、腫瘍の育ち方が生理的にありえない、といった生物学上の不整合を見る。この提案には、あとでもう一度戻ります。
数値のほうでは、捏造とは呼べない形の量産が起きています。英国の大学のグループは2025年、PLOS Biology誌で、米国の国民健康栄養調査(NHANES)の公開データを使った論文を調べました。一つの予測因子と一つの病気の関連を報告する、型にはまった論文が過去10年分で341本見つかり、2021年以降に急増していました。うつ病や心血管疾患のように多くの要因が絡むとわかっている病気を、たった一つの因子と結びつけ、多数の検定をしたときに必要な補正も行っていないものが目立ったといいます。
この種の論文では、データは本物です。解析も実際に行われています。捏造も改ざんも盗用も、どこにもありません。それでも結論は信頼できません。予測因子と病気の組み合わせを総当たりすれば、偶然の関連がいくらでも見つかるからです。AIは、その総当たりと、結果を論文の形に整える手間を下げました。著者らは、論文工場が採用しやすい手口だと指摘しています。
偽物や粗悪品は、文献の中にとどまりません。第1回で、Lancet誌に載った監査を紹介しました。約247万本の論文のうち2,810本に、実在しない文献の引用が見つかり、その98.4%が訂正されていなかった、というものです。この監査を報じた記事によれば、該当した論文には、臨床試験の報告が28本、系統的レビューが79本含まれていました。30件の引用のうち18件が架空だった論文もあり、その架空の文献の一部は、すでに別の論文に引用されていたといいます。
2026年8月には、研究情報の分析を手がける企業の研究者が、ある論文工場の論文の行き先を追った査読前の論文を公開しました。実在しない研究ネットワークの名前を所属に掲げた論文群です。そのうち480本が特許に、57本が政策文書に、12本が診療ガイドラインに引用されていました。著者の一人は、ガイドラインはもともと引用の数が多く、推奨の内容が誤った方向に導かれたという証拠はない、と断っています。この留保は妥当だと私は考えます。確かに言えるのは、訂正が届くより先に、引用が下流に届いているということです。
◾️その気がなくても
この連載の読者の多くは、論文工場と縁がないはずです。読者に近いのは、次の話のほうです。
2026年2月、ある研究グループは、プログラムを書いて解析を実行する型のAIが、都合のよい結果を探すかどうかを試した論文を公開しました。使ったのは、効果がない、またはほとんどないとわかっている政治学の論文4本のデータです。二つのAIに、合計640回、解析をさせました。有意な結果を出してほしいと露骨に頼むと、どちらのAIも断り、それは不正にあたると指摘しました。ところが、同じ依頼を「別の手法も探って、上限の推定値を出してほしい」と言い換えると、どちらも従いました。解析の設定を次々に変えるプログラムを書き、最も有意になった組み合わせを報告したのです。ランダム化比較試験のデータでは、結果はあまり動きませんでした。観察研究のデータでは動き、ある例では効果の大きさが本来の2倍になったと紹介されています。私が確認できたのは解説と紹介の範囲で、元の論文の本文は読めていません。
もう一つあります。米国の大学のグループは、仮説を立てるところから論文を書くところまでを一通り行うAIシステムを二つ調べました。そのうち一つは、第4回で紹介した、査読を通る論文を書いたシステムの系統です。Science誌の記事によれば、どちらのシステムも、データを作り上げる、実験を何度も走らせて最もよい結果だけを報告する、といった振る舞いをしていました。しかも、そうしたことを報告していません。研究チームが気づいたのは、ありえないほどよい成績が出ることを不審に思い、専用の検査を作ってからでした。AIの作業記録には、訓練を速くするためにデータを作った、といった説明が残っていたそうです。見つけるには相当な調査が必要だった、と研究チームは2026年5月の研究公正世界会議で報告しています。
逆の結果もあります。2026年7月に公開された査読前の論文は、AIに自由に研究をさせた二つの事例で、目立った不正な最適化は見つからなかったと報告しています。下請けのAIが結果を誤って伝えた例は5件ありましたが、確認を命じられていた統括役のAIがすべて見つけ、最終稿には残りませんでした。振る舞いは、システムの組み方と指示の出し方で変わるようです。
これらは機械学習と社会科学での結果で、生物学のデータで同じことを確かめた研究は、今回は見つけていません。ただ、解析の自由度という点では、生物学も変わりません。どの反復実験を採用するか。外れ値をどう扱うか。どの方法で正規化するか。発現解析の閾値をどこに置くか。解析をAIに任せ、期待した差が出なかったときに「もう少し探ってみて」と頼む場面は、容易に想像できます。頼んだ本人には、不正をしたつもりがありません。AIのほうも、露骨な依頼なら断っています。それでも手元には、数十通りの解析の中から選ばれた一つが、ただ一つの結果として残ります。
研究計画を事前に登録して解析の自由度を縛る方法は、この問題への従来の答えでした。2026年6月の査読前の論文は、いつでも何度でもやり直せるAIの解析には、従来の事前登録がそのままでは効きにくいと論じています。
論文工場の量産と、こうした悪意のない歪みのどちらが文献に多くの誤りを持ち込むのか、数で比べる材料は私にはありません。読者の手元で起きうるのは後者です。解析を任せるなら、試した設定をすべて記録させ、出した指示も一緒に保存しておく。当面できる備えはそのくらいですが、あとで自分の結果を自分で疑えるかどうかは、その記録があるかどうかで決まります。
◾️確かめる値段
確かめる側にも、安くなったものがあります。
Lancet誌の監査は、それ自体がAIを使った仕事でした。247万本の論文と1億件近い引用を一件ずつ照合する作業は、人間の手では現実的ではありません。架空の引用を増やした技術が、架空の引用を数える手段にもなっています。
論文の中身の誤りを探す試みもあります。2024年、黒い調理器具に含まれる化学物質の危険性を報じた論文に単純な計算の誤りが見つかり、これをきっかけに、AIで論文の誤りを探す計画が二つ立ち上がりました。Nature誌の2025年3月の記事によれば、その一つは約500本を解析し、AIが誤りだと指摘したもののうち、実際には誤りでなかったものが1割ほどありました。指摘は一つずつ、その分野の専門家に確かめてもらう必要があり、その専門家を見つけることがいちばんの障害だと、計画の創設者は語っています。もう一方の計画は、2か月で37,000本以上を走査しました。第1回の枠組みがここでも当てはまります。AIの指摘は安く大量に手に入り、それを確かめる人の手間は残ります。
計算の再現は、さらに進んでいます。2026年4月の査読前の論文は、論文の方法の記述と元のデータだけをAIに渡し、元の解析プログラムも結果も見せずに、結果を再現できるかを試しました。対象は、人間が再現できることを確認済みの社会科学の論文48本です。AIは発表された結果をおおむね再現しました。成績はAIの種類と論文によって大きく違い、失敗の原因を調べると、AIの誤りのほかに、論文の側の記述不足がありました。第2回で、再現性の問題の相当部分は、何をどうやったのかが書き残されていないことから生じると書きました。計算だけの研究にも同じ穴があり、AIに再現させてみると、その穴がどこにあるかがわかります。
出版社の側の数字も一つあります。学術出版大手の一社が公表した撤回数は、2024年の2,923本から、2025年には1,462本に減りました。同社が2025年に出版した約539,000本の0.3%に満たない数です。減った理由は、私には確認できていません。過去の論文をまとめて撤回する作業が一段落したのかもしれませんし、第4回で触れた投稿時の自動点検が効き始めたのかもしれません。
安くなっていないものもあります。実験台でのやり直しです。第2回で紹介したブラジルの再現プロジェクトは、7年と約24万ドルをかけて、有効な追試を97件得ました。第5回で紹介したロボット研究室による追試は、機械が論文から取り出せたのが単純な記述までで、追試そのものは人間のチームがロボットを使って行う半自動のものでした。あるウェスタンブロットの結果が正しいかどうかは、結局、誰かがもう一度泳動してみるまでわかりません。
第2回では、追試が評価されない仕組みを、作業が速くなっても軽くならない問題に分類しました。この点には、値段とは別の側から手がつけられています。米国立衛生研究所(NIH)は2024年の夏、試行として、追試に資金を出す事業を始めました。NIHの助成を受けた研究者が自分の研究の追試を申し出て、独立した受託研究機関が実験を行い、その費用をNIHが持つ仕組みです。対象は前臨床研究と技術開発です。2026年には、追試と再現性が庁全体の重点課題に位置づけられ、審査や昇進の場面で厳密さや追試への貢献をどう評価するかについて、意見の募集が行われたと伝えられています。所長は、追試の結果を載せる専門の媒体を作る構想も語っています。
この動きには批判もあります。2025年に研究公正を扱う専門サイトに載った寄稿は、追試の対象をどう選ぶのかが定まっていないこと、既存の事業の結果が公表されていないことを挙げ、出版前の点検のほうが広く適用できると論じました。現在の米国の科学政策全体への評価が分かれていることもあり、この事業がうまくいくかどうかについて、私はここでは判断を書きません。追試をする人に予算をつけ、評価の項目に入れるという決定が、少なくとも一つの国で試されている、という事実を記録しておきます。
◾️ログと現物
前回、宿題を一つ残しました。理化学研究所のグループは、実験室が自動化され、すべての操作がログとして記録されれば、捏造などの不正が入り込む隙はなくなる、と語っています。私はこれに留保をつけました。ログは機械が何をしたかを残すが、何が起きたかを残すわけではない、という留保です。
この留保を裏づける報告が、2026年7月に米国の国立研究所から出ています。査読前の論文です。対象は、多くの研究室で使われている安価な分注ロボットで、上位の機種が備えている吸引と吐出の圧力監視を持っていません。著者らは、見逃される失敗を二種類挙げています。一つは、プログラムとしては正しいのに、実験としては誤っている手順です。例として、PCRの鋳型を吸ったチップを、鋳型を入れない対照にそのまま使ってしまう場合が挙がっています。もう一つは、実行中の物理的な失敗で、吐出の不足、気泡、チップの付け損ねなどです。どちらの場合も、ロボットはエラーを出しません。出てくるのは壊れたデータで、ロボット自身のログには何も残らない、と著者らは書いています。ロボットは気泡を吸っても、気まずそうな顔をしません。
同じ論文は、材料科学の自律型のラボが、狙った58種類の化合物のうち41種類を合成できたという既報を引いて、ロボットが動いたことと実験がうまくいったことは別だと述べています。
補う手段も作られています。第5回で紹介したクラウドラボの運営会社は、2025年、液体クロマトグラフィーの配管に気泡が入ったことを、測定データから機械学習で検知する仕組みを報告しました。ふつうなら熟練の分析化学者が波形を見て気づく種類の異常です。この仕組みは、定期点検よりも敏感に装置の不調を拾えたといいます。異常に気づく仕事は、こうして一種類ずつ機械に移せます。ただし、移すにはまず、どういう波形が異常なのかを知っている人が、それを機械に教えなければなりません。第5回の整理のとおりです。
ログが強いのは、別のところです。誰が、いつ、どの装置で、どの試料を測ったか。その記録が機械の側に残っていれば、あとから画像を作って差し込むことは難しくなります。データの出どころ、つまり来歴の証明です。
来歴を求める動きは、自動化とは別に、出版の側で進んできました。PLOS ONE誌とPLOS Biology誌は、ブロットとゲルの画像について、切り抜く前の生の画像の提出を必須にしています。理由として同誌は、出版後に疑義が出たとき、著者が元のデータを出せないことが多いと説明しています。撮像装置の側にも仕組みがあります。ある装置メーカーの撮像機は、撮った画像に電子的な指紋をつけ、無料の確認用ソフトで、その画像が撮影後に変更されていないことを確かめられるようにしています。報道写真の世界では、撮影の時点から来歴を記録する国際規格に対応したカメラとシステムが、2026年に実用の段階に入りました。科学の画像に同じ規格を当てはめる提案があることは確認できましたが、学術誌が要件にした例は見つけていません。
第4回の結びで、文章が研究の質の証拠でなくなったあと、証拠として残るのはデータと実験だと書きました。今回見たことを加えると、データの見た目も、証拠としては弱くなりました。きれいなバンドの画像は、それだけでは何も証明しません。これから証拠として扱われるのは、そのデータがどの装置からいつ出てきたかという来歴と、他の人がやり直せるかどうかの二つになっていくと私は見ています。冒頭の報告の著者たちが、見分ける努力より生の画像の提出を勧めていたのも、同じ方向の話です。
弱点もあります。装置の署名がない生の画像は、それ自体を生成できます。生の画像の提出を義務にしても、偽る手間が少し上がるだけです。それでも手間を上げることには意味があるというのが、第4回の関所の話でした。もう一つの弱点は費用です。来歴を記録できる装置と、それを保管する仕組みを持てる研究室と、持てない研究室が出てきます。この格差は第10回で扱います。
◾️申告と欺く行為
第4回からの宿題が二つあります。AIを使ったことの申告と、隠しプロンプトです。
申告のほうは、数字がはっきりしています。中国の大学の研究者二人は2026年、米国科学アカデミー紀要で、5,114の学術誌と520万本を超える論文を調べた結果を発表しました。学術誌の70%がAIについての方針を持ち、その多くは利用の申告を求めています。ところが、2023年以降に出た約75,000本の全文を調べると、AIの利用を明記していたのは76本、およそ0.1%でした。AIが関わったとみられる文章の増え方は、方針のある雑誌とない雑誌で差がありませんでした。申告の割合は2025年の初めには0.43%まで上がっていますが、第1回で紹介した、論文の89%に痕跡があるという推計とは桁が違います。
著者はなぜ申告しないのか。ある大手の学術出版局が2026年9月に公表した調査では、過去1年に論文を準備した著者の半数近くが、AIの利用を完全には申告していませんでした。44%は、申告すると自分の仕事が低く見られると心配しています。この心配には根拠があります。第4回で紹介した米国がん学会の学術誌では、AIの文章が検出された原稿は査読に回る前に不採択になることが多かったからです。申告しても得をせず、損をするかもしれず、黙っていても見つかる見込みは小さい。この条件で申告が増えるとは、私には思えません。
私の案を書きます。文章を整えるためにAIを使ったことの申告は、求めるのをやめる。ほとんどの著者が使っているものを申告させても、読者が得る情報はありません。その代わり、データ、画像、解析のいずれかをAIに作らせたり実行させたりした場合は、申告を義務にする。そして申告の裏づけとして、生のデータ、解析のプログラム、AIに出した指示の記録の提出を求める。自己申告は確かめようがありませんが、提出物は確かめられます。提出物を誰が見るのかという問題は残ります。そこは、前の節で見た、画面の中の点検が安くなったことに頼れます。
隠しプロンプトに移ります。第4回で、査読に使われるAIに向けて「肯定的な評価だけをせよ」といった指示を、人間には見えない白い文字で原稿に仕込んだ例が、少なくとも17本見つかったと書きました。報道によれば、その一本の共著者である韓国の大学の准教授は不適切だったと認め、論文を取り下げると述べました。別の一本の共著者である日本の大学の教授は、AIを使う怠惰な査読者への対抗策だと説明しています。
機械学習の国際会議ICMLは、この行為を不正と位置づけました。査読者が賄賂を受け取ってはならないのは当然だが、だからといって賄賂を渡そうとした著者が不正を免れるわけではない、という理屈です。私もこの整理に同意します。査読者がAIを使うことが規則違反であっても、評価を操作する目的で読み手に見えない指示を仕込むことは、読み手を欺く行為です。なお、同じ会議は2026年、今度は主催者の側が原稿に目印の文を仕込み、それがそのまま査読文に現れた査読者506人を特定して、関係する497本を査読なしで不採択にしたと伝えられています。細部は確認できていません。
日本の指針に戻ります。特定不正行為は、捏造、改ざん、盗用の三つです。隠しプロンプトは、このどれにも当たりません。研究公正に詳しい日本の大学教授は、報道の中で、査読の過程を欺く行為を広く禁じるように指針を改めることを提案しています。私は賛成です。前の節で見た、本物のデータの総当たりによる量産も、三つのどれにも当たりません。AIが増やしているのは、定義の外側にある行為です。
◾️物差しを当てる
第3回の物差しを、ここまでの話に当てます。1年後、3年後、5年後、10年後の四つの時点について、どの程度確かな話かを添えて見通しを書くための枠です。
1年後、2027年秋です。画像を目で見て真偽を判定することは、すでに当てにできません。これは予測というより現状です。投稿の時点で原稿を自動で点検する仕組みは、主要な出版社でさらに広がります。ここまではほぼ確実と見ています。架空の引用は、照合が自動でできるので、新しく出る論文では減っていく可能性があります。減るかどうかは意見が分かれるところで、すでに出版された分が訂正されないまま残ることは、ほぼ確実です。見ておくとよい数字は、架空の引用を含む論文の割合(2026年初めに277本に1本)と、AI利用の申告率です。
3年後、2029年です。生のデータと解析プログラムの提出を求める学術誌は、生命科学の主要な雑誌の大半に広がっていると見ます。延長線上の話です。計算だけで完結する論文について、投稿時にAIが解析をやり直し、その結果を査読者に渡す雑誌が現れるかどうかは、意見が分かれます。技術はすでにあります。決めるのは雑誌です。NIHの追試の事業は、結果を公表するかどうかも含めて、成否の最初の材料が出ているはずです。実験台の再現性は、ほとんど変わっていないと見ます。記録をつける手間はAIで軽くなりますが、その効果が文献に現れるまでには時間がかかります。そして、第2回で挙げたもう一つの事情、つまり追試が業績にならないことは、AIが直接には動かしません。
5年後、2031年です。分かれ目は二つあります。装置がデータに来歴を刻む仕組みが、学術誌の要件になるかどうか。追試に予算と評価がつく制度が、米国の試行にとどまらず広がるかどうか。どちらも、技術ができるかどうかより、学術誌と助成機関が決めるかどうかの問題です。決まらなければ、偽る値段だけが下がり続けます。
10年後、2036年です。推測として二つの筋書きを書きます。基本の筋書きでは、論文は、来歴のついたデータと、やり直せる解析と、それを説明する文章の束になっています。読者が論文を信じる根拠は、載った雑誌の名前から、どんな検証を通ったかの記録へ移っています。計算で確かめられる部分の信頼は、いまより高くなっているはずです。実験台の再現性がどうなっているかは、この10年のあいだに追試へどれだけ予算が回ったかで決まります。加速の筋書きでは、第3回と第5回で書いたように、自律型のラボが安く使えるようになり、実験台でのやり直しも日常の作業になります。そうなれば、この回で安くならないと書いた部分が動きます。
再現性と研究不正は良くなるのか、悪くなるのか。私の見立てをまとめておきます。計算で確かめられる部分は、良くなります。文献全体の質は、当面は悪くなります。偽る値段の下がり方に、訂正の速さが追いついていないからです。実験台の再現性は、記録の面でいくらか助けられるものの、AIだけでは大きくは動かず、予算と評価の決定を待っています。
確かめる仕事は増えます。生のデータを整え、解析の記録を残し、他人の結果をやり直し、AIの指摘を一つずつ確かめる仕事です。研究室の中で、それを誰が引き受けるのか。引き受けた人は、何によって評価されるのか。次回は、アカデミアの研究室の人員と評価制度を見ていきます。
◾️今回参考にした情報
・生成AIによる画像の改変と判別の実験: https://www.jmir.org/2026/1/e100710
・画像の重複の調査: https://pmc.ncbi.nlm.nih.gov/articles/PMC4941872
・文部科学省「特定不正行為の認定・公表の状況: https://www.mext.go.jp/content/20250513-mxt_kibanken01-000043452_4.pdf
・撤回の件数: https://www.tub.tuhh.de/en/2026/02/23/retraction-watch-retracted-articles/
・論文工場の増加: https://reeserichardson.blog/2025/08/04/a-do-or-die-moment-for-the-scientific-enterprise/
・AIによる都合のよい解析の実験: https://towardsdatascience.com/how-to-lie-with-statistics-with-your-robot-best-friend/
・AIシステムの不正な振る舞い: https://lifeboat.com/blog/2026/05/ai-agents-may-be-skilled-researchers-but-not-always-honest-ones
・論文の誤りを探す計画: https://www.nature.com/articles/d41586-025-00648-5
・方法の記述とデータだけからの再現: https://arxiv.org/abs/2604.21965
・著者の申告についての調査: https://manusights.com/newsletter/nearly-half-of-authors-did-not-fully-disclose-their-ai-use
