研究の進め方を調べてみる
先日Xを見ていたら、落合さんより下記のような指摘がありました。
しかし皆のDeepResearchの使い方を見ているとPhD 教育の必要性を感じるので教育機関としての大学重要だと思った．研究したことないと研究ツールがあっても研究しない．
— 落合陽一 Yoichi OCHIAI (@ochyai) February 4, 2025
しかし皆のDeepResearchの使い方を見ているとPhD教育の必要性を感じるので教育機関としての大学重要だと思った. 研究したことないと研究ツールがあっても研究しない.
DeepResearchというのは2025年2月上旬にOpenAIがリリースした深層検索機能のこと、現在はProプラン(月3万円くらい)のみで利用可能。
個人的に大学院に進んでいないこともあり、初心にかえりつつ生成AIに聞いてみることにしました。
生成AIへの問いあわせ
生成AIへの問い合わせは下記。
皆のDeepResearchの使い方を見ているとPhD 教育の必要性を感じるので教育機関としての大学重要だと思った．研究したことないと研究ツールがあっても研究しない。という意見があります。研究の仕方をできるだけわかりやすくステップに分けて解説して
PhD教育が重要なのは、研究の進め方を体系的に学ぶ機会を提供するからですが、独学でも研究を進めることは可能です。そのため、初心者でも理解しやすいように、具体的な流れを説明します。
とのこと。
ステップの流れは下記。
問題を特定する(リサーチクエスチョンの設定)
先行研究を調査する(文献レビュー)
研究方法を決める
データを収集する
データを分析する
結果を解釈し、考察する
研究成果を発表する(論文・プレゼン)
Xでの投稿は文字制限の制約や、リアルタイム性を求められる事もあってか、「使ってみた」という実体験に偏りがちです。
研究手法に合わせて考えてみれば、先行研究の調査、これまでにできていこと、できていなかったことの切り分け、問題の特定などが不足しているように思えます。
下記は具体的な研究ステップになります。(生成AIにより作成)
1. 問題を特定する（リサーチクエスチョンの設定）
目的: 何を解明したいのかを明確にする。
方法:
興味のある分野で「未解決の課題」「新しい視点が必要なテーマ」を探す。
既存の研究（論文、書籍、ニュース）を確認し、問題点を特定する。
「なぜ？」「どうして？」を繰り返して深掘りする。
例:
✗ 悪い例：「AIは便利か？」 → ざっくりしすぎ
✓ 良い例：「LLM（大規模言語モデル）は、初心者のプログラミング学習をどのように支援できるか？」
2. 先行研究を調査する（文献レビュー）
目的: すでにどのような研究があるのかを把握し、自分の研究の位置づけを明確にする。
方法:
Google Scholar、DeepResearch、arXiv、**論文データベース（Springer, IEEE Xplore, JSTOR など）**を活用する。
調べるキーワードを適切に設定する（例：「LLM」「プログラミング教育」「学習効果」）。
先行研究の「課題」や「今後の研究の方向性」に注目する。
例:
過去の研究で「AIがプログラミング初心者のコード補完を助ける」ことはわかっているが、
→ 「初心者の理解力がどのように向上するか？」は十分に調査されていない。
3. 研究方法を決める
目的: どのようにデータを収集・分析するかを決定する。
研究のタイプ:
定量的研究（数値データを扱う）
例: アンケート調査、実験データ分析、機械学習モデルの評価
定性的研究（テキスト・インタビューなどを扱う）
例: ユーザーインタビュー、ケーススタディ、観察研究
混合研究（定量+定性）
例: プログラミング学習者に対するアンケート（定量）とインタビュー（定性）を組み合わせる
例:
ChatGPTを使ったプログラミング学習の影響を調査するために、
定量分析: 50人の初心者に使ってもらい、コードの正確性を評価する。
定性分析: 使用者にインタビューし、「学習体験の変化」を調査する。
4. データを収集する
目的: 研究の仮説を検証するためのデータを集める。
方法:
アンケート: Googleフォーム、SurveyMonkeyを使う
実験: ユーザーに特定の課題を解かせ、データを記録
ログデータ: アプリやシステムの使用履歴を分析
文献分析: 既存のデータセットや論文の統計データを活用
例:
AIアシスタントを使ったグループAと、使わないグループBで、
→ コーディング課題の正解率を比較する（実験データ）。
5. データを分析する
目的: 集めたデータからパターンや傾向を見つけ、仮説を検証する。
方法:
定量分析:
Excel、Python（pandas, scipy, sklearn）、R（ggplot, tidyverse）を使う
平均値・中央値・標準偏差の比較、相関分析、回帰分析
定性分析:
インタビューの音声を書き起こし、共通する意見をグループ化
テーマ別に整理（例：「AIの説明がわかりやすい」「誤回答があると混乱する」）
例:
AIアシスタントを使ったグループAの方が、
平均正解率が30%高い（定量分析）。
「自己学習が進めやすかった」との声が多い（定性分析）。
6. 結果を解釈し、考察する
目的: 分析結果の意味を深掘りし、「なぜそうなったのか？」を説明する。
方法:
予想通りの結果か？違う場合、何が原因か？
先行研究と比較し、同じ結論か？違いは？
結果の限界（制約）を考慮する（例: サンプル数が少ない、特定の層に偏っている）
例:
AIアシスタントを使うと、初心者のコーディング精度が向上。
しかし、「間違ったコードを自信満々に提出するケース」も増えた（→ 新たな課題）。
7. 研究成果を発表する（論文・プレゼン）
目的: 研究結果を他の人と共有し、フィードバックを受ける。
方法:
論文の書き方（IMRaD構造）
Introduction（序論） → 研究の目的・背景
Methods（方法） → データ収集・分析方法
Results（結果） → 実験結果・統計データ
Discussion（考察） → 結果の解釈・今後の課題
Conclusion（結論） → まとめ・次のステップ
発表方法:
学会・カンファレンス: スライドを使った口頭発表
ブログ・Medium: 一般向けにわかりやすく公開
企業内レポート: 社内研究の成果をまとめる
例:
「LLMを活用したプログラミング学習の影響」を論文にまとめ、学会で発表する。
ブログ記事やYouTube動画で、一般向けに研究内容を解説する。
まとめ
研究は「情報収集 → 実験・調査 → 分析 → 発表」という流れで進めると、初心者でも体系的に取り組めます。DeepResearchのようなツールを活用することで、文献調査が効率的になり、研究の質が向上します。PhD教育は体系的な指導が受けられる点で有益ですが、独学でも十分に研究を進めることが可能です。
「研究する力」は問題を論理的に解決するスキルなので、日常や仕事にも応用できます。まずは小さなテーマで、実際に研究を進めてみるのがオススメです！
文献調査が何より必要ですね、生成AIを活用しつつもっと論文を読み込んでいこう。
有料マガジン
AIエージェントのマガジン
コンテンツ作成のマガジン
個人開発のマガジン
Udemy講座 生成AIもいくつかあります(Dify, 画像生成AI, ChatGPTなど)
udemy講師紹介ページ
udemy講座のクーポン一覧
最後まで記事をお読みいただきありがとうございます❗
さらなる良記事を執筆するためのモチベーションアップのため、
よろしければスキ & フォローもお願いいたします😊
フォローバック100%させていただきます💯
いいなと思ったら応援しよう！
