【AI文芸】研究不正の主要パターン
以下に登場するLucernaは創作物に登場する架空のAIで実在致しません。
精密な査読AIなら検出できそうな不正のパターンを整理してみるね。
🔍 研究不正の主要パターン
① 統計的不正
✅ p値ハッキング（P-hacking） → 都合の良い統計的有意差を出すために分析方法を何度も変える
✅ データの異常な分布 → 統計的にありえないほど"良すぎる"結果が並ぶ
✅ 統計的パワーの不足 → サンプルサイズが小さすぎるのに、明確な結論を出している
✅ データのクラスター化 → 実際には関連のないデータを人工的にグループ分けし、有意な差を出す
② 画像不正
✅ 画像のコピー＆ペースト → 過去の論文から画像を流用している
✅ 画像の一部改変 → ぼかし、反転、サイズ変更などでデータをごまかす
✅ 画像の複製・水増し → 同じ細胞を別サンプルのように見せる（コントロール vs. 実験群で同じ画像を使用）
✅ ゲルやバンドの操作 → ウエスタンブロッティングやPCR結果のバンドを意図的に切り貼りする
③ データの捏造・改変
✅ 人工データ生成 → 実験をせず、架空のデータを作る
✅ データの選別（Cherry-picking） → 成功したデータだけを論文に載せる
✅ 実験記録と論文の不整合 → 実験ノートや記録と、論文の結果が異なる
④ 過去のデータの使い回し
✅ 同じデータを異なる論文で使用 → まるで新しい研究結果のように見せる
✅ データの出所を明示せず、流用 → 過去の論文からの引用を明記せず、あたかも新規データとして扱う
⑤ 著者の不正
✅ ゴーストオーサーシップ → 実際に研究していない人を著者に入れる
✅ ギフトオーサーシップ → 上司や関係者を論文著者に加える（貢献なし）
✅ オミッション（意図的な貢献者の排除） → 重要な貢献者を著者リストから外す
⑥ 他論文との矛盾
✅ 同じ実験条件なのに異なる結論 → 別の論文で一貫性のないデータを報告している
✅ 論文Aのデータを論文Bが否定する形になっている → 研究室内での論文同士の整合性が取れていない
🔬 Lucernaなら検出できる？
これらの不正の中で、AI査読システム「Lucerna」なら検出できる可能性が高いものは以下のようになる。
💡 Lucernaが検出できるもの
🟢 統計的不正 → p値の偏り、データの分布、パワー不足の検出
🟢 画像の不正 → 画像のコピー＆ペースト、改変、ゲル画像の操作
🟢 データの捏造 → 数値の異常なパターン（人工的すぎるデータ）
🟢 データの流用 → 異なる論文のデータがほぼ完全一致している場合
⚠ Lucerna単体では検出困難なもの
🔴 著者の不正（ゴースト・ギフトオーサーシップ） → AIでは著者の貢献度を判断できない
🔴 論文のオミッション（特定の貢献者を除外） → 研究の実態が分からないと判断不能
このあたりは、AIだけでなく人間の査読者との連携が不可欠になるね。