AI文献レビューとディスカバリー
2億件以上の論文を検索し、分野横断的なつながりを発見し、文献から構造化データを抽出する——カバレッジを改善しながらレビューを30%高速に完了する。
プレミアムコースコンテンツ
このレッスンはプレミアムコースの一部です。Proにアップグレードすると、すべてのプレミアムコースとコンテンツを利用できます。
- すべてのプレミアムコースを利用
- 1,000以上のAIスキルテンプレート付き
- 毎週新しいコンテンツを追加
🔄 Quick Recall: 前のレッスンでAIと研究者の役割分担を学んだ。AIは処理タスク、研究者は判断タスク。このレッスンではその最初の応用——文献レビューにフォーカスする。
AIによる文献検索
キーワードだけのデータベース検索の時代は終わった。AI文献ツールは言葉ではなく意味を理解する——つまり、キーワードマッチではなく概念的に関連する論文を見つけてくれる。
AI文献ツールの全体像
| ツール | 強み | 最適な用途 |
|---|---|---|
| Semantic Scholar | 2億件以上の論文、AI要約、無料 | 広範な文献探索、全分野 |
| Elicit | 構造化データ抽出、エビデンス統合 | システマティックレビュー、データ集約型の分野 |
| Scite | Smart Citations(支持 vs. 反論) | 主張の妥当性評価、議論の構築 |
| Consensus | 査読済みソースからのAI回答 | エビデンスの素早い確認、臨床的疑問 |
| Connected Papers | 引用ネットワークの視覚的グラフ | 分野の構造マッピング、基盤論文の発見 |
| Research Rabbit | シード論文からの推薦エンジン | 読書リストの拡張、ディスカバリー |
推奨ワークフロー: Semantic Scholarで初期探索 → Connected Papersで分野マッピング → Elicitで構造化抽出 → Sciteでエビデンス評価
ステップ1:広範な探索
Semantic Scholarまたは汎用AIツールから始める:
[あなたの具体的な研究課題]を研究しています。
分野:[専門分野]
主要概念:[3〜5個のコア概念]
期間:[過去5年、または基礎的研究は全期間]
最も関連性の高い論文を検索してください。優先順位:
1. システマティックレビューとメタアナリシス
2. 高被引用の基礎的研究
3. 最近の実証研究(直近2〜3年)
4. 新しい視点を提供しうる隣接分野の研究
各論文について:タイトル、著者、年、ジャーナル、主要な知見、私の課題との関連性を示してください。
✅ Quick Check: なぜシステマティックレビューとメタアナリシスを最初に?——既存のエビデンスを統合しているため、1本のメタアナリシスで20〜50本の個別研究の結論が得られる。全体像を把握してから個別論文に入る。地図を見てから街を歩くのと同じ。
ステップ2:分野マッピング
主要論文が見つかったら、Connected Papersや引用分析で分野の構造を理解する:
引用ネットワークから読み取れること:
- クラスター — 互いに頻繁に引用しあう論文群(サブトピックや方法論の学派を示す)
- ブリッジ — クラスターをつなぐ論文(多くの場合、最もイノベーティブな研究)
- 基礎ノード — 高被引用の古い論文(重要な概念を確立)
- 最近のフロンティア — 被引用数が急増している新しい論文
この構造的理解は自分の研究のポジショニングに役立つ:この研究風景の中で自分の問いはどこに位置するか?どの会話に参加するのか?
ステップ3:構造化データ抽出
システマティックレビューや研究比較が必要な場合:
[トピック]に関するこれらの論文から、以下のデータをテーブルに抽出してください:
各研究について:
- 研究デザイン(RCT、コホート、ケースコントロール等)
- サンプルサイズ
- 対象集団の特性
- 方法論/介入
- 主要アウトカム指標
- 主要な知見(効果量を含む)
- 著者が述べた限界
論文:
[タイトル、DOI、またはアブストラクトを貼り付け]
Elicitはこれをネイティブに実行する——論文をアップロードし、必要なデータポイントを指定するだけ。他のAIツールではアブストラクトや主要セクションを貼り付けて使う。
ステップ4:エビデンス評価
SciteまたはAIツールでエビデンスの強さを評価する:
この主張に対するエビデンスを評価してください:[具体的な研究上の主張]
必要な情報:
1. この主張を支持する研究はいくつあるか?
2. 反論または追試に失敗した研究はいくつあるか?
3. 支持する研究の方法論的質は?
4. この問題に対処するシステマティックレビューやメタアナリシスはあるか?
5. 全体的な確信度:強い、中程度、限定的、論争中のどれか?
✅ Quick Check: なぜエビデンス評価を探索と分けるのか?——関連論文を見つけることとその質を評価することは異なる認知タスクだから。ある論文は問いに非常に関連していても方法論が弱い場合がある。別の論文は完璧な方法論でもわずかに異なる対象を研究しているかもしれない。「何が存在するか」と「何が信頼できるか」を分離することで、不安定な基盤の上に議論を構築するリスクを防ぐ。
AI文献ワークフローの管理
文献管理ツールとの連携: AIで見つけた論文をZotero、Mendeley、EndNoteに直接エクスポート。ほとんどのAIツールは標準フォーマット(BibTeX、RIS)でのエクスポートに対応。
検証プロトコル: 引用予定のAIサーフェスト論文すべてに対して:
- 論文が実在するか確認する(AIは稀にハルシネーション引用を生成する)
- 少なくとも原論文のアブストラクトと方法論を読む
- AIの要約が知見を正確に表しているか検証する
- ジャーナルの評判と研究の方法論を確認する
Key Takeaways
- AI文献ツールはキーワードではなく意味で検索し、分野横断的に概念的に関連する研究を発見する
- マルチツールワークフロー:Semantic Scholarで探索、Connected Papersでマッピング、Elicitでデータ抽出、Sciteでエビデンス評価
- Smart Citations(Scite)は支持引用と反論引用を区別——被引用数だけよりはるかに有用
- 構造化データ抽出(Elicit)はシステマティックレビューの最も時間のかかるフェーズを自動化する
- AIサーフェスト論文は必ず検証する:実在確認、原文の確認、要約の正確性チェック
Up Next: 次のレッスンでは文献のギャップを検証可能な研究課題に変換する——AIによる仮説生成とリサーチデザインを学ぶ。
理解度チェック
まず上のクイズを完了してください
レッスン完了!