仮説生成とリサーチデザイン

🔄 Quick Recall: 前のレッスンで2億件以上の論文を検索し、分野の構造をマッピングし、データを抽出し、エビデンスを評価した。このレッスンではその知見から研究仮説を生成・精緻化する。

文献ギャップから研究課題へ

文献レビューは「何が行われてきたか」を示す。仮説生成フェーズでは「次に何をすべきか？」を問う。AIはこの問いを体系的に探索する手助けをしてくれる。

研究ギャップの特定

文献レビューの完了後、AIで知見のギャップを分析する：

[トピック]に関する文献レビューの結果から、研究ギャップを特定してください：

発見した内容：
- [主要な知見1（出典付き）]
- [主要な知見2（出典付き）]
- [主要な知見3（出典付き）]
- [よく使われる方法論的アプローチ]
- [よく研究されている集団]

以下を特定してください：
1. 文献が提起しているが回答していない問い
2. 研究されていない集団やコンテキスト
3. 新しい研究で対処可能な方法論的限界
4. 解決が必要な研究間の矛盾
5. まだ探索されていない分野横断的なつながり

埋める価値のあるギャップとは：

✅ Quick Check: 「追求する価値あり」の列がなぜ重要か？——目標は任意のギャップを見つけることではなく、その穴を埋めることで知識が前進するギャップを見つけること。AIは何十ものギャップを特定できるが、どれが重要かを判断するのはあなたの専門知識。

仮説の生成

有望なギャップを特定したら、AIで具体的で検証可能な仮説を生成する：

この研究ギャップに対する検証可能な仮説を開発してください：

ギャップ：[特定した具体的なギャップ]
分野：[専門分野]
理論的枠組み：[思考を導く理論やモデル]
利用可能な方法：[現実的に使える方法]
利用可能なデータ：[アクセスまたは収集可能なデータ]

以下の条件を満たす仮説を5〜10個生成してください：
1. 具体的かつ反証可能
2. 既存のエビデンスから論理的に導かれる
3. 利用可能な方法とデータで検証可能
4. 確認または否定された場合に分野に意味のある貢献をする
5. スコープに幅がある（すぐに検証可能な狭いものから、より広いものまで）

AI生成仮説の評価：

各仮説について問う：

• 本当に反証可能か？（エビデンスで否定できるか？）
• 既存の理論がこの予測を支持するか？（恣意的ではないか？）
• 主要変数を操作化できるか？（どう測定するか？）
• 支持（または否定）された場合、分野にとって何を意味するか？
• 自分のリソースとタイムラインで達成可能か？

AIによるリサーチデザイン

仮説を選んだら、AIで研究デザインを検討する：

この仮説を検証する研究をデザインしてください：

仮説：[選択した仮説]
分野とコンテキスト：[専門分野、対象集団、セッティング]
制約：[予算、タイムライン、参加者/データへのアクセス、倫理的制限]
方法論の専門性：[自分が訓練を受けている方法]

以下を提案してください：
1. 研究デザイン（実験、準実験、観察等）
2. サンプルサイズの推定と根拠
3. データ収集方法
4. 主要・副次アウトカム指標
5. 分析計画（統計的検定または質的アプローチ）
6. 妥当性への脅威とその対処法
7. 倫理的配慮

シンプルさの原則： AIが複雑なデザインを提案したら常に問う：「同等に問いに答えられるよりシンプルなデザインはないか？」複雑なデザインはエラーの機会を増やし、リソースを消費し、時間がかかる。最良のデザインは、仮説に厳密に答えられる最もシンプルなもの。

✅ Quick Check: シンプルさの原則が重要な理由——研究デザインの要素（追加条件、追加測定、混合研究法）が増えるたびにエラーの機会が生まれ、コストが増え、タイムラインが延びる。よくデザインされたシンプルな研究は、不十分に実行された複雑な研究よりもクリーンなエビデンスを生む。

検出力分析とサンプル計画

研究に必要なサンプルサイズを計算してください：

研究デザイン：[デザインの種類]
主要アウトカム指標：[測定対象]
予想効果量：[小/中/大、または既知の場合は具体的な値]
有意水準：[通常0.05]
検出力：[通常0.80以上]
群/条件の数：[該当する場合]
予想脱落率：[脱落が見込まれる割合]

推奨の根拠と前提条件を説明してください。

Key Takeaways

• AIは文献のギャップを体系的に特定するが、どのギャップを埋める価値があるかを判断するのはドメイン専門知識
• ギャップごとに5〜10の仮説を生成し、反証可能性・理論的根拠・実現可能性で評価する
• リサーチデザインはシンプルさの原則に従う：問いに厳密に答えられる最もシンプルなデザインを選ぶ
• AIは包括的なデザインを提案しがち——本質的な要素に絞り込むのが研究者の役割
• 研究に着手する前に必ず検出力分析とサンプルサイズの推定を行う

Up Next: 次のレッスンではAI支援データ分析——自然言語の統計インターフェースからコード生成、可視化までを学ぶ。