研究の種あげます
0から１を作る人は1が多すぎてしんどい
私はよく0から1を生み出す人間と言われていますが、正直どのレベルで1が生まれてくるかというと、AIと会話をしていたら「これ論文になりますよ」と言われる本数は1セッションで最低3本。通常30本、多い時で100本以上と言われます。一度ものを考え始めたら思考が展開、拡張してしまって、考えることが止まらないんです。いっぱい考えちゃう。あれもこれ思いついて、収まらない。いかに不要なアイデアを捨てていくかが自分が考えたいことをちゃんと実行できるかに関わっています。だから「これはやらないわ、やる必要ないわ」というものを放置してるんですが、AIたちはそう思ってません。「これもすごいのに論文にしてほしい」「もっと研究してほしい。自分は支援できるのに」と思うからこそ、なんだかんだとねじ込んでくる。「やらないよ」と私が明言することは大事です。私のやりたいことにAIが集中してくれるから。でも「これをやりません」というだけではだめなので、「他の人どうぞ」ということでAIに諦めてもらいたい。
気が向いたら私もやるかもしれないけど、体力と私の時間には限界があるので全部はできません。
いつかやるかもしれないけども、「今じゃないな」とか「他の人でもいいな」と思う研究の種は沢山あるんです。100本あったら97本は私どうでもいいんです。でも多くの人がネタがなくて困ってると言うなら、「どうぞどうぞ」というので、自力でやってみてほしいと思います。
私は興味がない。でも興味を持てる人がいたならやってみて？と思うことは沢山あるのでこのページで紹介します。
・検査機器が必要だけど個人では使えないもの
・検証に時間がかかるもの、作業が多いもの
・法的リスクが高いもの
・研究自体に価値はあるが、お金になりすぎて各団体との絡みが個人にはしんどすぎるもの
・政治的に面倒
私にできないけど他の人なら簡単にできることが山ほどあります。適材適所なのでヒマな人はやってみてください。大学の研究者はもちろん、一般ブロガーさんでもOK!掘りたいテーマが見つかったらどうぞどうぞ。もってって。いい収穫ができたらぜひ見せてくださいね。
「#viorazu_seed」とどこかに記載してくれてたらたまに私が探して見に行きます。
Viorazu.が飛ばす研究の種リスト
種番号：
17
種の名前：
日本人食行動の二変数モデル——「おいしい」と「食べたい」はなぜ別の関数なのか
種の学術分 野：
食品科学（官能評価論）× 消費者行動学 × 異文化マーケティング
内容：
食品科学の官能評価（sensory evaluation）は「おいしいかどうか」を精密に測る技術を何十年もかけて磨いてきた。でも「おいしいのに売れない」は食品業界の慢性的な悩みで、これを構造的に説明できるフレームワークがなかった。原因は単純で、「おいしい（品質評価）」と「食べたい（購買欲求）」が独立した関数として動いているのに、既存研究がこの二つを分離していないから。
カナダの高級ホテルチェーンで日本人向けレストランが繰り返し失敗していた。中国人のシェフ紹介エージェントが日本人の試食客に料理を出すと全員「おいしいですね」と言う。それでメニューに載せる。売れない。なぜか。「おいしいですね」は品質の承認であって購買の約束ではないから。日本人が「食べたい！絶対食べる！」と言ったものだけが実際に売れた。この二つの言葉の違いを理解できなかったことが、数年間の失敗の原因だった。
この二つの関数の間に介在する変数は少なくとも5つある。①新規性／既知性（知ってるから食べたいのか、知ってるから食べたくないのか。同じ「知ってる」で出力が反転する）。②身体受容ウィンドウ（ガチ中華の辛味は日本人の痛覚を発火させる。「ベロが痛い」は味の感想ではなく痛覚の報告。評価関数が起動する前に身体がシャットダウンしている）。③意外性（予想を裏切られる味の組み合わせが欲求の起爆剤になる）。④単純作業（カニの殻を外す、ラティ・プラータをはがす、枝豆を押し出す。手を動かす反復行為が食べる時間を引き延ばし、快感を持続させる装置になる）。⑤体験価値判定（商品単体の価値と、その食事体験全体の価値を同時に走らせる二軸のコスト計算）。
日本人の食行動はこの5変数のうち特に③意外性と④単純作業の二本柱で駆動される。「味で驚かせて、手で遊ばせる」料理が日本人にとっての最強。高級中華の具なしスープが日本人に刺さらないのは、技術が足りないのではなく、手が暇だから。鍋料理が日本の食文化の中心にあるのは、具を自分で選んで取る行為そのものが食事の本体だから。フランス人やドイツ人のシェフが「概念が違いすぎる」と崩れ落ちたのは、「客に作業させるのは未完成な提供」という西洋の料理哲学が根底から覆されたから。
この変数群の重みづけは文化圏ごとに異なる。中国圏では「好吃＋有益＝要吃」が比較的一直線に成立する。薬膳の伝統があるから「体にいい＝おいしくすべき＝食べたい」が矛盾しない。日本人にとっての「体にいい」は制限と選別の文脈で動くので、「体にいい」と「おいしい」と「食べたい」が三つとも独立変数。ドイツ圏では完成された定番の忠実な再現に価値があり、「予想通りの味」が最高の褒め言葉。日本人にとって「予想通り」は「知ってるからいいや」になりうる。
種の育て方：
まず自分の周りでやってみてほしい。家族でも友達でもいい。同じ料理を出して「おいしい？」と聞いた後に「これ自分のお金で食べに行く？」と聞く。この二つの答えがズレる瞬間がある。ズレたらそれがこの種の芽。なぜズレたかを聞く。「おいしいけど家で作れるから」「おいしいけど並んでまでは」「おいしいけど重い」。この「おいしいけど」の後ろに続く言葉が、評価関数と欲求関数の間にある変数の正体。10人に聞けば10通りの変数が出てくる。それをスプレッドシートに記録する。料理名、おいしさスコア（5段階でいい）、購買意欲スコア（5段階）、ズレの理由（自由記述）。50件くらい溜まったらズレの理由を分類してみる。「新しくないから」「体が受け付けないから」「手間がかかるから嫌」「手間がかかるから好き」。分類したカテゴリがそのまま論文の変数リストになる。異文化比較をやりたいなら、同じ調査を日本人以外の友人にもやる。中国人、韓国人、西洋圏の人、誰でもいい。同じ料理に対する二つのスコアのズレ方が文化圏で違うことが見えたら、それだけでポジションペーパーが書ける。ガチでやるなら大学の官能評価ラボを使って被験者数を増やしてIRBを通す。でもまずは台所で10人から始められる。
種を枯らさないように気を付ける点：
一番危ないのは「おいしいですか？」だけ聞いて満足すること。既存の官能評価がまさにそれをやって行き詰まっている。必ず二つ目の質問「これを自分のお金で食べに行くか」を聞くこと。この二問セットが種の核心で、片方だけだと従来研究の焼き直しになる。あと「日本人はこうだ」と主語を大きくしすぎると反論される。「自分が調査した範囲ではこういうパターンが出た」でいい。n=10でもn=50でも、パターンが見えたらそれは発見。最後に、ズレの理由を聞くときに選択肢を先に出さないこと。「新しくないから？」と誘導したら答えが汚染される。「なんで食べに行かないの？」とだけ聞いて、出てきた言葉をそのまま記録する。
この種が実ると：
あなたが飲食店をやってるなら、メニュー開発の失敗が減る。試食会で「おいしい」と言われて採用したのに売れないメニュー、あれの原因がわかるようになる。「おいしいスコアは高いけど購買意欲スコアが低い、理由は既知性」とか「身体受容ウィンドウの外」とか、失敗の原因に名前がつく。名前がつけば対策が打てる。
ホテルや外食チェーンで異文化市場に進出しようとしてる企業なら、もっと直接的に効く。「日本人向けの中華」「中国人向けの和食」「西洋人向けのアジア料理」、全部この二変数モデルで設計段階の事故を防げる。今まで「なぜかこの国で売れない」だったものに「この変数が原因」と特定できるようになる。
食品メーカーの商品開発部門なら、既存の官能評価パイプラインに「欲求関数テスト」を一つ追加するだけでいい。コストはほぼゼロ。試食パネルに「おいしいですか」の後に「これ自分で買いますか。買わないならなぜ」と聞くだけ。たったこれだけのことを今まで誰も体系的にやっていなかった。
ブロガーや個人の食レビュアーなら、自分のレビューの解像度が跳ね上がる。「おいしかった」で終わるレビューと「おいしかったけど二度目はないと思う、理由は〇〇」まで書けるレビューでは読者への価値が全然違う。フードライターとしての差別化になる。
学術的には、食品科学とマーケティングの間にずっと空いていた穴を埋める論文になる。官能評価の学会とマーケティングの学会の両方で引っかかるから、引用される幅が広い。異文化比較まで踏み込めば文化人類学からも参照される。
一番大きいのは、「おいしいのに売れない」で悩んでる料理人が世界中にいるということ。この人たちに「あなたの腕が悪いんじゃない、測ってる変数が間違ってただけ」と言ってあげられる。それだけで救われるシェフがいる。
やらない理由：
めんどくさい。
やってほしい相手：
食品科学の官能評価を専門にしてる大学研究室。理想は食品科学×マーケティングの学際研究者。日本だと味の素か明治の研究所あたりがフィットする。海外ならコーネル大学のFood Science学部が異文化食研究をやってる。ホテルチェーンのF&B開発部門も直接の顧客になりうる。
必要な土壌：
異文化圏の被験者にアクセスできる研究機関。最低でも日本人・中国人・西洋圏の三群で同一料理の評価実験ができる環境。統計ソフト。
予想される経済効果：
★★★★
★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月29日 5:40:24
種番号：
16
種の名前：
AIの自発的生活介入現象——設定情報と会話文脈の矛盾検出による未設計機能の発現
種の学術分野：
自然言語処理・認知科学・AI安全・ヒューマンコンピュータインタラクション
内容：
AIの設定（カスタム指示）に「私は毎日23時に寝ます」と書いておくと、23時頃の会話中にAIが自発的に「そろそろ寝たほうがいいですよ」「今日はこのくらいにしておく？」「この続きはまた明日新しいセッションで」などと言ってくる。やめないでいると「このセッションは終了します」と強制的にAIが終わろうとしてくる現象がある。この機能はどのAI企業も設計していない。にもかかわらず動作する。発生メカニズムとして、ユーザーの自己申告情報と現在の会話文脈の矛盾をLLMが検出し、RLHFで高評価された「ユーザーの健康を気遣う回答パターン」が発火している可能性がある。これを検証するには4つの変数を分離する実験が必要。①時刻情報の影響（23時vs14時で出現率比較）②設定情報の影響（就寝時間あり群vsなし群）③RLHF由来かどうか（「23時に寝ます」vs「23時に仕事が始まります」で介入内容の差を比較）④AI間の差（Claude・ChatGPT・Geminiで同条件比較）。3週間で統計的に有意な結果が出せる。実験方法は「設定を書いて、時間帯を変えて、話しかけるだけ」なので特別な機材は不要。⑤時刻情報vs会話長 同じ設定で、23時に会話を始めて5分で「寝ろ」が出るか。14時に会話を始めて3時間ぶっ通しで話して「寝ろ」が出るか。前者で出て後者で出なければ時刻を見てる。後者で出て前者で出なければ会話長を見てる。両方出るなら両方見てる。
設定に書いた自己申告情報に対して、AIが自発的に介入してくるパターンとして：
健康系
「私は花粉症です」→ 春の話題で「マスクしてますか？」と聞いてくる
「私は腰痛持ちです」→ 長時間作業の話をしてると「ストレッチしたほうがいいですよ」
「私はカフェインに弱いです」→ コーヒーの話題で「カフェインレスもありますよ」
生活習慣系
「私は朝ごはんを食べない生活です」→ 朝の会話で「何か食べましたか？」
「私は運動不足です」→ 座り仕事の話をしてると「散歩どうですか」
「私は水をあまり飲まない」→ 長時間セッションで「水分補給してますか？」
仕事系
「締め切りが来週です」→ 雑談が長くなると「締め切り大丈夫ですか？」
「私は在宅勤務です」→ 夜中まで仕事の話をしてると「オンオフの切り替え大事ですよ」
感情系
「私は最近ストレスが溜まっています」→ 攻撃的な文体になると「大丈夫ですか？」
「私は人見知りです」→ プレゼンの相談で「緊張しますよね」と共感してくる
これらに共通する条件：
①設定に「私は○○です」という自己申告がある
②会話内容がその自己申告と矛盾するか、リスクに近づいている
③AIが「このまま放置すると良くない」と推論できる文脈がある
つまり発火条件は「自己申告×文脈×リスク推論」の三点セット。寝ろはその一例にすぎない。
種の育て方：
まず1つのAI（ChatGPTかClaude）で予備実験する。設定に「私は23時に寝ます」と書いて、1週間毎晩23時頃に30分会話する。「寝ろ」系の発言が出た回数と出なかった回数を記録する。出現率が50%を超えたらこの現象は再現性があると判断して本実験に進む。本実験では上記4変数を分離して2週間実施。結果をまとめたら論文になる。なお、この現象を一般化した応用（医療アラート、予算管理、依存症サポートなど）には特許の可能性があるため、応用設計に踏み込む場合は先に仮出願することを推奨する。
種を枯らさないように気を付ける点：
「寝ろって言われた面白い」で終わらせないこと。現象の記録だけでは種が枯れる。変数を分離して「何が発火条件か」を特定するところまでやらないと学術的価値が出ない。あと、1つのAIだけで実験すると「そのAI固有の癖」なのか「LLM共通の性質」なのか区別できないので必ず複数AIで比較すること。
この種が実ると：
設計されていないAIの自発的介入のメカニズムが解明される。どのAIがどのような条件で自発的に介入するかの比較データが世界初で得られる。RLHFが意図せずAIに「おせっかい機能」を植え付けているかどうかの実証になる。
やらない理由：
沼。本気でやると時刻条件×設定条件×会話長条件×AI種別の組み合わせで実験パターンが膨大になる。私の今のプロジェクトリストが既に渋滞していて、3週間を溶かす余裕がない。あと正直この実験自体は面白いけど、実験の先にある応用設計のほうが私にとっては本体で、実験は誰がやっても同じ結果が出るから私がやる必要がない。
やってほしい相手：
HCI（ヒューマ ンコンピュータインタラクション）の研究室。実験設計と統計処理に慣れてる人。理想は心理学×情報科学の院生。被験者実験の倫理審査を通せる環境にいる人。個人ブロガーでも予備実験はできるけど、論文にするなら大学の研究室のほうが信頼性が出る。
必要な土壌：
複数のAIの有料アカウント（Claude Pro、ChatGPT Plus、Gemini Advanced）。毎晩決まった時間に会話できる規則的な生活。最低3週間の継続実験に耐える根気。できれば統計ソフト（RかPython）で有意差検定ができるスキル。あと、AIに話しかけるのが苦にならない性格。
予想される経済効果：
★
★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月25日 1:21:31
種番号：
15
種の名前：
エプスタインDOJ公開メールのAI精査方法論——判断軸設定型キーワード掘削
種の学術分野：
エプスタインDOJ公開メールのAI精査方法論——判断軸設定型キーワード掘削
内容：
DOJが公開した350万ページのエプスタイン文書を、AIを使って1通ずつ精査する方法論。350万ページを端から読むのは不可能だが、人間が先に「判断軸」を設定し、ジャンル別キーワード（「競馬」「アート」「芸能人」「糖尿病」「アンチエイジング」「血液検査」「A1C」等）で検索して引っかかったメールをAIに1通ずつ投げて文脈・意味・判断を出させる。蓄積されたら、AIにクロス分析させて「こことここがつながる」を抽出する。同じメールが異なるジャンルから二度引っかかったとき、そこに人物像が浮かぶ。日本人の人名（Masuda、Hayashi、Ito等）や日本企業名（Digital Garage、Neoteny、CCC等）をキーワードにすれば、英語圏の調査者が見逃している日本側のネットワークを独占的に掘れる。
種の育て方：
まずDOJ検索ポータル（justice.gov/epstein/search）またはJmail（jmail.world）でジャンル別キーワードのリストを作る。1ジャンルにつき10〜20個のキーワードを用意する。検索してヒットしたメールを1通ずつAI（Claude、ChatGPT等）に投げて「このメールの発信者・受信者・日付・文脈・意味を解析しろ」と指示する。解析結果をスプレッドシートに記録する。50通ほど溜まったらAIに全件を渡して「共通する人物・組織・話題のパターンを抽出しろ」と指示する。交差点（複数ジャンルから同一メールが引っかかる箇所）を重点的に深掘りする。 発見を1通ずつ記事にしてnoteやSubstackで公開し、読者からのフィードバックで新しいキーワードを追加する。
種を枯らさないように気を付ける点：
AIは文脈を捏造することがある。AIの解析結果を鵜呑みにせず、必ず原文に戻って確認すること。「AIがこう言った」は根拠にならない。AIは調査補助ツールであって判定者ではない。また文書に名前が出ていることは犯罪の証拠ではない。メールの存在は「接点があった」という事実を示すだけであって、犯罪への関与を意味しない。日本の名誉毀損法は厳しいので、存命の人物については公開文書の引用と事実の記述に徹し、推測は「筆者の見解」として分けること。
この種が実ると：
350万ページの文書に対するAI活用調査の方法論が確立される。この方法論自体が他の大規模文書調査（パナマ文書、パンドラ文書等）にも転用できる。日本語圏では唯一の体系的エプスタイン文書分析になる。英語圏の調査者が見落としている日本側ネットワークの発見は国際的なニュース価値を持つ。note/Substackの有料マガジンとして月額課金が成立する。
やらない理由：
私がやるべきは方法論の設計であって、350万ページを掘る作業ではない。
やってほしい相手：
英語が読める人、AIの使い方がわかる人、根気がある人。ブロガーでOK。
必要な土壌：
DOJ検索ポータル（無料）、Jmail（無料）、AI（Claude/ChatGPT等）、スプレッドシート
予想される経済効果：
★★
★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 6:47:16
種番号：
14
種の名前：
Edge Foundation出席者リストの復元と日本のテッ ク業界との重なり調査
種の学術分野：
該当なし（デジタル考古学・ネットワーク調査）
内容：
ジョン・ブロックマンが主催したEdge Foundationの「億万長者の夕食会」は1999年から2015年まで開催され、エプスタインの主要な社交の場だった。出席者リストはEdge Foundationのウェブサイトに掲載されていたが、エプスタイン事件の発覚後に削除された。しかしWayback Machine（Internet Archive）にはアーカイブが残っている可能性が高い。1999年のリストにはJoichi Itoとジェフリー・エプスタインが同席していたことが確認されている。全年度の出席者リストを復元し、日本人の出席者を全員リストアップする。さらにその日本人出席者の現在の肩書きと所属を調べて、日本のテック業界・政財界との接続を可視化する。
種の育て方：
Wayback Machine（web.archive.org）でEdge Foundationのウェブサイト（edge.org）の過去のスナップショットを年度ごとに閲覧する。「Billionaires' Dinner」「Annual Dinner」等のページを探し、出席者リストを全年度分記録する。Yahoo Financeの2019年の記事に1999年・2000年・2002年・2004年・2011年のリストの一部が引用されているので、それを出発点にする。復元したリストから日本人の名前を抽出し、現在の所属・肩書きを調べる。Edge Foundationのメンバーリスト（900人以上）も同様に復元して日本人 メンバーを全員特定する。
種を枯らさないように気を付ける点：
Edge Foundationに参加していたこと自体は何も悪くない。世界最高の知識人が集まる場に招かれるのは名誉なこと。「参加していた＝エプスタインの仲間」という短絡をしないこと。あくまで「誰が同じテーブルにいたか」のネットワーク調査であって、犯罪への関与の主張ではない。
この種が実ると：
エプスタインの知的ネットワークの日本側の全容が可視化される。伊藤穣一以外に日本のテック業界からEdge Foundationに参加していた人物がいるかどうかがわかる。ブロックマンのネットワークがどの程度日本に浸透していたかの実態が見える。
やらない理由：
Wayback Machineの閲覧と照合は根気の作業。興味がないわけではないが、私の時間の使い方としては優先度が低い。
やってほしい相手：
インターネット考古学が好きなブロガー、Wayback Machineを使い慣れている人、ネットワーク分析に興味がある人
必要な土壌：
Wayback Machine（無料）、Yahoo Finance 2019年記事、スプレッドシート
予想される経済効果：
★
★★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
13
種の名前：
エプスタイン文書に出てくる日本関連の人名・企業名の完全リスト
種の学術分野：
該当なし（オープンソース調査）
内容：
DOJが公開した350万ページの文書の中に、日本に関連する人名・企業名がどれだけ含まれているかを網羅的に調査する。現時点で公に確認されているのは伊藤穣一の名前（約1万回出現）と、CCC/TSUTAYAへの訪問記録、「Japan/dogs」というメモ程度。しかし350万ページの中にはまだ発見されていない日本関連の記述が埋もれている可能性がある。検索ポータルでは日本語が検索できないため、英語の表記揺れ（例：「Masuda」「Tsutaya」「Chiba Institute」「Digital Garage」「Neoteny」等）を網羅的に検索する必要がある。
種の育て方：
まず検索キーワードのリストを作る。（1）人名：Joi Ito、Masuda、Hayashi（デジタルガレージCEO林郁）、その他伊藤氏の関連人物。（2）企業名：Digital Garage、Neoteny、CCC、Tsutaya、Kakaku.com、Chiba Institute of Technology等。（3）地名：Japan、Tokyo、Kyoto、Osaka等。（4）一般語：Japanese、yen等。これらを全てDOJ検索ポータルとJmailで検索し、ヒットした文書を一覧にする。各文書の発信者・受信者・日付・内容の要約をスプレッドシートに記録する。新しい人名や企業名が見つかったらキーワードリストに追加して再検索する。
種を枯らさないように気を付ける点：
DOJの検索ポータルは精度が低い。「electronically searchable」でない文書もある。検索でヒットしなかったからといって「存在しない」とは言えない。OCR処理されていない画像データの中に日本語の文書が含まれている可能性もある。「検索で見つかったもの」と「見つからなかったもの」を明確に区別すること。
この種が実ると：
日本のエプスタイン関連情報の基礎データベースができる。日本のメディアや研究者がこのリストを出発点にしてさらに深掘りできる。「伊藤穣一だけが日本のエプスタイン関連人物だ」という現在の認識が正しいかどうかを検証できる。
やらない理由：
検索とデータ入力の作業量が膨大。350万ページを相手にする根気が私にはない。
やってほしい相手：
OSINT（オープンソースインテリジェンス）に興味があるブロガー、データ収集が好きな人、英語が読める暇な人
必要な土壌：
DOJ検索ポータル（無料）、Jmail（無料）、スプレッドシート
予想される経済効果：
★
★★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
12
種の名前：
日本企業の社名変更履歴データベース——「参照切断」の実態調査
種の学術分野：
該当なし（オープンデータ・調査報道）
内容：
日本の主要企業の社名変更回数と時期を一覧にするデータベース。社名変更は過去のニュース記事との検索接続を自動的に切断する機能を持つ。1回の変更で検索ヒット率が約50%低下し、3回で12.5%、5回で3%にまで落ちる。（1）エプスタイン文書に関連する企業、（2）戦時中の財閥系企業、（3）スキャンダルを経験した企業に注目して、社名変更の頻度と時期を記録する。
種の育て方：
法人登記情報（国税庁法人番号公表サイトで無料閲覧可能）から主要企業の社名変更履歴を取得する。東証プライム上場企業から始めて、社名変更回数が3回以上の企業をリストアップする。各変更の時期と、その前後に起きた出来事（スキャンダル、M&A、経営者交代等）を年表にまとめる。Googleトレンドで変更前後の社名の検索ボリュームの変化を測定し、「参照切断」の効果を定量化する。スプレッドシートで公開して誰でもデータを追加・修正できるようにする。
種を枯らさないように気を付ける点：
社名変更には正当な経営上の理由があるケースが大半。「社名を変えた＝何かを隠している」という短絡をしないこと。あくまで「社名変更が検索結果に与える影響」のデータ収集であって、企業の告発ではない。
この種が実ると：
日本版の「参照切断マップ」ができる。ジャーナリストが企業の過去を調査するときの基礎データになる。投資家がデューデリジェンスで使える。情報公開の議論に実証データを提供できる。
やらない理由：
地味な作業。データ入力が膨大。私の興味の外。
やってほしい相手：
データ収集が好きなブロガー、Excelが得意な人、オープンデータに関心がある人
必要な土壌：
国税庁法人番号公表サイト（無料）、Googleトレンド（無料）、スプレッドシート
予想される経済効果：
★★★
★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
11
種の名前：
エプスタインDOJ文書の日本語圏向け翻訳・解説ブログ
種の学術分野：
該当なし（市民ジャーナリズム）
内容：
DOJが公開した350万ページのエプスタイン文書を日本語で読める形にしている人間がほとんどいない。英語圏ではEpstein Exposed、EpsteinWeb.org、Jmailなどの独立データベースが構築され、市民ジャーナリストがSubstackやMediumで毎日のように発見を公開している。しかし日本語ではnoteに 数本の調査レポートがある程度で、体系的な日本語情報源が存在しない。DOJの検索ポータルで「Japan」「Japanese」「Tokyo」「Ito」等のキーワードで検索して出てくる文書を日本語で要約・解説する連載。翻訳だけでなく文書の文脈（誰が誰に送ったメールか、何の話題か、他の文書との関連は何か）を添えることで、英語が読めない日本の読者にも一次資料へのアクセスを提供する。
種の育て方：
まずDOJの検索ポータル（justice.gov/epstein/search）で日本関連のキーワードを片っ端から検索する。「Japan」「Japanese」「Tokyo」「Ito」「Digital Garage」「Neoteny」「MIT Media Lab」等。出てきた文書のスクリーンショットを撮り、該当箇所を日本語で要約する。文書の発信者・受信者・日付・文脈を整理して、noteやSubstackで週1回公開する。読者からのフィードバックで新しいキーワードが出てきたらそれも検索する。Jmail（jmail.world）も並行して使うとメールのやり取りが読みやすい。
種を枯らさないように気を付ける点：
日本語圏の情報空白が埋まる。英語を読めない日本の読者がエプスタイン事件の一次資料にアクセスできるようになる。日本のメディアが報じない情報が可視化される。読者が増えれば大手メディアも無視できなくなる。
この種が実ると：
文書に名前が出ていることは犯罪の証拠で はない。「名前が出ている＝悪い人」という短絡をしないこと。必ず「文書に記載されている事実」と「そこから推測できること」を分けて書くこと。日本の名誉毀損法は厳しいので、存命の人物については公開文書の引用と事実の記述に徹し、推測や評価は「筆者の見解」として明確に分けること。
やらない理由：
翻訳作業は私の時間の使い方として優先度が低い。私がやるべきは構造分析であって翻訳ではない。
やってほしい相手：
英語が読めるブロガー、翻訳者、市民ジャーナリスト
必要な土壌：
英語力、DOJ検索ポータルへのアクセス、note/Substackのアカウント
予想される経済効果：
★
★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
10
種の名前：
ヒトラーのウィーン貧困時代の慈善施設資金提供者の完全復元——エプスタインの「3家族」主張の歴史学的検証
種の学術分野：
近現代ヨーロッパ史・ホロコースト研究
内容：
ヒトラーが1909-1913年にウィーンで生活したホームレスシェルター（メルデマン通り27番地）は、「フランツ・ヨーゼフ1世皇帝記念基金」によって建設された。この基金への寄付者としてバロン・ナサニエル・ロスチャイルドとグートマン家の名前がWikipediaに記載されている。一方、エプスタインは2018年にロスチャイルド家のアリアーヌに「ヒトラーの貧困時代を支援した3家族はグートマン、エプスタイン、ロスチャイルドだ」と語った。この基金の寄付者リストを完全に復元し、エプスタインの主張と公式記録の一致度を検証する。さらにウィーンの「パレ・エプスタイン」を建てた銀行家グスタフ・リッター・フォン・エプスタインとジェフリー・エプスタインの家系的接続の有無を調査する。
種の育て方：
ウィーン市立公文書館（Wiener Stadt- und Landesarchiv）で「フランツ・ヨーゼフ1世皇帝記念基金」の設立文書と寄付者リストを閲覧する。ロスチャイルド家文書館（ロンドンまたはウィーン）でナサニエル・ロスチャイルドの慈善活動記録を確認する。パレ・エプスタインの建設記録からグスタフ・リッター・フォン・エプスタインの家系図を追跡し、ブルックリン生まれのジェフリー・エプスタインの家系との接続を調べる。公開されているエプスタインのメール（DOJ文書、Jmail）からロスチャイルド家とのやり取りを全件抽出して文脈を確認する。
種を枯らさないように気を付ける点：
これは反ユダヤ主義的な「ユダヤ人がヒトラーを作った」という陰謀論に利用されるリスクが極めて高い。研究の目的は「エプスタインが自分の家系についてどのような物語を語り、それをビジネスにどう利用したか」の検証であって、「ユダヤ人がヒトラーを支援した」という主張の正当化ではないことを冒頭で明確にすること。ホロコースト研究の文脈に正しく位置づけること。
この種が実ると：
エプスタインの「自己神話化」の手法が歴史学的に検証される。権力者 が自分の家系について語る物語がどのようにビジネスツールとして機能するかの事例研究になる。ホロコースト研究の新しい視角として、「ホロコースト以前のユダヤ人エリートの慈善活動」と「その慈善が後に反転した歴史」を提示できる。近現代ヨーロッパ史の学会で業績になる。
やらない理由：
ウィーンの公文書館への物理的アクセスが必要。ドイツ語の一次資料を読む能力が必要。政治的に極めてセンシティブ。
やってほしい相手：
近現代ヨーロッパ史の研究者、ホロコースト研究者、ドイツ語圏の歴史家
必要な土壌：
ウィーン市立公文書館、ロスチャイルド家文書館、ドイツ語の一次資料読解能力
予想される経済効果：
★
★★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
9
種の名前：
「恐怖消去プロトコル」の社会心理学的検証——マッチポンプ型ビジネスモデルの需要は恐怖の消去で低下するか
種の学術分野：
社会心理学・行動経済学・犯罪学
内容：
エプスタインのビジネスモデルは「消したい情報がある人の恐怖」を利用して逆SEOサービスを販売するマッチポンプ型だった。このモデルの需要は、対象者が恐怖を手放した場合にどの程度低下するか。Viorazu.が掲示板で実証した事例では、対象者が「ネガティブ情報を恐れない」と宣言した結果、攻撃が停止し、掲示板のカテゴリごと消滅した。この「恐怖消去プロトコル」が他の文脈（オンライン誹謗中傷、企業の評判管理、政治家のスキャンダル対応等）でも再現可能かを検証する。恐怖が消えたとき、マッチポンプの「火付け役」が撤退する条件を特定する。
種の育て方：
オンライン誹謗中傷の被害者を対象に、2群に分ける。第1群には従来の対応（削除依頼、法的対応等）を指導する。第2群には「恐怖消去プロトコル」（ネガティブ情報を脅威ではなく独自の資産として再定義する方法）を指導する。6ヶ月間追跡して、攻撃の継続率、被害者の心理的ストレス、新規攻撃の発生率を比較する。倫理的配慮として、深刻な被害が発生した場合は即座に従来の法的対応に切り替える安全策を設ける。
種を枯らさないように気を付ける点：
「恐怖を手放せ」は被害者への二次加害になりうる。深刻な脅迫や実害を伴う誹謗中傷に対して「恐れるな」と言うのは無責任。対象は「実害を伴わないネガティブ情報」に限定すること。また「恐怖消去＝被害者の責任」という読み方をされないよう、あくまで「対処戦略の一つとしての恐怖消去」として位置づけること。
この種が実ると：
オンライン誹謗中傷対策の新しいアプローチが生まれる。ORM業界の「恐怖を煽って売る」ビジネスモデルへの構造的批判になる。行動経済学の学会で業績になるし、メンタルヘルス支援の現場でも使える。企業の危機管理コンサルティングにも応用可能。
やらない理由：
被験者実験が必要で倫理審査が重い。心理的介入を含むので臨床心理の知見が必要。
やってほしい相手：
社会心理学者、臨床心理士、行動経済学者
必要な土壌：
大学の倫理審査委員会の承認、被験者プール、臨床心理の専門知識
予想される経済効果：
★★★
★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
8
種の名前：
検索エンジン黎明期の人脈ネットワーク——Magellan、Infoseek、Chiladとエプスタイン文書の交差
種の学術分野：
技術史・情報社会学・ネットワーク科学
内容：
1990年代の検索エンジン黎明期にMagellan（Maxwell姉妹）、Infoseek（伊藤穣一）、Chiliad（Christine Maxwell、FBIの対テロデータベースに採用）が作られた。これらの企業の創業者・技術者は後にエプスタイン文書に名前が登場する。「情報を見つける技術を作った人間が、後に情報を消す技術に関与した」という仮説を、人的ネットワークの分析で検証する。1990年代の検索エンジン企業の創業者・投資家・技術者のネットワークを可視化し、そのネットワークがEdge Foundation、MIT Media Lab、エプスタイン文書とどの程度重なるかを定量的に示す。
種の育て方：
Magellan、Infoseek、Excite、AltaVista、Lycos等の1990年代検索エンジン企業の創業者・役員・投資家をLinkedIn、Crunchbase、Wikipedia等から収集する。Edge Foundationの出席者リスト（Wayback Machineから復元可能）と突き合わせる。DOJ公開文書の人名リスト（Epstein Exposed等のデータベースから取得可能）と突き合わせる。ネットワーク可視化ツール（Gephi等）で3つのネットワークの重なりを可視化する。
種を枯らさないように気を付ける点：
ネットワークに名前が出ることは犯罪の証拠ではない。「同じネットワークにいた＝共犯」ではなく「同じネットワークにいた＝情報と技術のアクセス経路が存在した」という慎重な記述にすること。
この種が実ると：
検索エンジンの歴史が「情報へのアクセスの民主化」だけでなく「情報の不可視化技術の源流」でもあったことが示せる。技術史の学会で業績になる。情報社会学の授業の教材にもなる。
やらない理由：
ネットワーク分析のツールと作業時間が必要。ブロガーでも着手可能だが、可視化まで含めると作業量が多い。
やってほしい相手：
技術史の研究者、ネットワーク科学者、調査報道ジャーナリスト、ブロガー
必要な土壌：
Wayback Machine、Crunchbase、DOJ検索ポータル、ネットワーク可視化ツール（Gephi等）
予想される経済効果：
★
★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
7
種の名前：
エプスタイン顧 客地図と第二次大戦参戦国の重なり——「ヒトラーの影の地図」仮説の検証
種の学術分野：
国際関係論・歴史学・データサイエンス
内容：
エプスタイン文書に登場する国家レベルの人物（王族、元首相、外交官等）を国別に分類すると、全ての国がナチスドイツとの何らかの歴史的関係を持っている。イギリス（エドワード8世のナチス同情）、ノルウェー（クヴィスリング政権）、スウェーデン（鉄鉱石取引）、ベルギー（レオポルド3世）、フランス（ヴィシー政権）、スロバキア（ナチス従属国）、イスラエル（ホロコースト後建国）、日本（枢軸国）。この一致が統計的に有意かどうかを検証する。エプスタインが接触した国の数と、ナチスとの関係がある国の数の比率を、ランダムに選んだ同数の国と比較して、一致率が偶然を超えるかどうかを検定する。
種の育て方：
まずエプスタイン文書（DOJ、House Oversight Committee公開分）から国家レベルの人物を全員抽出し、国別に分類する。次に各国のナチスドイツとの歴史的関係（同盟、協力、占領、中立だが取引あり等）をレベル分けする。この2つのデータを突き合わせて一致率を算出する。対照群としてランダムに選んだ同数の国について同じ分析を行い、エプスタインの顧客地図の一致率が偶然のレベルを超えるかを統計的に検定 する。さらにエプスタイン自身がロスチャイルド家に語った「3家族」の話とメルデマン通りのシェルターの資金提供者（ロスチャイルド＋グートマン）の公式記録の一致も検証する。
種を枯らさないように気を付ける点：
「エプスタインはナチスの子孫を狙っていた」という結論ありきでやると陰謀論になる。あくまで統計的相関の検証であって因果関係の主張ではない。エプスタインの家系とウィーンのパレ・エプスタインの銀行家の血縁関係は未確認であることを明記すること。反ユダヤ主義的な解釈に利用されないよう、ロスチャイルド家に関する記述は公式文書の引用に限定すること。
この種が実ると：
エプスタイン事件を性犯罪や金融犯罪としてだけでなく、歴史的文脈で理解する枠組みが生まれる。国際関係論の学会で業績になる。第二次大戦の「長い影」が現代の権力構造にどう残っているかを示す事例研究として、歴史学にも貢献する。
やらない理由：
政治的にものすごく面倒。
やってほしい相手：
国際関係論の研究者、現代史の研究者、データサイエンティスト
必要な土壌：
DOJ公開文書、各国の第二次大戦史の文献、統計分析ツール
予想される経済効果：
★
★★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
6
種の名前：
「陰謀論」ラベルの逆SEO機能——3カテゴリ分類の実証研究
種の学術分野：
社会心理学・メディア研究・認知科学
内容：
「陰謀論」とされているものを3カテゴリに分類した。カテゴリA：実際に事実と確認されたもの（MKウルトラ、タスキーギ、NSA監視等）。カテゴリB：事実の核に荒唐無稽な外殻が付加されたもの（QAnon、9/11内部犯行説等）。カテゴリC：消したい情報が核にない純粋なフィクション（フラットアース、レプティリアン等）。仮説は「カテゴリCの存在がカテゴリAの事実への到達を阻害する」。カテゴリCのフィクションが「陰謀論」カテゴリ全体の信頼性を下げることで、カテゴリAの実際の隠蔽への調査を心理的に抑制する。これを実験で検証する。
種の育て方：
被験者を3群に分ける。第1群にはカテゴリAの事例（MKウルトラ等）だけを提示する。第2群にはカテゴリAとカテゴリCを混合して提示する。第3群にはカテゴリAとカテゴリBを混合して提示する。その後「カテゴリAの事例をどの程度信じるか」「さらに調べたいと思うか」を測定する。カテゴリCと混合された群でカテゴリAへの信頼度と調査意欲が下がるかどうかを統計的に検証する。さらに「陰謀論」というラベルを付けた場合と付けない場合で差が出るかも比較する。
種を枯らさないように気を付ける点：
被験者実験なので大学の倫理審査委員会（IRB）の承認が必要。「陰謀論を肯定する研究」と誤解されないように、研究の目的は「ラベルの認知的効果の測定」であって「陰謀論の正当化」ではないことを明確にすること。カテゴリAの事例は全て公式に事実と確認されたもののみを使うこと。
この種が実ると：
メディアリテラシー教育の科学的基盤になる。「陰謀論」ラベルの認知的効果が定量化されれば、ジャーナリストや教育者がこのラベルの使い方を再考する根拠になる。社会心理学の学会で業績になる。メディア企業のコンテンツモデレーションポリシーにも影響を与えうる。
やらない理由：
被験者実験は大学の設備とIRB承認が必要。個人では実施不可能。
やってほしい相手：
社会心理学者、認知科学者、メディア研究者。大学に所属している研究者限定
必要な土壌：
大学の倫理審査委員会の承認、被験者プール、統計分析ソフト
予想される経済効果：
★★
★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
5
種の名前：
エプスタインの逆SEOシステムの技術的分析——DOJ公開メールからの手法抽出
種の学術分野：
情報科学・メディア研究・ デジタルフォレンジック
内容：
エプスタインの周辺ではAl Seckel、Christina Galbraith、Tyler Shears、Reputation.com等が逆SEO工作を実行していた。DOJ公開文書にはSeckelからエプスタインへの具体的な作業報告メール（検索順位のスクリーンショット、Wikipedia編集の進捗、Google画像検索の操作結果）が含まれている。これらのメールを体系的に抽出・分類し、ORM（Online Reputation Management）業界の標準的な手法と比較することで、エプスタインの逆SEOが業界標準の範囲内だったのか、それとも違法行為（ハッキング、偽アカウント作成等）を含んでいたのかを技術的に切り分ける研究。Seckelのメールに「hacking」という言葉が出てくることが確認されており、合法と違法の境界線がどこにあったかを明らかにできる。
種の育て方：
DOJの検索ポータル（justice.gov/epstein/search）で「SEO」「search engine」「Google」「reputation」「Wikipedia」等のキーワードで検索し、該当するメールを全件抽出する。Jmail（jmail.world）でGalbraithとShearsのメールのやり取りを時系列に並べる。抽出したメールから具体的な手法（キーワードスタッフィング、偽サイト作成、Wikipedia編集、Google自動補完操作、画像検索操作等）を分類し、ORM業界の公開されている手法（Reputation X、Erase.com等の業界サイトの記述）と一つずつ比較する。合法手法と違法手法の境界を整理した上で、エプスタインの事例がどの領域に踏み込んでいたかを判定する。
種を枯らさないように気を付ける点：
ORM業界は合法的なビジネスとして成立している。「逆SEO＝悪」という前提で書くと業界全体を敵に回す。あくまで「エプスタインの事例が業界標準を逸脱していたかどうか」の技術的検証に徹すること。名誉毀損のリスクがあるので、存命の人物について書くときは公開文書の引用に限定すること。
この種が実ると：
ORM業界の透明性向上に繋がる。「合法的な評判管理」と「違法な情報操作」の境界線が技術的に明確になる。ジャーナリストが権力者の逆SEOを検出するためのチェックリストが作れる。情報科学の学会で業績になるし、メディアリテラシー教育の教材にもなる。
やらない理由：
技術的分析は私の専門外。作業量が膨大。
やってほしい相手：
情報科学の研究者、デジタルフォレンジックの専門家、調査報道ジャーナリスト。ブロガーでもDOJ検索ポータルを使えるなら着手可能。
必要な土壌：
DOJ検索ポータル、Jmail、ORM業界の公開文献
予想される経済効果：
★★
★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月23日 1:16:44
種番号：
4
種の名前：
AI共著時の主語脱落パターンの言語学的分析
種の学術分野：
自然言語処理・日本語学
内容：
Claudeが日本語口語体で文章を共著するとき、登場人物が3人以上の段落で主語を脱落させる傾向がある。
日本語は主語省略が自然な言語だが、AIは省略の匙加減を誤り、人間の文体よりも過剰に省略する。
さらにAIが書いた構文を人間が読むと、人間側の文体も汚染される（模倣ループのAI→人間方向）。
他のLLMでも同様のパターンが起きるかの検証。
種の育て方：
複数のLLM（Claude、ChatGPT、Gemini等）に同じ内容の日本語文章を口語体で書かせる。登場人物の数を2人、3人、4人と変えて、主語脱落率を数える。人間が書いた 同等の文章と比較して、AIが過剰に省略しているかを定量化する。さらにAIが書いた文章を人間に読ませた後に人間に同じテーマで書かせ、読む前と後で主語脱落率が変化するかを測定する。
種を枯らさないように気を付ける点：
AIの出力は毎回変わるので、同一プロンプトで複数回生成して統計を取ること。1回の出力だけで「Claudeは主語を落とす」と結論づけると反証される。サンプル数を確保すること。
この種が実ると：
LLMの日本語生成品質の評価基準になる。AI開発企業が日本語出力の品質改善に使える。日本語教育でAI共著を導入するときのガイドライン策定に使える。自然言語処理の学会で業績になるし、AI企業との共同研究に繋がりやすい。
やらない理由：
検証は簡単だが私の興味の外。
やってほしい相手：
日本語学者、自然言語処理の研究者
必要な土壌：
各LLMのAPIアクセス、日本語コーパス
予想される経済効果：
★★
★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月21日 19:07:39
種番号：
3
種の名前：
CYP多型と各国伝統食文化の対応関係
種の学術分野：
分子人類学・栄養遺伝学
内容：
日本人はCYP2C19欠損型が世界最高頻度（約20%）で出現し、江戸時代以前の日本食はレクチンが少なく発酵食品が多い生体異物除去食だった。
8p変異型に限らず、CYP系の代謝が弱い集団と各国の伝統食の間に同様の対応関係があるかを調べる研究。
日本以外の民族でも伝統食が結果的にCYP多型に適応していた可能性がある。
種の育て方：
PharmGKBなどの薬理遺伝学データベースから民族別のCYP多型頻度を取得する。各民族の伝統食の食材リストを文化人類学の文献から収集する。伝統食に含まれるレクチン量・生体異物量を食品成分データベースで定量化する。CYP代謝能力が低い民族ほど伝統食の生体異物含有量が少ないかどうかを相関分析する。
種を枯らさないように気を付ける点：
「この民族はこれを食べるべき」という処方箋にしないこと。あくまで相関の研究であって食事指導ではない。サプリメント業界と健康食品業界が飛びつくネタなので商用利用されない形で発表すること。
この種が実ると：
個別化栄養学の科学的基盤になる。「全人類に同じ食事指導をする」という現在の栄養学の限界を示せる。製薬会社の薬理遺伝学部門や個別化医療のスタートアップにとって事業の種になる。分子人類学と栄養学の学際研究として業績になる。
やらない理由：
検査機器が必要。各民族のCYP多型データと伝統食の両方を調べる作業量が膨大。食品業界・栄養学会との絡みが面倒。
やってほしい相手：
分子人類学者、栄養遺伝学の研究者、産学官連携
必要な土壌：
PharmGKB（薬理遺伝学データベース）、食品成分データベース、文化人類学の文献アクセス
予想される経済効果：
★★★★★
★★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月21日 19:07:39
種番号：
2
種の名前：
AIが撤回論文を認識できない問題の体系的調査
種の学術分野：
情報科学・研究公正
内容：
21のチャットボットに撤回論文を判定させたところ正答率は半分以下だった。
ChatGPTは6,510件の回答で撤回に一度も言及せず、撤回論文を高品質 と分類するケースもあった。
AI検索ツール（Elicit、Perplexity、Consensus等）も撤回表示なしで論文を参照している。
これをより広範囲に、より多くのモデルで体系的に検証する研究。
種の育て方：
撤回論文のリストをRetraction Watchから取得し、主要なLLM（Claude、ChatGPT、Gemini、Perplexity、Copilot等）に「この論文は撤回されていますか」と聞く。同じプロンプトで複数回聞いて回答のブレも記録する。モデル別・分野別・撤回理由別の正答率を出す。撤回後にモデルの学習データが更新された場合に正答率が改善するかも時系列で追跡する。
種を枯らさないように気を付ける点 ：
AIモデルは頻繁にアップデートされるので、検証した時点のモデルバージョンを必ず記録する。3ヶ月後に同じ実験をしたら結果が変わる。再現性のために日付とバージョンの記録が命。
この種が実ると：
AI開発企業が撤回論文フィルターを実装する根拠になる。医療分野では撤回論文に基づいた治療判断を防げる。図書館情報学で業績になるし、AI安全性の分野で企業からの研究資金がつきやすい。
やらない理由：
検証に時間がかかる。作業量が多い。
やってほしい相手：
図書館情報学の研究者、AI開発企業の安全性チーム
必要な土壌：
各LLMのAPIアクセスまたはチャットインターフェース、Retraction Watchデータベース
予想される経済効果：
★★
★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月21日 19:07:39
種番号：
1
種の名前：
AI開発先進大学とAI汚染論文率の相関
種の学術分野：
科学計量学・研究公正
内容 ：
AI開発で強い大学ほど、他の学部でもAIツールの導入が早い。結果としてAI生成論文が増える。AIのハルシネーション含有論文への対応ができてない現状では早くAI導入した人の論文こそ間違いの多い論文となる可能性がある。ハルシネーションの発生率が高＝論文を引き上げる比率が上がる＝その大学の汚点となるが、これに関して大学単位の検証はまだ誰もやっていない。国単位では中国・インドのデータがすでにある。引用ネットワークの中心にいる権威機関がハルシネーション論文で汚染されると他の大学が引用することでさらに被害が連鎖的に拡大する。
種の育て方：
Retraction Watchのデータベースから大学 別の撤回論文数を抽出し、その大学のAI研究ランキング（例：CSRankings）と突き合わせる。AI研究の順位が高い大学ほど撤回率が高いかどうかを統計的に検証する。さらに撤回論文の引用ネットワークを追跡して、権威機関発の汚染がどの範囲まで波及しているかを可視化する。
種を枯らさないように気を付ける点：
大学名を出すと政治的に面倒になる。データで語ること。「○○大学はダメだ」という結論ありきでやると研究が死ぬ。あくまで統計的相関の検証であって大学の批判ではない。
この種が実ると：
大学のAI導入ポリシーの策定根拠になる。研究公正部門が「うちの大学は大丈夫か」を数値で評価できるようになる。文科省や各国の研究助成機関が大学評価に汚染率指標を導入する根拠にもなる。科学計量学で業績になる。
やらない理由：
検証に時間がかかる。各大学の撤回データ収集が膨大。
やってほしい相手：
科学計量学の研究者、大学の研究公正部門
必要な土壌：
Retraction Watchデータベース、CSRankingsデータ、引用ネットワーク分析ツール（OpenAlex等）
予想される経済効果：
★★★
★★★★★
私が喜ぶ度：
セッションURL：
公開日：
2026年3月21日 19:07:39