Each language version is independently generated for its own context, not a direct translation.
この論文は、「社会福祉の研究大会（SSWR）」という巨大なイベントの、過去 20 年間の「記憶」を AI を使って整理し、その中から社会の変化や研究者の動きを読み解いた物語です。
まるで、古びた倉庫に山積みになっていた何万冊もの日記（研究発表の要約）を、最新のロボット掃除機（AI）が自動で読み取り、整理整頓して、その中から「社会がどう変わってきたか」の地図を描き出したようなものです。
以下に、専門用語を排して、身近な例え話で解説します。
1. この研究がしたかったこと：「散らかった部屋」を「整頓された図書館」に
社会福祉の研究者たちが集まる最大の会議（SSWR）では、毎年何千人もの人が新しい研究を発表しています。しかし、これまでこれらの発表内容は、「ただの会議プログラム」として存在するだけでした。
- 昔の状態： 図書館の本がすべて床に散らばっていて、タイトルも著者もバラバラに書かれているような状態。これでは「最近どんな本が増えているか？」を調べるのが不可能でした。
- 今回の取り組み： 研究者たちが**「小さな AI（小型言語モデル）」という賢い助手を雇いました。この AI は、人間が読むのが面倒な「バラバラの文字列」を、「著者名」「所属大学」「研究方法」**といった整ったデータに変換する能力を持っています。
- 結果： 2005 年から 2026 年までの約 2 万 4000 件の発表と、約 7 万人の研究者の情報が、検索可能な巨大なデータベースに生まれ変わりました。
2. 発見された「3 つの大きな変化」
この整頓されたデータを見てみると、社会福祉の研究界で起きている面白い変化が見えてきました。
① 参加者が爆発的に増えた（「小さな村」から「大都市」へ）
- 2005 年： 発表数は 423 件（小さな村の集まり）。
- 2026 年： 発表数は 1,935 件（巨大な都市の祭り）。
- 意味： 10 年間で約 2 倍に増えました。これは、社会福祉を学ぶ大学院生が増えたり、研究にお金をかける場所が増えたりしたことを示しています。
② 研究方法が「数字」から「物語」へバランスが変化（「計算機」から「対話」へ）
- 昔： 研究者はほぼ全員が「数字や統計」を使っていました（7 割以上）。まるで、すべてを計算式で解こうとしているような状態。
- 今： 数字を使う研究は減り、**「インタビューや観察」**といった、人の声や物語を重視する研究（定性研究）が大幅に増えました（3 割近く）。
- 意味： 「数字の平均値」だけでなく、「一人ひとりの人の体験や背景」を深く理解しようとする姿勢が強まっています。
③ 「一人でやる」から「チームでやる」へ（「ソロ演奏」から「オーケストラ」へ）
- 昔： 1 人の研究者が 1 人で発表することが多かった（3 割以上）。
- 今： 1 人の発表に、3 人〜4 人以上のチームで取り組むことが当たり前になりました。
- 意味： 複雑な社会問題を解決するには、一人の力ではなく、多様な専門家が集まって協力する「チームワーク」が重要になっている証拠です。
3. 世界とのつながり（「アメリカ中心」から「地球規模」へ）
- 以前はアメリカの研究者が 9 割以上を占めていましたが、今ではカナダ、韓国、イスラエルなど、世界中の研究者が参加するようになりました。
- ただし、最近（2026 年）は、ビザの問題や旅行費の高騰などで、海外からの参加が少し減る傾向も見られました。これは、「国境を越えた協力」が、政治や経済の状況にとても敏感であることを示しています。
4. なぜこの研究が重要なのか？
この研究は単なる統計の羅列ではありません。
- 未来の地図： 会議での発表は、雑誌に載る論文よりも**「先取り」**された情報です。ここで何が話題になっているかを見ると、将来の社会問題や研究のトレンドを予測できます。
- AI の新しい使い道： 巨大な AI（高価でエネルギーを大量消費するもの）ではなく、**「小さく、安価で、環境に優しい AI」**でも、高度なデータ分析ができることを証明しました。これは、お金やリソースが少ない分野でも、最新のテクノロジーを活用できる道を開きました。
まとめ
この論文は、**「AI という新しい道具を使って、過去 20 年間の社会福祉研究の『足跡』を可視化し、それがどう進化してきたかを教えてくれた」**という物語です。
研究者たちは、もはや「一人で孤独に数字を計算する」のではなく、「世界中の仲間と協力しながら、一人ひとりの物語を大切にしながら」社会をより良くしようとしていることが、このデータから鮮明に浮かび上がってきました。
Each language version is independently generated for its own context, not a direct translation.
この論文「AI 支援によるカンファレンス学術キュレーション：社会調査研究学会（SSWR）の 20 年間の発表（2005-2026 年）の収集、構造化、および分析」に関する技術的な詳細な要約を以下に示します。
1. 研究の背景と課題 (Problem)
- 構造化データの欠如: 社会福祉研究の主要なカンファレンスである「社会調査研究学会（SSWR）年次カンファレンス」では、過去 20 年間に数万の発表が行われてきたが、そのアブストラクト（抄録）は構造化されたデータベースとして存在せず、ウェブページ上の非構造化テキストとして散在している。
- 分析の困難さ: 従来の学術誌のメタデータとは異なり、カンファレンス発表はイベントナビゲーション用として設計されており、研究方法、著者所属、協力関係などの情報を体系的に分析可能な形式で抽出することが極めて困難であった。
- 大規模言語モデル（LLM）の課題: 自然言語処理を用いた大量データの構造化には通常、大規模な計算リソースやクラウド API が必要であり、コスト、プライバシー、環境負荷（炭素フットプリント）が懸念材料となっていた。
2. 方法論 (Methodology)
本研究は、非構造化データから構造化メタデータを抽出するための AI 支援パイプラインを開発し、2005 年から 2026 年までの SSWR カンファレンス全データを処理した。
データ収集（Web スクレイピング）:
- SSWR のカンファレンス管理システム「Confex」から、2005 年（第 9 回）から 2026 年（第 30 回）までの全アブストラクトを Python と
Crawl4AI、BeautifulSoup4 を用いて自動収集した。
- 2005-2008 年とそれ以降で HTML 構造が異なるため、年次ごとのパースロジックを実装し、手動検証による品質管理を行った。
- キーノートやワークショップなど、査読プロセスを経ないものは除外し、アブストラクトが 50 文字未満のものは除外した。
AI による構造化と抽出:
- モデル: 大規模なクラウドモデルではなく、ローカル環境で動作する**小規模言語モデル（SLM）**である
gpt-oss:20b（200 億パラメータ）を採用。これにより、計算コストの削減、データプライバシーの確保、環境負荷の低減を実現した。
- タスク:
- 所属情報の抽出: 著者の所属（大学、部署、国など）を非構造化テキストから JSON 形式で抽出。
- 研究方法の分類: アブストラクトの内容に基づき、「量的」「質的」「混合研究」「レビュー」「理論/その他」の 5 分類を実行。
- 精度検証: 人間による手動レビューとモデル出力を比較。研究方法の分類ではコホンのカッパ係数.83（ほぼ完全な一致）を達成。所属機関の抽出精度は 94%、職種の抽出精度は 91% だった。
データ正規化とエンティティ解決:
- 著者名: 名前の変種（イニシャルの有無、アクセント記号など）を正規化し、
RapidFuzz などのライブラリを用いたフェージーマッチングとグラフベースのエンティティ解決システムを構築。これにより、23,481 件の生データから 20,779 人のユニークな研究者を特定した。
- 所属機関: 機関名のバリエーション（例：U. Michigan, UM, 大学名など）を標準化し、4,049 のユニークな機関にマッピング。
- 国・地域: 州や都市の情報から国を推定し、80 以上のバリエーションを標準化（例：USA, US, America → USA）。
3. 主要な成果 (Key Contributions & Results)
最終的に、23,793 件の発表と69,924 件の著者記録（20,779 人のユニークな研究者、4,049 の機関、93 か国）を含む包括的なデータベースを構築した。
カンファレンスの成長:
- 発表数は 2005 年の 423 件から 2026 年の 1,935 件へ増加。年平均成長率（CAGR）は7.5%。
- 特に 2015 年に 46% の急増があり、2026 年が過去最多となった。
研究方法の傾向:
- 量的研究が依然として支配的（61.1%）だが、その割合は初期の約 71% から近年の 51% へ低下傾向。
- 質的研究は 15% から 30% へ増加し、多様化が進んでいる。
- 混合研究（9.1%）とレビュー（5.4%）も増加傾向にある。
共同研究と著者構成:
- 1 件あたりの平均著者数は 2005 年の 2.22 人から 2026 年の3.31 人へ増加。
- 単独著者の割合は 38% から 21% へ減少し、4 人以上のチームによる発表は 16% から 38% へ増加。
- 主要な貢献者は**准教授（19.6%）と博士課程学生（19.0%）**であり、両者で全体の約 39% を占める。
地理的分布:
- 米国が 89.1% を占めるが、国際参加（米国以外の所属）は 2005 年の 4.5% から 2026 年の**13.7%**へ拡大。
- 韓国、カナダ、イスラエル、香港などが主要な国際参加国となっている。
4. 研究の意義と貢献 (Significance)
- 学術インフラの構築: 非構造化のカンファレンス記録を分析可能なメタデータに変換するパイプラインを実証し、社会福祉研究の長期的な動向を体系的に分析するための基盤（データベース）を提供した。
- 小規模言語モデル（SLM）の有効性: 大規模モデルに依存せず、ローカル環境で動作する SLM を用いることで、コスト、プライバシー、環境負荷を考慮しつつ、高精度なテキスト抽出と分類が可能であることを示した。これは資源制約のある分野における計算テキスト分析の民主化に寄与する。
- 分野の洞察:
- 社会福祉研究における方法論の多様化（質的研究の増加）と共同研究の定着を定量的に実証。
- カンファレンスが早期キャリア研究者（博士課程学生）や若手教員の主要な発表の場であることを確認。
- 国際参加の増加と、地政学的要因や渡航コストによる国際参加の脆弱性（特に 2026 年の初著者における国際参加の減少）への懸念を提起。
- 将来の展望: 構築されたデータベースは、研究優先順位、理論的枠組みの進化、学問的協力関係の分析など、分野の発展に関する仮説検証を可能にする。
この研究は、カンファレンスという「学問の最先端」を大規模に可視化し、社会福祉研究の生産・共有・組織化のあり方について、データに基づいた深い洞察を提供する画期的な試みである。