The Invisible Infrastructure of Biomedical Research: An Exploratory Analysis of Software Mentions and Sentence-Level Citation Marking
生物医学分野の論文における約80万件のソフトウェアへの言及に関するこの探索的分析は、文レベルでの引用表示が概して低く（10.7%）、ツール種別によって大きく異なることを明らかにしており、特に統計パッケージの引用頻度が最も低いことは、標的を絞った政策的介入と検証方法の改善の必要性を浮き彫りにしている。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
現代の科学は、目に見えない道具に大きく依存している。生物学者がDNAの配列を解読したり、統計学者が膨大なデータセットを分析したりするとき、彼らは単にペンと紙を使っているのではない。彼らは複雑なコンピュータプログラムを実行しているのである。これらのプログラムは発見のエンジンであり、研究者がどのような結論を導き出し、どれほどの速さで作業を進められるかを左右する。しかし、科学者が自身の業績に対してクレジット（功績）を与えるために用いるシステムである「学術的引用」は、書籍や論文のために作られたものであり、ソフトウェアのためのものではない。研究者が論文の中でプログラムに言及する場合、それはしばしば、作業台の上に置かれた道具のように、文中の単なる名前として現れる。これらの名前が正式な参照（リファレンス）に結び付けられることは稀であるため、ソフトウェアの開発者たちは、自らの労働に対する正当な評価を受けることができない。このような認識の欠如は、これらのツールを維持するために必要な時間や資金を正当化することを困難にし、他の人々が実験を再現することを難しくさせる、記録上の空白を生み出している。
アーカンソー大学リトルロック校のMd Motasim Billaによる新しい研究は、この現象が実際にどの程度の頻度で発生しているのか、そして問題がすべての種類のソフトウェアにおいて同じなのかを調査している。研究者は、1980年から2022年の間に発表された約14万本の生物医学研究論文に含まれる、約80万件のソフトウェア名の言及を調査した。研究者は単にソフトウェアが何回言及されたかを数えただけではない。その文を詳細に調べ、その言及が、ブラケット内の数字や上付き文字といった、参考文献リストを指し示す正式な引用マーカーを伴っているかどうかを確認した。この区別は極めて重要である。なぜなら、文中に浮かんでいるだけの名前は人間の読者には見えるが、科学的インパクトを追跡する自動化されたシステムにとっては不可視だからである。
研究者は、正式な引用が驚くほど稀であることを発見した。論文集全体を通じて、ソフトウェアの言及のうち、同じ文内に引用マーカーを伴っていたものは、わずか約11パーセントであった。大多数の、ほぼ70パーセントは、テキストの中にそのままの名前が書かれているだけであった。しかし、この低い割合は、すべての種類のツールにおいて一様ではないことも研究によって明らかになった。ソフトウェアツールが引用される可能性は、それがどのような種類のツールであるかに大きく依存する。人工知能モデルを訓練するために使用される機械学習フレームワークは、その言及の約18パーセントで引用されていた。プログラミング言語は、約16パーセントのケースで引用されていた。これとは対照的に、データ分析の主力である汎用統計パッケージは、言及のわずか2パーセントでしか引用されていなかった。文献目録を整理するためのツールであるリファレンスマネージャーは、わずか1パーセントのケースでしか引用されていなかった。
このパターンは、科学者がソフトウェアについて語る方法は、単一の壊れた習慣ではなく、ツールの種類に応じた異なる慣習の集合体であることを示唆している。統計ソフトウェアは、顕微鏡や試験管のような標準的な備品として扱われることが多く、特定のクレジットを必要とする独自の著作物としては扱われない。科学者が統計パッケージを使用したと言うとき、彼らは多くの場合、引用を必要としない方法論的な慣習に従っている。逆に、機械学習フレームワークには、そのツールを引用するための主要な方法とされる関連論文が存在することが多いため、引用率が高くなる。また、本研究では、テキスト内でのツールの呼び方も、引用される確率に影響を与えることが判明した。もし文の中にソフトウェアへのウェブリンクが含まれていれば、正式な引用が付随する可能性が高くなる。もし文中でそのソフトウェアを作った会社や開発者の名前を挙げている場合、正式な参照の必要性を著作者の目には代えるものとして捉えられているため、引用される可能性ははるかに低くなる。
研究者はまた、現在の手法が、ソフトウェア名と、たまたまそれのように見える普通の単語との違いをどの程度判別できるかをテストした。「star（星）」、「cluster（クラスター）」、「string（ストリング）」のように、多くのソフトウェア名は一般的な英単語と同じ名前を持っている。研究によれば、既知のソフトウェアツールの標準的なリストには、これらの曖昧な名前は含まれていなかった。研究者が「cluster」という言葉がソフトウェアを指しているのか、それとも単なる「集まり」を指しているのかを判断するために、周囲の単語に基づいた単純なルールを用试图みたところ、そのルールは中程度の精度では機能したが、文脈が専門的な場合には頻繁に失敗した。これは重大な課題を浮き彫りにしている。すなわち、ソフトウェアの言及を自動的に追跡するために用いられるツールは、人間による助けやより高度なテクノロジーなしでは、最も一般的な曖昧な名前を扱うにはまだ不十分であるということである。
本研究は、ソフトウェアの引用不足という問題は実在するものの、それは単に科学者がクレジットを与えるのを忘れているという単純なケースではないと結論付けている。むしろ、それはツールの種類によって異なるルールが存在するという複雑な問題である。統計パッケージは、研究の多くを駆動しているにもかかわらず、この空白が最も大きい。本研究で使用されたデータは完全な無作為抽出ではなく、ソフトウェアを特定するための手法も人間の専門家による検証が完全になされていないため、これらの知見は最終的な調査結果というよりも、問題が最も深刻な場所を示す地図として捉えられるべきである。研究結果は、すべての科学者に「ソフトウェアを引用せよ」と命じる単一のルールは機能しない可能性があることを示唆している。代わりに、現在「目に見えない備品」として扱われているものに特化した政策が必要となる可能性があり、それによって、科学のデジタル・インフラを築き上げた人々が、ようやく相応のクレジットを受けられるようになるのである。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。