論文を読む力は学べるスキルなのに、多くの人が通り過ぎてしまう
大学院には奇妙なところがあります。キャリア全体が論文を読むことにかかっているのに、その読み方をほとんど誰も教えてくれないのです。初日に読書リストを渡され、「文献と向き合いなさい」と言われ、半年後には文献レビューを仕上げるよう求められます。その間の部分は、読者への宿題として残されます。
多くの学生は、自分が知っている唯一の戦略に頼ります。PDFを開き、タイトルから始めて、すべての単語を順番に読もうとするのです。これは小説には通用します。しかし研究論文では通用しません。3本目の論文でノートが混ざり始め、10本目でモチベーションが崩れ、20本目の頃には、学生はふりをしているか、静かにパニックに陥っているかのどちらかです。
問題は知性や努力ではありません。学術論文は、もともと直線的に読まれるように設計されていないのです。スキャンされ、トリアージされ、ごく一部だけが深く学ばれることを前提に作られています。Harvardの Michael Mitzenmacher は、広く読まれている"How to Read a Research Paper"という文章の中で、経験豊富な研究者が最初のパスで論文を上から下まで読むことはほとんどない、と指摘しています。彼らは図に飛び、関連研究をざっと見て、評価のセットアップを確認し、そのうえでようやく、この論文にもっと時間を割く価値があるかを判断します。
この記事は精神論ではなく、ワークフローです。S. Keshav の古典的なトリアージ手法に、アノテーションの習慣、AIによる理解のサポート、そして引用グラフの構築を組み合わせたものです。ゴールは、その学期の50本目の論文を読み終えたときに、疲れ果てているのではなく、むしろ理解が深まっている状態になることです。
S. Keshavの3パス法
2007年、University of WaterlooのS. Keshavは"How to Read a Paper"という短いガイドを書きました。わずか2ページですが、コンピュータサイエンスで論文の読み方について最も広く引用されているアドバイスです。核となるアイデアはシンプルで、論文を1回で読み切ろうとしないこと。目的と時間配分がそれぞれ異なる最大3回のパスに分けて読むことです。
1回目のパスはトリアージです。5〜10分かけて、その論文にさらに時間を割く価値があるかを判断します。2回目のパスは理解です。注意深く読み、主要な主張を把握し、証拠が主張を支えているかを見極めます。3回目のパスは深掘りです。自分で再実装したり、その上に積み上げたりする対象として扱います。
| パス | 時間の目安 | 読む範囲 | ゴール |
|---|---|---|---|
| Pass 1 | 5〜10分 | タイトル、アブストラクト、イントロ、セクション見出し、結論、参考文献のざっとしたスキャン | 論文が自分に関係するかを判断する。一文で貢献を言い表せますか？ |
| Pass 2 | 約1時間 | 本文、図表。証明や深い技術的な導出は飛ばします。 | 主張と証拠を理解する。不明な用語や、追いかけるべき被引用文献に印をつける。 |
| Pass 3 | 4〜5時間 | 証明も含めたすべて。再導出や再実装を試みる。 | 前提を批判する。自分ならどこに異議を唱え、拡張し、別のアプローチに置き換えるかを見定める。 |
便利な目安として、pass 1した100本のうち、pass 2に値するのはおよそ20本、pass 3に値するのはおよそ5本くらいです。ほとんどの論文は一生 pass 3 を必要としません。手元に流れてくる論文の10%以上を深読みしているなら、間違った素材に時間を使いすぎている可能性が高いです。
Columbiaの Purugganan と Hewitt は、科学論文に焦点を当てたガイド"How to Read a Scientific Article"の中で、同じような構造を提案していますが、メソッドの前に結論を読むことを強調しています。論理はこうです。結論を読めば論文が何を主張しているかが分かるので、メソッドにたどり着いた時点で、そのメソッドがどの問いに答えようとしているのかがすでに分かっている、というわけです。ちょっとした順番の入れ替えですが、読書を受動的な吸収から能動的なチェックへと変えてくれます。
両方のアイデアを組み合わせましょう。時間管理にはKeshavのパス構造を使い、各パスの内部ではPurugganan流の順序（アブストラクト、結論、図、メソッド、結果、考察）を使います。
論文の解剖学: 各段階で何にアノテーションするか
気になる文を片っ端からハイライトすると、すぐに散らかります。1週間もすれば、なぜそこが黄色になっているのか思い出せません。対策は、セクションごとに異なる狙いを持ってアノテーションすることです。
論文にはおおよそ6つの機能的なパートがあります。それぞれ別の役目を果たしているので、向ける注意の種類も変えるべきです。
| セクション | 担っている役割 | ハイライトすべきもの | 無視してよいもの |
|---|---|---|---|
| アブストラクト | 貢献を売り込む | 唯一の新しい主張と、その成果のスケール | 100回読んだことのある動機付けの文 |
| イントロダクション | ギャップを枠付ける | ギャップの記述（「先行研究は〜できない」）と、具体的な問い | すでに知っている背景 |
| 関連研究 | ポジショニング | 比較されている手法の名前（説明ではなく） | 網羅的な引用の羅列 |
| メソッド | 技術的な貢献 | 手順ではなく前提。このアプローチが機能するために必要なものは何か？ | 後から調べられる記号 |
| 結果 | 証拠 | ベースライン、評価指標、アブレーション。先行研究とのデルタは？ | 読み返さない表 |
| 考察 | 正直な限界 | 限界と妥当性への脅威 | あいまいな将来研究の言及 |
最も活用されていないのが考察セクションです。良い論文はそこで自分たちの限界を告白します。論文の考察があいまいだったり欠けていたりしたら、それ自体が記録に値するシグナルです。「limitations 未記載」と1行メモするだけでも、半年後にはイントロのどんなハイライトよりも役に立ちます。
PDFを扱うときは、GlaspのPDFハイライターを使えば、別アプリを立ち上げることなくブラウザ内で直接アノテーションでき、ハイライトはこれまで読んだ全資料を横断して検索可能な状態で残ります。arXivやジャーナルサイトにHTMLとして存在する論文には、Glaspのウェブハイライターが同じメモ取りをブラウザから実現します。大事なのはツールそのものではなく、欄外メモがZotero、Notion、GoodNotes、紙のプリントアウトに散らばるのではなく、すべて1か所にまとまることです。
実用的なルールを1つ。すべてのハイライトに一語のタグを付けましょう。「前提」「結果」「ギャップ」「混乱」「あとで引用」。文献レビューを書いていて、過去3か月にマークしたすべての「ギャップ」を探したいと思ったときに、自分を褒めたくなるはずです。
あらゆる読書にわたるアノテーション習慣をもっと深く扱った記事として、how-to-annotateではタグ分類やキャプチャのルールを、how-to-annotate-pdfsではPDF特有の戦術を取り上げています。
AIは研究の副操縦士であって、置き換えではない
とくに学生にとっての誘惑は、論文をChatGPTに渡して「要約して」と頼むことです。本当に理解する必要があるものについては、これを我慢しましょう。自分で作っていない要約は、自分のものではありません。論文を博論で引用し、口頭試問の最中に、メソッドに関する質問に答えられないと気づくことになります。
AIに頼りすぎると、読書が生み出すはずの認知的な仕事そのものが損なわれる、という確かな証拠もすでに出ています。Lee et al.（CMUとMicrosoft、2024）は"The Impact of Generative AI on Critical Thinking"で319人のナレッジワーカーを調査し、AIの出力への自信が高いほど批判的な関与が測定可能な形で減る一方、自分自身の専門性への自信が高いほど関与が増えることを見いだしました。彼らが観察したパターンは、AIによって作業の重心が「自分で成果物を作ること」から「AIの作業を検証すること」へ移り、しかも多くのユーザーが検証のステップを踏んでいない、というものです。
論文読みにおけるAIの正しい使い方は狭くて具体的です。「この論文を説明して」ではなく、「XとYは理解している前提で、この式を説明して」。「メソッドを要約して」ではなく、「メソッドのセクションは読んだのですが、なぜdropoutではなくL2正則化を選んだのかがよく分かりません。その議論は？」。質問の質はモデルよりも重要です。
具体的なワークフローはこうです。
- Pass 1は一人で。AIなし。まずは速いトリアージの筋肉を鍛える必要があります。
- Pass 2ではAIを辞書として。見慣れない用語、概念、式に出会ったら、AIに説明を頼みます。段落全体の要約は頼みません。
- Pass 2の後、AIにスティールマン批判を頼みます。「メソッドのハイライトと、私がまとめた貢献のサマリーはこれです。私が見落としているいちばん強い反論は何でしょう？」こうすると、AIはチートシートではなくゼミの参加者になります。
- Pass 3はAIに助けてもらいながら導出。再実装に取り組むなら、AIは導出のミス検出に本当に役立ちます。ただし、導出そのものはまず自分で書く必要があります。
GlaspのAIチャットは、まさにこのパターンのために設計されています。会話を自分のハイライトに接地させるので、PDFを丸ごとコンテキストウィンドウに投げ込んで祈るのではなく、アノテーションした特定の箇所について質問できます。論文と並行してカンファレンス発表や講義も扱う研究者には、YouTube Summaryが動画のトランスクリプトに対して同じような接地されたチャットを提供します。論文の著者がその研究を説明する発表をしている場合に便利です。
考える力を手放さずに自分の研究習慣とAIを組み合わせるテーマについては、ai-research-workflowとchat-with-your-notes-personal-ragを参照してください。ツールを比較検討しているなら、deep-research-tools-comparedが、現行世代のリサーチエージェントにできることとできないことを整理しています。
引用のトレイルを築く
論文はグラフの中のノードです。研究者としての仕事は、ノードを暗記することではなく、グラフを築くことです。
どの論文にも2種類の引用エッジがあります。後ろ向きのエッジはその論文が引用している論文、つまり基礎、先行研究、借りてきた手法です。前向きのエッジはその論文を引用している論文、つまり上に積み上げたり、反論したり、拡張したりする研究です。前向きのエッジは、論文が出版された時点では存在しません。何年もかけて積み重なり、しばしば最も面白い議論がそこで繰り広げられます。
後ろ向きの追跡はシンプルです。論文をpass 2して、ある被引用文献が議論の中で繰り返し出てくるなら、キューに追加しましょう。たいていはどの論文でも、議論を支えているのは3〜4本の引用です。残りは網羅性のためにあります。
前向きの追跡にはツールが必要です。Google Scholarの「Cited by」リンクは前向きエッジを見せてくれますが、並び替えはあまりうまくありません。Semantic Scholarの方が優れていて、原論文を単に言及しているだけではなく、意味のある形で積み上げている論文を絞り込む「influential citations」があります。Connected PapersやResearch Rabbitは、論文の近傍を可視化してくれるので、分野に新規参入したばかりで主要な著者を知らないときにとくに役立ちます。
実用的な目安として、pass 3した論文については最低1つの後ろ向きホップと1つの前向きホップを行いましょう。いちばん重要な被引用論文を2〜3本読み、いちばん引用されているフォロワーを2〜3本読みます。こうすることで、1本の論文が小さな連結部分グラフに変わります。それこそが研究知識の実際の単位です。
同じ論文を他の研究者がどこでハイライトしているかを見るのも近道です。Glaspのcommunityビューは、記事や論文への公開ハイライトを表示してくれるので、複数の読者が議論を支えていると感じた文がよく浮き彫りになります。分散型のアノテーションとも言え、新しい分野でとくに有用です。
スケールする文献レビュー
3パス法は5〜15本の論文なら見事に機能します。その先は崩れ始めます。50本や100本の論文をサーベイする段になると、「1本ずつ読みました」を超える構造が必要になります。
対策はシンセシス・マトリクスです。論文ごとに、固定された少数の属性を記録します。具体的な列は分野によりますが、無難な出発点のテンプレートはこんな形です。
| 論文 | 貢献 | メソッド | 証拠の強さ | 開いたギャップ |
|---|---|---|---|---|
| Smith et al. 2022 | 制約 Y のもとで X を初めてスケーラブルに解く手法 | 動的計画法 + 近似 | 強い（実世界データセット、ベースラインあり） | 敵対的な入力を扱えない |
| Lee & Park 2023 | X の理論的な下界 | 情報理論に基づく議論 | 強い（タイトに証明） | 実験的な検証がない |
| Ortega et al. 2024 | 医療データ上での X の経験的研究 | 5病院でのベンチマーク | 中程度（N が小さく、アブレーションなし） | 制約 Y を検証していない |
| Chen 2024 | X の変種 Z を提案 | Smith et al. の修正 | 弱い（トイデータセットのみ） | Z がスケールするかは不明 |
マジックは個々の行にではなく、列にあります。20本の論文を「メソッド」で並べると、15本が同じ手法の変種を使っていて、本当に違うことをしているのは5本だけ、という事実が突然見えてきます。「開いたギャップ」で並べると、3本ともストリーミングデータを扱えないと認めている、といったパターンが浮かび上がります。それが研究のチャンスです。
ここでハイライトがスケールで効いてきます。読んだ論文すべてに一貫したタグが付いていれば、ライブラリ全体にわたってタグでハイライトを絞り込めます。「過去6か月のすべての『ギャップ』アノテーションを見せて」が現実的なクエリになります。ハイライトをエクスポートしてMarkdown、CSV、あるいはノートアプリへ直接送れることは、読み終えた内容からマトリクスを半自動で埋められることを意味します。
ここから先、耐久性のある個人的なリファレンスシステムを構築するというメタスキルについては、personal-knowledge-managementとhow-to-take-smart-notesが広いワークフローをカバーしています。
溺れずに整理を保つ
最後の問題は読むことではなく、読んだことを覚えておくことです。活発に研究して6か月もすれば、何百ものハイライト、途中まで埋められたマトリクスがいくつも、そして自分でももう把握できないフォルダ構造ができあがります。崩壊を防ぐ習慣がいくつかあります。
プロジェクトごとに1フォルダ、すべてのプロジェクトを横断する1つのタグ体系。フォルダはプロジェクトを分けます。タグはそれらを横断します。論文 A の文献レビューでの「ギャップ」と、論文 B のための読書での「ギャップ」が同じ意味を持つなら、半年後の検索もちゃんと機能します。
pass 2した論文については、24時間以内に1段落のサマリーを書く。ハイライトではありません。自分の言葉で、この論文は何を主張したのか、証拠は何か、自分の考え方のどこを変えたのかを答えるサマリーです。これが、読んだものを土台に積み上げられる研究者と、同じ論文を2度読み直すだけの研究者を分ける、たった1つの習慣です。
月次で統合する。月に1度、1時間かけて直近4週間のハイライトとサマリーを振り返ります。パターンを探します。何が繰り返し出てくるか。どんな矛盾に気づいたか。どの論文を何度も参照しているか。文献レビューの草稿はここから始まります。
本を論文と同じシステムに入れる。行動経済学の論文と並行してKahnemanを読んだり、科学哲学の読書と並行してKuhnを読んだりするなら、それらを分けないでください。KindleハイライトはPDFと同じライブラリに取り込まれるので、1段落サマリーの習慣は書籍、論文、記事にわたって一様に適用できます。
これらはどれも、新しいツールを買うことを必要としません。必要なのは、ひとつのツールを選んで一貫して使うことです。決め手は、ハイライト、サマリー、チャット履歴がすべて、半年後に検索できる場所にまとまっているかどうかです。そうでなければ、自分自身の結論をいつまでも再発見し続けることになります。
よくある質問
週に何本くらい読むべきですか？
ここでは量より質です。フルタイムの博士課程の学生なら、pass 1 を5〜10本、pass 2 を2〜3本、pass 3 を2〜3週間に1本くらいが妥当な目標です。週に2本 pass 3 しているなら、出版間近のスペシャリストか、時間の配分を誤っているかのどちらかです。博士課程の初期は分野の地図を描いている最中なので pass 1 が多めに、後期は少なく深い読書に偏っていくのが自然です。
アブストラクトと結論はどちらを先に読むべきですか？
本文に触れる前に、まずアブストラクト、次に結論です。アブストラクトは論文が何を主張しているかを教えてくれます。結論は、著者たち自身が実際に示せたと考えていることを教えてくれ、これはときに主張より狭いものです。メソッドに入る前に両方を読むことで、どちらかを受動的に受け入れるのではなく、主張と証拠を突き合わせる読み方ができます。
理解できない論文をChatGPTに要約させてもよいですか？
論文を理解できないのであれば、AIの要約では解決しません。ただ、検証できない、自信ありげな要約を与えてくれるだけです。AIは、自分で解こうと試みた具体的な箇所についての具体的な質問に使いましょう。「基本的な線形代数を知っている前提で式7を説明して」は良いプロンプトです。「この論文を要約して」は罠です。AIと批判的思考に関する Lee et al. 2024 の研究は、まさにこのパターンが規模で起きていることを示しています。AIへの信頼が高いほど、批判的な関与が低い、というパターンです。
どの論文を pass 3 の深読みに値すると判断しますか？
シグナルは3つです。第一に、その論文のメソッドが、自分がこれから積み上げたり拡張したりする予定のものを直接支えているか。第二に、自分が気にしている他の論文の多くがそれを引用しているか。第三に、pass 2 の後でも、丁寧に読み直さないと答えが出ない本物の問いが残っているか。3つとも「はい」なら pass 3 候補です。ただ「面白い」だけなら、違います。
論文の書き方が本当にひどい場合はどうすればよいですか？
本当にひどいものも存在します。アブストラクトとイントロダクションが意味不明なら、著者がその研究について発表や解説ブログ記事を出していないか確認しましょう。YouTube上のカンファレンス発表は、しばしば論文自体よりも明快です。20分という枠が蒸留を強いるためでもあります。ときには同じ著者が時間をかけて考えを整理し直した、読みやすいフォローアップ論文が存在することもあります。そして時には、この不透明さは著者の問題であって自分の問題ではないと判断し、スキップするのも正解です。
参考文献リストの論文は全部読む必要がありますか？
必要ありません。全部読もうとするのは、古典的な先延ばしの罠です。論文中の引用の多くは、網羅性のため、あるいは関連するが本質的ではない文脈のためにあります。たいていは、議論を実際に支えている引用は3〜5本です。それが後ろ向き追跡の候補です。残りは読まなくてもグラフの中に置いておけば十分です。
おわりに
論文を読むことは訓練可能なスキルであって、謎めいた才能ではありません。3パス法が時間の配分を与えてくれます。セクション別のアノテーションがシグナル対ノイズ比を与えてくれます。慎重に使えば、AIは考えることを肩代わりさせずに、辞書とゼミの相手役になってくれます。引用グラフとシンセシス・マトリクスは、記憶だけでは立ち行かないところまでスケールさせてくれます。
メタなポイントは、研究のための読書は意志力の問題ではなく、システムだということです。早いうちにシステムを築いた学生は、より多くの論文を読み、より多くを覚え、より良い文献レビューを書きます。そうしない学生は、12本目の論文で燃え尽きて、自分を責めます。
このワークフローを今日、実際の論文で試したいなら、GlaspのPDFハイライターで任意のPDFを開き、10分で pass 1 をやり、ハイライトにタグを付け、そのあとGlaspのAIチャットで、ある特定の箇所について接地された質問をテストドライブしてみてください。それだけです。習慣は新しい生産性システムからではなく、1本の論文から始まります。