英語論文の副次結果とデータの取り扱いを適切に行うことは、研究の総体性と透明性を保証する不可欠なプロセスです。特に、当初の仮説を支持しない、いわゆる「都合の悪いデータ」をどのように扱うかが、研究者としての誠実さと研究そのものの価値を決定づけます。このセクションでは、そうしたデータと向き合うことがなぜインテグリティの核心となるのか、その本質的な理由について考えていきます。
なぜ「都合の悪いデータ」と向き合うことが研究インテグリティの核心なのか
研究活動において、実験や調査の結果は必ずしも期待通りにはなりません。統計的に有意な結果が得られなかったり、仮説と異なる傾向を示すデータが集まることがあります。こうした「ネガティブ・ファインディング」を無視し、都合の良い結果のみを選択的に報告する行為は、研究コミュニティ全体に深刻な歪みをもたらします。
研究結果の方向性や統計的有意性によって論文の出版可否が決まってしまう現象を「出版バイアス」と呼びます。一般社団法人 日本理学療法学会連合の用語集では、このバイアスにより、有意差のある結果ばかりが発表され、偏った情報しか流通しない危険性が指摘されています。これは、学術界が「成功した研究」ばかりに目を向け、失敗や否定的結果から学ぶ機会を失っていることを意味します。
この選択的報告は、個人の研究にとどまらず、その後のシステマティックレビューやメタ分析の質をも損ないます。ある分野の全体像を正しく把握できなくなり、結果として、効果が過大評価されたり、実際には効果のない介入が有効であるかのような誤った認識が広まるリスクがあります。
Negative findingsを隠蔽することの長期的リスク
ネガティブな結果を隠蔽することは、短期的には論文の受理につながるかもしれません。しかし、長期的には研究者自身のキャリアと信頼性に大きな傷をつける行為です。
- 信頼の喪失：他の研究者があなたの発表した結果を追試しようとしたとき、再現できないことが判明すれば、あなたの研究全体に対する信頼は地に落ちます。
- 自己欺瞞の連鎖：都合の悪いデータを無視する習慣は、研究自体の客観性を失わせ、真実の探究という科学の本質から遠ざかります。
- 倫理的責任の放棄：研究には、たとえ期待外れであっても発見された事実を報告し、知識の蓄積に貢献する責任があります。これを放棄することは、研究コミュニティへの背信です。
透明性を貫くことは、単なる倫理規範ではなく、研究者としての長期的な生存戦略と言えます。誠実な報告は、査読者や編集者との信頼関係を築き、将来的な論文審査をよりスムーズにする礎となります。
研究の透明性は再現性危機への最良の回答である
近年、さまざまな学問分野で「再現性危機」が問題視されています。これは、発表された研究成果を他の研究者が再現できないケースが少なくないという問題です。この危機の一因は、研究プロセスとデータの報告が不透明であることにあります。
すべてのデータと分析プロセスを可能な限り公開し、副次結果も含めて報告すること。これこそが、再現性を高め、科学の健全性を守る最も実践的な方法です。
透明性を確保することで、あなたの研究は単なる「結果の報告」を超え、後の研究者が検証し、発展させられる「公共財」となります。仮説を支持しないデータは、むしろ新たな研究疑問を生み、学問領域の深まりにつながる貴重な情報源です。インテグリティ・チェックとは、このような研究の総体性を尊重し、透明性を最大化するための体系的取り組みに他なりません。
Integrity Check実践：投稿前に行う5つの視点からの総合点検
論文を投稿する前に、研究の総体性と透明性を保証するための最終的な点検が欠かせません。ここでは、データ収集から解釈、読者への公開までをカバーする5つの視点に基づく実践的なチェックリストを紹介します。このプロセスを「Integrity Check」と呼び、研究の質と信頼性を高めるための体系的なレビューとして活用してください。
まずは、生データから最終的な図表に至るまでの「トレーサビリティ」を確認します。これは、食品業界などで製品の履歴を追跡するために用いられる概念で、研究においてはデータの来歴と変遷を確実に追跡可能な状態にあることを指します。具体的には、論文に記載された全ての結果が、どの生データから、どのような処理・分析を経て導かれたかを遡れるか（トレースバック）、また逆に、収集した全ての生データが適切に報告されているか（トレースフォワード）をチェックします。
効率的なレビューのためには、データと分析コード、そして論文の主張を関連付ける「トレーサビリティマトリクス」の作成が有効です。これは、左側に収集した生データや分析項目を、右側に論文内の該当する記述や図表番号を対応付ける格子表です。これにより、記述漏れや根拠のない主張を機械的に発見できます。
- 全ての図表の元となる生データファイルが、一意の識別子（ファイル名、ID）と共に整理・保存されているか。
- データの前処理（除外、補完、変換）や統計解析の手順が、コードや詳細なメモとして記録され、再現可能か。
- 収集したデータセット全体と、論文で報告されたデータの範囲（例：サンプル数）にズレがないか。
次に、主要な結果だけでなく、副次的な結果や「都合の悪いデータ」を含めた報告のバランスを評価します。研究の総体性を保つには、仮説を支持する結果と支持しない結果の両方を誠実に記載することが重要です。以下のチェックリストを用いて、結果セクションの記述を評価してみましょう。
| 評価項目 | チェック内容 |
|---|---|
| 主要結果の報告 | 当初の仮説を検証するための主要な分析結果が、明確かつ過不足なく記載されているか。 |
| 副次結果の扱い | 探索的な分析や、予期しないが興味深い発見（副次結果）について、その位置づけを明記しているか。 |
| 非有意結果の記載 | 統計的に有意でなかった結果について、その事実を隠さずに報告し、解釈の可能性に言及しているか。 |
| データの一貫性 | 異なる分析方法やサブグループ解析を行った場合、結果間に矛盾がないか、あるいは矛盾があればその理由を説明できるか。 |
得られたデータに基づく解釈が、結果の範囲を超えて飛躍していないかを点検します。議論セクションは、データが示すことと、研究者が推論することを明確に区別して書かれるべきです。
- 結果から直接は導けない因果関係を、断定している。
- 自説を支持する先行研究ばかりを引用し、反証となる研究に言及していない。
- データの不確実性（信頼区間など）を無視して、解釈を一般化している。
代わりに、複数の解釈の可能性や代替仮説について議論に含めることで、解釈のバランスと深みが増します。「Aという結果はBを支持するが、Cという別のメカニズムの可能性も排除できない」といった記述が誠実さを示します。
あらゆる研究には限界があります。この限界を隠すのではなく、前向きに明示することが、研究の透明性と今後の発展のために重要です。限界の記載は、単に弱点を並べるのではなく、その影響を評価し、読者が結果を正しく解釈するための文脈を提供するものです。
「サンプルサイズが小さいため、結果は予備的なものである」と否定するだけでなく、「サンプルサイズが限られていたため、効果量の推定には不確実性が伴う。今後、より大規模な集団で検証することが必要である」と、限界の性質とそれが及ぼす具体的な影響、そして次の研究への示唆を含めて記載します。
チェックすべき限界には、研究デザイン（横断研究であるため因果推論ができない）、測定方法の特性（自己報告データであるためバイアスの可能性がある）、サンプルの代表性（特定の集団に限られるため一般化には注意が必要）などが含まれます。
最後に、読者や他の研究者があなたの研究を検証・再現できるために、十分な情報が公開されているかを確認します。論文本文の文字数制限などで詳細を記載できない場合は、Supplementary Materials（補足資料）を積極的に活用します。
- Supplementary Materialsの内容：詳細な方法、追加の図表、生データの要約統計、使用した質問紙、分析コードなどを掲載します。
- データアクセスの明示：データを公開リポジトリに保管している場合は、そのリポジトリ名、アクセッション番号、またはDOIを論文内で明記します。公開が困難な場合は、その理由と、正当な理由のある研究者へのデータ提供可能性について記載します。
- 利益相反の開示：研究資金の提供源や、研究者の経済的利害関係が結果の解釈に影響を与える可能性がないかを確認し、必要な開示を行います。
これらの5つの視点からの点検を通じて、論文は単なる主張の提示から、検証可能で信頼性の高い学術的コミュニケーションへと変わります。投稿前のこの一手間が、研究の長期的な価値とあなた自身の研究者としての信用を築く礎となるのです。
主要仮説を支持しない結果を論文内で報告・議論する戦略的アプローチ
研究において、当初の仮説を支持しない結果や「負の結果」をどのように報告し議論するかは、研究者の誠実さと論文の学術的価値を直接的に示す場面です。このプロセスを戦略的に行うことで、単なる「失敗」を、分野の発展に寄与する「貴重な知見」へと昇華させることができます。ここでは、ResultsとDiscussionセクションにおいて、そうした結果を効果的に扱う具体的な方法を解説します。
Resultsセクションにおける負の結果の適切な配置と表現
研究の中心的な仮説とは異なる結果や、統計的に有意な差が認められなかったデータを報告する際、まず重要なのは、「統計的有意差なし」という単純な記述に留めないことです。「有意差なし」は「効果が全くない」ことを意味するわけではなく、サンプルサイズや測定方法など様々な要因によって生じうるものです。
より情報量が多く、正確な報告のために、以下の要素を含めることが推奨されます。
- 効果量の報告: p値だけでなく、実際の差や関連の「大きさ」を示す効果量を必ず記載します。効果量は、結果の実質的な重要性を評価するための指標です。
- 信頼区間の提示: 推定値（例：平均値の差）とその信頼区間を報告します。信頼区間の幅が広い場合、効果の有無について不確実性が大きいことを示唆します。
- ネガティブな結果の明確な記載: 仮説と矛盾する結果は、あいまいにせず、明確に「仮説H1は支持されなかった」などと記述します。データを隠蔽したり、都合の良い解釈に歪曲したりしてはいけません。
Discussionセクションで予想外の知見を価値に変える議論の組み立て方
Discussionセクションは、単に結果を説明するだけでなく、その意味を解釈し、学術的対話に貢献する場です。仮説を支持しない結果は、ここで最大の価値を発揮する可能性を秘めています。
鍵となるのは、否定的な結果を「調査の失敗」ではなく、「重要な発見」として再定義する視点です。以下の戦略的な議論の組み立て方を参考にしてください。
- 境界条件の特定として位置づける: 「この介入は、全ての条件下で有効ではなく、特定の条件（例：初心者に限る、長期的な実施が必要など）でのみ効果を発揮する可能性が示唆された」と議論します。これにより、理論や手法の適用範囲を精緻化する貢献ができます。
- 先行研究との誠実な対比: 自らの結果が先行研究と一致しない場合、その理由について考察します。研究方法の相違（被験者属性、測定手法、介入期間など）や、未測定の交絡変数の可能性を検討し、なぜ不一致が生じたのかについて学術的な対話を提案します。
- 新たな研究疑問や仮説の導出: 予想外の結果から、これまで考えられていなかった新たな研究疑問を導き出します。例えば、「なぜこの条件下では効果がみられなかったのか？」という問いから、新しいメカニズムや調整変数に関する仮説を立て、将来の研究方向性を提示します。
- 方法論的限界との明確な区別: 結果が仮説を支持しなかった理由が、研究デザインや測定の限界による可能性を率直に認めます。その上で、その限界が結果の解釈にどのような影響を与えるかを議論し、読者が結果を適切に評価できるようにします。
「有意差なし＝効果なし」という解釈は、統計的推論における一般的な誤解の一つです。効果量や信頼区間といった指標を併せて考察することで、データが伝えるより豊かな情報を読み解くことができます。負の結果の公表は、他の研究者が同じような無駄な試行錯誤を繰り返さないためにも、学術コミュニティ全体にとって極めて重要です。
最終的に、主要仮説を支持しない結果を包み隠さず報告し、建設的に議論することは、その研究の透明性と信頼性を高めます。それは読者や査読者からの信頼を得るだけでなく、科学の自己修正プロセスに真摯に参加し、知識の積み上げに貢献する研究者としての姿勢を示すことになります。
Supplementary Materialsを活用して透明性を最大化する方法
論文の本文に収まりきらないデータや詳細な分析は、研究の完全性を損なうことなく適切に扱う必要があります。そのための強力なツールがSupplementary Materials（補足資料）です。このセクションでは、本文の流れを損なわずに透明性と再現性を飛躍的に高める、Supplementary Materialsの戦略的な活用法を解説します。
何をSupplementary Materialsに含めるべきか：判断基準と具体例
Supplementary Materialsは何でも入れてよいというわけではありません。その選別基準が、資料の価値を決めます。まずは「本文の議論の流れを妨げるか」という視点で判断しましょう。読者が本文を理解する上で必須ではないが、研究の深い理解や検証に役立つ情報が対象です。
Supplementary Materialsに含めるべき情報の判断基準
- 詳細な実験方法やプロトコル
- 追加の分析結果や統計データの全表
- 生データの概要や前処理の詳細な手順
- 調査で使用した質問票の全文
- 高解像度の画像や動画、音声ファイル
Proof-Reading-Service.comが示す具体例では、追加の図表、詳細な統計表、長い引用文、プログラムのソースコード、生データのサンプルなどが挙げられています。重要なのは、これらの資料が本文の主張を補強し、研究の再現可能性を高めるものであることです。単に「集めたデータすべて」を載せるのではなく、読者や査読者が疑問に思う可能性のある点を先回りして解消する資料を選びましょう。
公開データリポジトリを利用することは、研究データのFAIR原則（見つけやすく、アクセス可能で、相互運用可能で、再利用可能）への準拠を強力に後押しします。これは、研究の透明性と社会的信頼を確保する現代的なアプローチです。
Supplementary Materialsの記述が本文の議論を強化する仕組み
Supplementary Materialsは単なる「おまけ」ではありません。本文中の適切な言及を通じて、論文全体の説得力と厚みを増す仕掛けとして機能します。
「詳細な実験手順はSupplementary MaterialsのMethod S1を参照されたい」や、「追加の感度分析結果（Supplementary Table S3）も同様の傾向を示した」のように、具体的な資料名を挙げて参照します。曖昧な「補足資料を参照」ではなく、資料の種類（Table, Figure, Method）と番号（S1, S2）を明記することが重要です。
本文の議論の核心から外れるが重要な検証作業（例えば、異なる前提条件での分析）は、Supplementary Materialsに委ねます。これにより、本文は主要な発見とその解釈に集中でき、論理の流れがクリアになります。査読者も、主要な論点に集中しつつ、必要に応じて詳細を確認できるため、評価がスムーズになります。
Supplementary Materialsを通じて、研究プロセスの全ての段階を開示することは、研究の誠実さを示します。たとえ主要仮説を支持しない結果であっても、それを記録し公開することで、分野全体の知識の蓄積に貢献できます。Editverseが指摘するように、これは査読者の不安を解消し、科学的信頼性を確保する効果があります。
Supplementary Materialsを戦略的に構築し、本文と有機的に連携させることで、論文は単なる「結果報告」から、検証可能で厚みのある「研究記録」へと進化します。読者に門戸を開き、自身の研究の総体性を積極的に示す姿勢が、現代の学術コミュニケーションにおいて不可欠なIntegrity（誠実さ）の実践なのです。
査読者が評価する「誠実な論文」の特徴と対応策
査読プロセスは、論文の科学的妥当性を審査する場であると同時に、研究者の誠実さが試される場でもあります。研究の透明性や限界についての不十分な説明は、査読者からの厳しい指摘を招き、再投稿や修正に時間を要する原因になります。このセクションでは、査読コメントで頻出する指摘を事前に回避し、研究の総体性を誠実に示す「予防的記載」の技術を解説します。
査読コメントで頻出する「透明性」と「限界」に関する指摘
誠実さに疑問を抱かせる記述は、査読プロセスを大きく停滞させます。
査読者は、研究の過程がどれだけ明確に記述されているかに強い関心を持ちます。曖昧な点や不自然な点を見つけると、それが意図的な結果の操作や見落としを示唆するものではないかと疑念を抱きます。このような疑念は、論文の科学的信頼性に対する根本的な疑問へとつながり、修正では済まない大幅な書き直しや、最悪の場合、リジェクトを招く可能性があります。
- データの選択・除外基準が不明確
なぜ特定のデータセットを分析から除外したのか、その基準が明記されていない場合です。例えば、臨床研究において「除外基準が多く、対象者が”so clean”である」と指摘されることがあります。これは、現実的ではないほど「きれいな」サンプルだけを選び出しているのではないかという疑念を生みます。 - 研究の限界についての形式的・不十分な記述
「本研究には限界がある」と断りを入れるだけで、具体的に何が限界で、それが結果の解釈にどのような影響を与える可能性があるのかについて深く議論していない場合です。これは、研究者が自らの研究を客観的に評価できていない印象を与えます。 - 潜在的な競合する解釈への言及不足
得られた結果について、著者自身が提示した仮説以外の解釈が可能であるにもかかわらず、それらについて一切触れず、自説を強引に押し通そうとする記述です。科学的な議論の姿勢が欠如していると見なされます。
指摘を受ける前に先回りして対応する予防的記載の技術
査読者からの指摘を待つのではなく、論文執筆の段階からこれらの懸念を先回りして解消する記述を組み込むことが、誠実な論文執筆の鍵となります。これは、単なる防御策ではなく、研究の質そのものを高め、読者に対する説得力と透明性を増す行為です。
予防的記載の核心は、「読者（査読者）が次に疑問に思うことを、先に文章で答えておく」ことです。疑念が生まれる余地自体を減らすことで、論文はより強固なものになります。
具体的な技術は以下の通りです。
- データの取り扱いについての詳細な説明
Methodsセクションで、データの収集、クリーニング、除外のプロセスをステップバイステップで記述します。なぜ特定のデータを除外したのか（例：測定誤差の明らかな範囲外値、プロトコルからの逸脱）、その科学的根拠を明確に示します。Supplementary Materialsに、除外前後のデータの分布を視覚化した図表を含めるのも効果的です。 - 限界とその影響の具体的な議論
Discussionセクションの後半に、研究の限界を率直に列挙します。重要なのは、各限界が「結果の一般化可能性を制限する」「因果関係の解釈を曖昧にする可能性がある」など、具体的にどのような影響を与えるのかを論じることです。そして、それらの限界を将来的にどのように克服できるかについても言及すれば、建設的な姿勢が伝わります。 - 代替仮説の丁寧な検討
自らの解釈を提示した後、「一方で、この結果は～という別のメカニズムによっても説明できる可能性がある」と、競合する解釈を提示します。その後、なぜ自らの解釈の方がより妥当と考えられるのか、現時点の証拠に基づいて論理的に反論します。このプロセス自体が、著者の思考の深さと客観性を示すことになります。
- 査読者から「データの除外基準が不明確だ」と指摘されました。どのように返答すべきですか？
-
まず、指摘を真摯に受け止める姿勢を示します。その上で、除外基準が論文内で不十分であったことを認め、修正案を提示します。具体的には、Methodsセクションに除外基準とその根拠を明確に追記し、必要に応じてSupplementary Materialsに詳細を追加します。「ご指摘の通り、除外基準の記載が不十分でした。修正版の〇〇ページに、具体的な基準（例：測定値が平均±3標準偏差を超えた場合）とその理由を明記いたしました」といった返答が考えられます。
- Integrity Checkを通過した論文が、査読を円滑に進めやすいのはなぜですか？
-
Integrity Checkとは、研究の総体性を確保するための自己点検プロセスです。これを通した論文は、主要な結果だけでなく、副次的な結果やデータの取り扱い方、研究の限界までが一貫性と透明性を持って記述されています。査読者が抱きやすい「ここはどうなっているのか？」「この点は考慮されているのか？」という疑問の多くが、既に本文で解消されています。そのため、査読者は細かな技術的指摘よりも、研究の本質的な新規性や重要性、論理の飛躍など、より高次元の議論に集中できるのです。結果として、修正のやりとりが少なくなり、採択までのプロセスがスムーズになります。
誠実な論文は、完璧な結果だけを提示する論文ではありません。研究の過程で直面した判断やトレードオフ、そして自らの研究が持つ境界を、読者に対して隠さずに開示する論文です。この姿勢が、査読者からの信頼を獲得し、論文の学術的価値を長期的に保証する礎となります。
