正しい数字から間違った結論は作れる

ニュースや解説などの二次情報を読んでいると、数字そのものは実在するのに、元資料まで遡ると記事の結論とは意味が異なっていることがある。研究では特定の条件で一つの指標が改善しただけでも、ニュースになる過程で「性能が何倍になった」「実用化が近づいた」「これで問題が解決した」といった、より広い対象を評価する表現へ変わる。元になった数字が本物であるため、単純な虚偽よりも判別しにくい。

2026 年 9 月に公開された量子コンピューターの記事には、「誤りを最大 65% 除去する技術」という要約がある[1]。一方、元になった IBM 研究チームのプレプリントが扱っているのは、誤り検出と確率的誤り相殺を組み合わせて、量子計算に残る誤りを統計的に補正する手法である。主要な定量結果の一つは、確率的誤り相殺だけを使う場合と比べて、推定サンプリングオーバーヘッドを最大 63 分の 1 に削減したことである[2]。ここで削減されたのは、計算機そのものの実行時間ではなく、誤りを緩和した結果を一定の精度で推定するために必要となる測定回数の負担である。

約 65% という数字にも同じ問題がある。同じニュース記事の詳しい説明では、4 つの誤り検出検査によって、ノイズモデルに含まれる基本的な故障の約 65% を識別できたと記されている。この場合に測られているのは、検査によって故障を識別できる割合である。「故障を識別した」と「誤りを除去した」では、対象となる処理も結果の意味も異なる。数字を維持したまま測定対象の名称だけを広げれば、外見上は元資料に基づいていても、読者が受け取る意味は変わる。

この種のずれを確認するには、ニュース記事の文面だけを比較しても十分な判断材料にならない。一次情報まで戻り、何を測定したのか、比較対象は何か、どの条件で結果が成立したのか、著者自身が結果からどこまでの結論を導いているのかを確認する必要がある。ニュース記事に残っている数字と一次情報の数字が一致していても、その数字に割り当てられた意味まで一致しているとは限らないからである。

一方で、一次論文も最終的な正解として固定される資料ではない。研究結果には実験条件や解析方法による適用範囲があり、別の研究による再現や追試によって評価が変わることもある。計算や記述に誤りが見つかれば訂正され、結果や結論を維持できない場合には撤回されることもある。一次情報へ戻る目的は、そこで検証を終了することではなく、ニュースによる要約の前に存在していた条件、評価指標、根拠、限界を回収し、検証可能な状態へ戻すことにある。

情報の信頼性を判断するときに必要なのは、信頼できそうな媒体を一つ選ぶことより、主張から根拠までの経路を辿れることである。記事が述べる結論を小さな命題へ分解し、一次情報と照合し、何が確認されれば成立し、何が確認されれば修正が必要になるのかを明らかにする。ファクトチェックと反証可能性は、この経路を作るための方法としてつながっている。

1. 正しい数字から間違った結論は作れる

数字が元資料に存在することを確認しても、その時点ではファクトチェックは完了していない。確認すべきなのは、その数字が何を測定し、どの対象を比較し、どの範囲について成立しているかである。数字は測定対象と条件を含めて初めて意味を持つため、数値だけを残して評価対象を入れ替えると、元資料とは異なる結論を作れる。

量子計算の例では、元論文の「最大 63 倍」は計算機全体の実行速度ではなく、推定サンプリングオーバーヘッドの比較である[2]。確率的誤り相殺では、ノイズを含む量子回路を複数回実行し、その測定結果を統計的に組み合わせて理想的な結果を推定する。誤りが大きくなるほど必要な測定回数が増えるため、この追加負担がサンプリングオーバーヘッドとして現れる。

誤り検出を組み合わせて補正対象となる誤りを減らせば、同じ推定精度へ到達するために必要な測定回数を減らせる。研究で示された最大 63 倍という値は、この統計的な負担がどれだけ減ったかを表している。測定回数が減れば実行コストの一部は確実に改善するが、量子プロセッサーのゲート動作が 63 倍高速になったわけではない。冷却設備、制御装置、回路の実行時間、古典計算による前後処理まで含めたシステム全体の所要時間が同じ比率で短縮されることも、この数値からは導けない。

既稿「QPU の速さだけでは、量子優位性は示せない」では、比較対象、解品質、測定範囲、比較アルゴリズムを固定しなければ、「速い」という表現が何を意味するのかを確定できないことを扱った[3]。量子プロセッサー内部の一指標が改善しても、利用者が最終結果を得るまでの時間には、前処理、量子回路の反復実行、測定、後処理など複数の工程が含まれる。一つの工程の改善率をシステム全体の改善率として扱えば、比較対象が途中で変わる。

ニュース記事の数字でも同じ構造が現れる。研究者が測定した指標を \(X\)、ニュース記事が読者へ伝える評価対象を \(Y\) とすると、数値 \(r\) が正しくても、\(X\) と \(Y\) が異なれば「\(r\) 倍改善した」という文章の意味は変わる。数字の正確さと、数字が修飾している対象の正確さは別々に確認する必要がある。

元の情報	ニュースで起こり得る変換	失われる条件
推定サンプリングオーバーヘッドを最大 63 分の 1 に削減	量子コンピューターが 63 倍高速になったと読まれる。	比較対象が誤り緩和に必要な測定回数の負担であり、計算機全体の実行時間ではないことが失われる。
ノイズモデル中の故障の約 65% を検査が識別	誤りを 65% 除去したと要約される。	故障を検出可能な状態にしたことと、計算結果から誤りを除去したことの違いが失われる。
記述された形式命題について証明検査が通る	生成されたコードを 100% 信頼できると読まれる。	仕様として記述されていない要求、証明検査器、処理系、外部入出力など、形式命題の外側に残る信頼境界が失われる。

三つの例に共通するのは、元情報を完全に捨てて別の主張を作っているわけではない点である。元資料に存在する数字や技術的成果を残したまま、その数字が評価する対象を一段広い概念へ置き換えている。サンプリング負担は計算速度へ、故障識別率は誤り除去率へ、形式化された命題についての証明はソフトウェア全体の信頼性へ拡張される。

この変換が一段だけなら、専門知識があれば違いに気づきやすい。複数段階を通ると判別は難しくなる。「ある条件で一つの指標が改善した」という研究結果から条件が落ち、「性能が改善した」と一般化され、さらに将来予測が加わって「実用化が近づいた」と書かれる場合、最後の文章には元研究の数字が残っていても、結論までを直接支える根拠は残っていない。

二次情報の精度を評価するときには、存在しない事実を書いたかどうかだけでは十分ではない。数字の名称、分母、比較対象、測定範囲、実験条件、時制まで確認し、記事の文章が一次情報と同じ対象を評価しているかを見る必要がある。正しい数字から間違った結論を作れる以上、ファクトチェックの単位は数字そのものではなく、数字とその意味を結び付けた命題になる。

2. 情報はニュースになるまで何度も圧縮される

研究成果が一般読者へ届くまでには、複数の編集段階が入る。研究論文や技術仕様には、対象、実験条件、比較対象、評価指標、統計的不確実性、適用範囲、既知の制約が記述されている。研究機関や企業がプレスリリースを作る段階では、その中から社会的な意味や新規性を説明しやすい部分が選ばれる。ニュース記事ではさらに背景説明と専門用語が削られ、見出しや検索結果、SNS、要約サービスでは数十文字から数百文字へ圧縮される。

\[
\text{論文・仕様・実装}
\rightarrow
\text{プレスリリース}
\rightarrow
\text{ニュース記事}
\rightarrow
\text{見出し・要約}
\]

この圧縮そのものは必要である。論文の数十ページをそのまま転載しても、研究の位置づけを知らない読者には要点を把握しにくい。技術ニュースには、専門的な情報から判断に必要な部分を選び、短い文章へ変換する役割がある。精度を左右するのは、文章量をどれだけ減らしたかではなく、主張を成立させる条件を残したまま短縮できたかである。

たとえば、元の研究結果が「実験条件 C において、比較手法 A に対して評価指標 X が改善した」であったとする。この一文には、少なくとも条件 C、比較対象 A、評価指標 X という三つの限定が含まれる。どれか一つを削るたびに、文章が主張する範囲は広がる。

残っている情報	表現	主張の変化
条件 C、比較対象 A、指標 X	条件 C で、手法 A と比較して指標 X が改善した。	研究で直接確認された範囲を保っている。
比較対象 A、指標 X	手法 A と比較して指標 X が改善した。	どの条件で成立した結果なのかが失われ、適用範囲が広く見える。
指標 X	指標 X が改善した。	何と比較して改善したのかが分からなくなる。
改善という結果だけ	性能が向上した。	一つの評価指標が、システム全体の性能へ置き換わる。
技術上の進展だけ	実用化が近づいた。	実験結果から、市場導入時期や利用可能性に関する予測へ主張が移る。

最初の削減では、成立条件が失われる。これによって、本来は特定環境だけで確認された結果が、より広い環境でも成立するように読める。次に比較対象が失われると、何に対する改善なのかを判断できなくなる。その状態で評価指標 X を単に「性能」と言い換えると、測定した一部分と製品やシステム全体の能力が同じものとして扱われる。

さらに「性能が改善した」という文章へ「実用化が近づいた」という解釈を加えると、主張の種類そのものが変わる。性能測定は現在または過去の実験結果であり、実用化時期は将来予測である。実験上の一指標が改善したという事実だけでは、製造コスト、信頼性、運用性、供給能力、規制、既存技術との経済性比較まで決まらない。それらを確認せずに実用化時期へ接続すると、技術的成果と市場予測の間に新しい推論が追加される。

このような変換は、一文ずつ読めば極端には見えない。条件を省くことも、専門的な評価指標を一般語へ言い換えることも、ニュース記事では頻繁に行われる。しかし、複数の省略と言い換えが連続すると、最初の研究結果と最後の見出しの間にある論理的な距離が大きくなる。

既稿「測ることは、考えることの代わりにならない」では、指標は対象そのものではなく、対象の一側面を観測するための代理表現であると整理した[4]。測定値から判断へ進むには、その指標が何を表し、何を表していないかを確認する必要がある。二次情報でも、論文に書かれた数字は現実そのものではなく、決められた測定方法によって切り取られた一側面である。

数字を残したまま、その数字が指していた対象、比較条件、適用範囲を落とすと、記事には元資料との表面的な対応だけが残る。読者が一次情報へ戻ったときに数字自体は見つかるため、単純な誤報としても発見しにくい。情報圧縮で守るべきなのは数字の文字列ではなく、その数字と意味を結び付けている条件である。

3. 誇張はニュース記事だけで発生するわけではない

ニュースの不正確さを、記事を書いた記者の理解不足だけで説明すると、情報が変形する経路を途中からしか見ないことになる。研究成果がニュース記事へ到達する前には、論文本文、要旨、研究機関や企業のプレスリリース、広報用の見出しや説明文が存在する。ニュース記事がプレスリリースを主要な情報源として書かれる場合、その段階ですでに因果関係、適用範囲、研究上の制約が強く表現されていれば、ニュース側はその表現を引き継ぎやすい。

Schwartz らは、主要医学誌に掲載された研究論文について、プレスリリースが発行された場合と発行されなかった場合を区別し、さらに関連する新聞記事の内容を比較した[5]。その結果、絶対リスク、研究上の制約、研究結果の数値的な意味といった情報がプレスリリースに含まれている場合、新聞記事にもそれらが含まれる割合が高かった。逆に、プレスリリースの段階で必要な条件や留保が欠けていれば、後続するニュース記事にも欠落が残りやすかった。

ここには二段階の情報伝達がある。最初に、論文からプレスリリースを作る際に、研究結果のどの部分を残し、どの部分を省くかが決まる。その次に、ニュース記事がプレスリリースを参照して内容を再構成する。後段の記者が元論文まで遡らなければ、前段で失われた条件を復元する材料がない。そのため、プレスリリースの品質は単なる広報文の品質にとどまらず、その後に生成されるニュースの情報密度にも影響する。

Sumner らは、20 の英国大学が発行した 462 件のプレスリリースと、それに対応する 668 件のニュース記事を調べた[6]。対象となったのは、相関研究から因果関係を述べる表現、動物研究を人間へ拡張する表現、助言として一般化する表現などである。プレスリリースに誇張が含まれている場合、ニュース記事にも同種の誇張が現れる割合が高かった。

この結果は、ニュース記事が独自に誤りを追加する経路だけを想定すると説明しにくい。研究機関側が「関連が観察された」を「原因である」に近い表現へ変えれば、ニュース記事はその因果表現を引用または言い換えるだけで、元論文より強い主張を掲載できる。動物実験についても、「マウスで確認された」という条件が広報段階で弱まれば、ニュース側では人間への効果として受け取れる文章へ変化しやすい。

情報段階	起こり得る変形	後続する情報への影響
論文本文	実験条件、統計的不確実性、適用範囲、研究上の制約が詳細に記載される。	検証に必要な情報が最も多く残る。
論文要旨	方法や制約が圧縮され、主要結果と結論が前面に出る。	本文まで確認しなければ、結果の成立条件を把握しにくくなる。
プレスリリース	社会的意義や新規性を強調する過程で、因果、適用範囲、将来可能性が強く表現される場合がある。	ニュース記事がその表現を情報源として継承する可能性が生じる。
ニュース記事	さらに専門用語や条件が削られ、一般読者向けの結論へ再構成される。	前段階の誇張に追加の一般化が重なる場合がある。

誇張の起点がさらに上流にある場合もある。Yavchitz らは、無作為化比較試験を扱った論文、プレスリリース、ニュース記事を比較し、研究結果を実際より有利に見せる報告上の「スピン」を調べた[7]。その結果、スピンはニュースだけで発生する現象ではなく、論文要旨の結論やプレスリリースにも存在していた。

これは一次論文を読む重要性を否定する結果ではない。むしろ、論文のどの部分まで戻る必要があるかを示している。要旨だけを一次情報として確認しても、本文に書かれた研究上の制約や解析条件を取りこぼすことがある。プレスリリースから要旨へ戻り、必要なら方法、結果、制約まで確認することで、情報がどの段階で強く表現されたのかを特定できる。

健康介入を扱うニュース報道についての系統的レビューでも、同じ種類の欠落が繰り返し確認されている。Oxman らはニュース記事の品質を調べた既存研究を整理し、利益だけでなく害を報告しているか、相対効果だけでなく絶対効果を示しているか、費用や利益相反を説明しているかといった観点で、多くの記事に情報不足があることを報告している[8]。

たとえば、ある治療によってリスクが 2% から 1% に下がった場合、「リスクを 50% 削減した」という相対値と、「100 人あたり 1 人分減った」という絶対値は同じ結果を異なる尺度で表している。相対値だけをニュースに残せば効果は大きく見える。ここでも数値そのものが虚偽である必要はなく、判断に必要な別の尺度を落とすことで印象が変わる。

これらの研究は主として医療・健康報道を対象としているため、そこで観測された割合を AI、量子計算、半導体などのテックニュースへそのまま移す根拠にはならない。確認できるのは、研究成果が複数の文章へ変換される過程で、条件、留保、因果表現、効果の尺度が変化し、それが後続報道へ継承され得るという経路である。

技術報道でも確認すべき対象は同じ構造を持つ。企業のニュース記事に疑問があれば公式発表へ戻り、公式発表の根拠が研究成果なら論文へ戻り、ソフトウェアの機能保証なら仕様や実装へ戻る。そこで各段階の文章を比較すれば、「ニュース記事が誤読した」のか、「企業発表の段階ですでに強く一般化されていた」のか、「論文自身の結論がデータより広かった」のかを分離できる。

情報伝達の過程で生じる誤りを減らすために必要なのは、最下流の記事だけを監視することではなく、情報が流れる経路全体を検証可能にすることである。ニュース記事の正確さは、その記事を書いた人の理解力だけで決まらない。上流から受け取った情報に何が残り、何が失われていたかにも左右される。ファクトチェックでは、誤りの有無だけでなく、どの段階で主張の意味が変わったのかまで遡る必要がある。

4. 一次情報へ戻ると何を測ったのかが見える

一次情報を読む価値は、媒体としての権威にあるのではなく、ニュースや解説で圧縮された主張を、測定対象、条件、比較対象、適用範囲へ分解して確認できることにある。論文なら研究対象、方法、評価指標、比較条件、結果、統計的不確実性、研究上の制約まで遡れる。ソフトウェアなら仕様、実装、既知の制約、未対応機能、例外的な経路を確認できる。二次情報で一文にまとめられていた主張を、複数の検証可能な命題へ戻せる。

たとえば、あるニュース記事が「性能が 10 倍になった」と書いていた場合、一次論文では、10 倍という値が処理時間、スループット、メモリー使用量、サンプリング回数、特定のベンチマーク値のどれを指すのかを確認できる。比較対象が旧版なのか競合製品なのか、特定条件だけの結果なのかも確認できる。数字の存在だけでなく、その数字が成立する条件まで復元できることが、一次情報へ戻る意味である。

ソフトウェアの保証についても同じ構造がある。Bend 2 を扱った Zenn 記事では、Bend の証明検査機構を説明した上で、将来的にはコードレビューを完全になくせるという筆者の見通しが述べられている[9]。この文章には、現在実装されている機構と、その機構が将来どこまで開発工程を置き換えるかという予測が同居している。

Bend の公式 README へ戻ると、LAWS.bend に法則を記述し、対応する証明を要求する仕組みが確認できる[10]。ここで保証対象になるのは、形式化され、Bend の型検査・証明検査の対象となった命題である。一方で同じ README には、Bend 2 が新しい言語であること、コンパイラーが完全には監査されていないこと、Lean による形式化と実装に不一致があり得ること、初期の整合性不具合が起こり得ることも明記されている[10]。

公式ガイドまで確認すると、@unsafe を付けた定義は Bend の通常の証明保証の外に出ることも分かる[11]。つまり、「形式証明がある」という一文だけでは、どのコードも同じ強さで保証されるとは判断できない。保証される命題、保証の対象外となる機能、証明検査器やコンパイラーそのものの信頼性を分けて読む必要がある。

確認対象	二次情報だけで見えること	一次情報へ戻ると確認できること
研究結果	性能が向上した、精度が改善したといった要約が中心になる。	何を測定したか、比較対象、実験条件、評価指標、統計的不確実性、適用範囲を確認できる。
ソフトウェアの保証	安全、正しい、証明済みといった結論が前面に出る。	何が形式化され、何が保証対象で、どの機能や経路が保証の外にあるかを確認できる。
将来予測	実用化が近い、既存工程を置き換えるといった見通しとして提示される。	現在確認済みの事実と、開発者や記事筆者による予測を分離できる。
既知の制約	記事の主題から外れるため、省略される場合がある。	未監査部分、未対応機能、既知の不整合、適用除外などを確認できる。

Bend の例から得られる結論は、形式証明の価値を低く評価することではない。形式化された命題について機械的な検査を行えることは、通常のテストより強い保証を与え得る。その強さを正確に評価するためにも、保証対象と信頼境界を分ける必要がある。一次情報へ戻ることで、技術として確認済みの部分、処理系が持つ制約、将来に関する予測を別々の命題として扱える。

一次情報の確認には、原文を最初から最後まで通読する方法だけでなく、二次情報の主要な主張を先に抽出し、それを支える箇所へ直接戻る方法もある。数値なら結果節や表、性能比較なら実験条件と比較対象、ソフトウェアの保証なら仕様と制約、将来予定ならロードマップや公式発表を確認する。主張の種類によって参照すべき場所を変えれば、原典確認は現実的な作業になる。

たとえば、「63 倍高速になった」という主張を検証するために、論文全体のすべての式を理解する必要はない。まず 63 という値がどの表や結果から出たのかを探し、その指標の定義、比較対象、測定条件を確認すればよい。「コードを 100% 信頼できる」という主張なら、証明対象となる命題、検査器の保証範囲、例外指定、既知の制約を確認する。検証したい主張を先に限定すれば、一次情報のどこを読めばよいかも限定できる。

一次情報へ戻る作業によって得られるのは、より長い説明ではなく、主張の境界である。何が測定されたのか、何が証明されたのか、何がまだ予測なのか、その区別が復元される。二次情報で失われた条件を回収できれば、記事の結論をそのまま受け入れるか、適用範囲を狭めるか、別の根拠を探すかを判断できる。

5. 一次論文も正解そのものではない

一次情報を重視することと、一次情報を無条件に正しいものとして扱うことは別である。論文は、研究者が何を対象にし、どの方法を使い、どのデータからどの結果を得て、どこまでを結論として述べたのかを最も直接的に確認できる資料である。そのため、ニュース記事やプレスリリースの主張を検証するときには出発点になる。一方で、論文そのものにも計算ミス、実験上の誤り、統計解析の問題、測定上の偏り、記述不足、再現できない結果が含まれる可能性がある。

論文が査読を通過して出版されたという事実も、すべての計算、データ、推論が将来にわたって正しいことを保証するものではない。査読では研究分野の専門家が方法や結論の妥当性を確認するが、元データをすべて再解析したり、同じ実験を独立して再実施したりすることまで通常の工程として含むわけではない。出版後に別の研究者が解析を確認し、追試し、新しい証拠を提示することで、論文の評価は更新される。

国際医学雑誌編集者委員会は、出版後に事実上の誤りが見つかった場合には訂正が必要になり得るとし、誤りが研究結果や結論を無効にするほど重大であれば撤回が必要になる場合もあるとしている[12]。Committee on Publication Ethics の撤回指針も、重大な計算ミスや実験上の誤りによって研究結果が信頼できなくなった場合を撤回理由に含めている[13]。

訂正と撤回という制度が存在すること自体が、論文を固定された正解として扱わないという科学出版の前提を示している。軽微な記述上の誤りであれば訂正によって記録を修正できる。解析や実験の誤りが中心結果に影響すれば、結論の一部または全体を維持できなくなる。さらに、後続研究によって同じ結果が得られなければ、最初の論文が示した効果の大きさや一般性を見直す必要が生じる。

確認段階	確認できること	残る不確実性
論文を読む	研究対象、方法、データ、解析、結果、著者の結論を確認できる。	計算や測定が正しく実施されたか、別の条件でも成立するかは残る。
解析を再現する	同じデータと計算手順から同じ結果を得られるかを確認できる。	別のデータや環境でも同じ現象が起こるかは残る。
独立して追試する	別の研究者、データ、実験環境でも整合する結果が得られるかを確認できる。	対象集団や条件をさらに広げた場合の一般性は別途確認が必要になる。
後続研究を蓄積する	効果の再現性、条件依存性、例外、適用範囲をより正確に評価できる。	新しい測定方法や反例によって評価が更新される可能性は残る。

National Academies の報告書は、同じデータと計算手順から同じ結果を得られることと、独立した研究で同じ科学的問いに対して整合する結果を得られることを区別している[14]。前者では、分析コード、データ処理、統計計算などを同じ条件で再実行し、報告された値を再現できるかを確認する。後者では、別の研究者が新しいデータや実験を使って、同じ現象が観測されるかを調べる。

この区別は、ニュースのファクトチェックでも意味を持つ。論文に「統計的に有意な差があった」と書かれていることを確認する作業と、その差が別の研究でも繰り返し確認されているかを調べる作業は異なる。前者は論文が実際に何を報告したかを確認する。後者は、その報告をどこまで一般的な知識として採用できるかを評価する。

一つの論文が公開された時点で直接確認できるのは、その研究で何が行われ、何が観測されたかである。そこから「一般に成立する」「実用上有効である」「別の条件でも同じ結果になる」と進むほど、追加の証拠が必要になる。追試、複数研究の比較、系統的レビューなどは、この距離を埋めるために使われる。

この構造を踏まえると、一次論文へ戻ることはファクトチェックの終了地点ではなく、検証対象を正確に定義する工程になる。ニュースが「この技術は有効だ」と述べているなら、論文で実際に測定された効果、対象、比較条件を確認する。その上で、その結果が一つの実験だけで確認されたものなのか、複数の独立研究で再現されているのかを分けて評価する。

一次論文の重要性は、「ここに真実が書かれている」という権威性にあるのではなく、「何を実施し、何を観測し、その結果から著者自身がどこまで結論したか」を直接確認できる点にある。そこへ再解析、追試、訂正、撤回という後続の検証を重ねることで、論文自身の主張とニュース側の追加解釈だけでなく、確認済みの結果と現在も検証中の部分まで分離できる。

科学的知識の信頼性は、一つの論文を無条件に信頼することで形成されるのではない。研究方法が公開され、他者が計算を確認し、異なる条件で追試し、反例があれば結論を修正できる状態によって高まる。一次情報を読むことの価値も、その検証可能な連鎖へ入るための出発点にある。

6. 公開された研究だけを読んでも全体像とは限らない

一次論文まで遡ると、ニュースで失われた研究条件や評価指標を回収できる。しかし、そこで見えるのは「公開された研究」の範囲である。研究が計画されてから論文になるまでにも選択が入り、得られた結果のすべてが同じ確率で公開されるとは限らない。公開された論文だけを集めると、実際に行われた研究全体とは異なる分布が見えることがある。

典型的なのが出版バイアスである。肯定的な結果や統計的に有意な結果を得た研究が出版されやすく、有意差を確認できなかった研究が表に出にくければ、公開論文だけを読んだときには効果が実際より一貫しているように見える。研究そのものが捏造されていなくても、どの研究が観測可能な状態になったかという選択によって、文献全体から受ける印象が変わる。

Dwan らは、研究単位の出版バイアスと、研究内で一部の評価項目だけが選択的に報告される結果報告バイアスについて、無作為化比較試験を対象とした経験的研究を系統的にレビューした[15]。2013 年の更新版では 20 件の研究を対象とし、統計的に有意な結果を報告した研究ほど出版されやすいこと、有意な評価項目ほど完全に報告されやすいことを示す証拠を整理している。

選択は論文を公開するかどうかだけで起こるわけではない。同じ研究の中でも、複数の評価項目を測定したうち、有意な結果だけを詳しく報告すれば、読者が見る研究像は変わる。Dwan らが研究計画と出版論文を比較した研究を整理したところ、40〜62% の試験で、研究計画に記載された主要評価項目について変更、追加、省略のいずれかが確認された[15]。

選択が起こる段階	起こり得ること	公開情報だけを読んだ場合の影響
研究の出版	統計的に有意な結果や肯定的な結果を持つ研究が公開されやすくなる。	効果が確認された研究の割合が実際より高く見える可能性がある。
評価項目の報告	測定した複数の結果から、有意だった評価項目が選択的に詳しく報告される。	一つの研究の中でも、成功した結果が中心であるように見える。
主要評価項目の変更	研究開始時の計画から主要評価項目が変更、追加、省略される。	結果を見た後で評価基準を選んだのか、事前に決めた仮説を検証したのかを区別しにくくなる。
ニュース化	公開された研究の中から新規性や効果の大きい結果が取り上げられる。	研究段階と報道段階の選択が重なり、肯定的な結果がさらに目立ちやすくなる。

ここで区別すべきなのは、出版バイアスと結果報告バイアスである。出版バイアスでは、研究そのものが公開されるかどうかが結果と関連する。結果報告バイアスでは、研究は公開されても、測定した評価項目の一部が報告されなかったり、重要度の扱いが変わったりする。前者では研究単位で情報が見えなくなり、後者では論文内部で情報の選択が起こる。

このため、ある論文が一次情報であることと、その論文が研究全体を代表していることは別の命題になる。個別論文の方法と結果を正確に読めても、同じ問いを調べて公開されなかった研究が多数あれば、その論文を分野全体の証拠として一般化する際には別の検証が必要になる。

Dwan らのレビューは主として無作為化比較試験を対象としており、その数値を AI、量子計算、半導体などの研究へそのまま適用する根拠にはならない[15]。ここで利用できるのは、公開された研究集合が研究活動全体と一致するとは限らず、公開までの選択過程も確認対象になるという構造である。

この問題への対応として、研究結果だけでなく、研究がどのように計画され、どのデータと方法から得られたかを検査できる状態を作る取り組みが進められてきた。Nosek らが提示した Transparency and Openness Promotion Guidelines は、データ、研究材料、分析方法、研究計画などの透明性を高め、第三者が研究を評価、再利用、追試しやすくするための基準を整理している[16]。研究結果だけを公開する状態から、その結果が作られた過程まで検証可能にする方向である。

事前登録も同じ問題に関係する。研究を始める前に仮説、主要評価項目、解析方針を記録しておけば、結果を見た後に評価対象を変更した場合に、その変更を区別しやすくなる。データや解析方法が公開されていれば、報告された数値がどの処理から得られたのかを第三者が確認できる。透明性を高める目的は、研究者を無条件に信用することでも疑うことでもなく、判断に必要な履歴を残すことにある。

Munafò らも、再現可能性を個々の研究者が注意深く作業すれば解決する問題としてではなく、研究方法、報告と公開、追試、研究評価、研究者へのインセンティブまで含む仕組みの問題として整理している[17]。新規性や肯定的な結果が強く評価される制度では、研究者個人が誠実であっても、公開される研究の構成に偏りが生じる可能性がある。検証可能性を高めるには、データや方法の公開だけでなく、否定的な結果や追試も研究記録として残りやすい環境が必要になる。

一次情報へ戻るという行為は、情報源の階層を一段上げて安心するためのものではない。ニュースから論文へ戻れば、測定条件と著者の主張を確認できる。研究計画やデータまで戻れば、論文に掲載された結果が当初の計画とどう対応しているかを確認できる。関連研究や追試まで広げれば、一つの論文の結果が研究分野全体でどの位置にあるかを評価できる。

検証を深めるほど、問いは「この論文は正しいか」から「この主張を支える証拠全体はどのように作られ、どの結果が観測可能な状態になっているか」へ移る。公開された一次論文は、その問いを調べるための重要な資料であると同時に、研究活動の一部を切り出した観測結果でもある。ファクトチェックで必要なのは、一次情報というラベルを最終判定に使うことではなく、主張を検証するために利用できる材料を一段ずつ増やすことである。

7. 評価語のままではファクトチェックできない

「革命的な技術だ」「実用化が近い」「信頼できる」といった表現は、読み手に評価を伝えることはできても、そのままでは事実確認の対象にしにくい。何を測定し、どの基準を満たしたときに「革命的」「近い」「信頼できる」と判断するのかが定義されていないからである。同じ技術について、性能を基準にすれば高く評価できても、費用、信頼性、供給能力、既存システムとの統合まで含めれば評価が変わることもある。

ファクトチェックを行うには、評価語を観測可能な命題へ戻す必要がある。たとえば「条件 X において、指標 Y が比較対象 Z に対して 63 倍改善した」という主張なら、確認対象を分解できる。条件 X が実験で設定されていたか、指標 Y は何を測定しているか、比較対象 Z は何か、63 という値はどの測定値や計算から得られたかを、それぞれ一次情報と照合できる。

この分解によって、同じ「63 倍」という数字でも、どこまでの結論を支えられるかが決まる。指標 Y がサンプリングオーバーヘッドなら、その数値はサンプリング負担の改善を直接支える。一方、量子コンピューター全体の処理速度、費用、商用化時期まで支えるには、それぞれ別の測定と根拠が必要になる。一つの実測値から複数の評価へ進む場合、そのたびに新しい推論が追加される。

要素	確認する内容	典型的な誤り
対象	何について述べているかを特定する。	一つの関数、部品、実験結果を製品やシステム全体へ広げる。
条件	どの入力、実験環境、期間、対象集団で成立したかを確認する。	限定された条件を落とし、より広い環境でも成立する結果として扱う。
指標	数値が具体的に何を測定しているかを確認する。	サンプリング負担を処理速度として扱うなど、部分的な評価指標を別の性能指標へ置き換える。
比較対象	何と比較して改善したのかを確認する。	特定の旧方式への優位を、既存技術全体への優位として一般化する。
因果	観測された関連から原因まで示されているかを確認する。	相関や同時発生を、その要因によって結果が生じたという因果関係へ変える。
範囲	結論が個別実験、特定製品、研究分野全体のどこまで適用されるかを確認する。	限定された実証結果を技術分野全体の性質として扱う。
時制	実証済み、開発中、計画、目標、予測を区別する。	企業ロードマップや研究者の目標を、確定した実用化時期として扱う。

対象と指標の区別は、数値を根拠とする主張で特に重要になる。プロセッサーの一処理が 10 倍高速でも、アプリケーション全体の実行時間が 10 分の 1 になるとは限らない。ある形式命題について証明が成立しても、ソフトウェア全体の要求がすべて形式化されているとは限らない。一つの条件で優れたベンチマーク結果を出しても、異なる入力や実運用でも同じ優位が維持されるとは限らない。どの場合も、確認された対象から一段広い対象へ進むところに追加の推論が入る。

時制の違いも、事実確認では独立して扱う必要がある。「実証した」「開発している」「2029 年までを目標としている」「数年以内に普及すると予測している」は、それぞれ異なる種類の主張である。現在確認された性能から企業のロードマップへ進み、さらに市場全体の普及時期へ進むほど、必要な根拠は増える。技術上の一成果が存在することだけでは、その後の製造、費用、信頼性、規制、利用環境まで自動的に決まらない。

反証可能性を考えると、この違いはさらに明確になる。「すごい技術だ」という表現には、その評価を取り下げる条件が定まっていない。一方、「特定条件で比較対象より処理時間が 50% 短い」という主張なら、同じ条件で差が再現されなければ主張を修正できる。「2029 年までに製品を提供する」という目標なら、2029 年を過ぎても提供されなければ達成されなかったと確認できる。検証可能な文章には、その主張が成立しなくなる条件も含まれている。

ファクトチェックの精度は、主張をどこまで小さく分けられるかに左右される。大きく曖昧な文章へ一括して「正しい」「誤り」と判定すると、事実、解釈、評価、予測が混ざる。個別命題へ分解すれば、「数値は一次資料と一致する」「比較対象の説明が欠けている」「因果関係までは示されていない」「実用化時期は企業目標であり実証結果ではない」というように、確認できた範囲をそれぞれ示せる。

情報を正確に評価するために必要なのは、評価語そのものを禁止することではない。「革新的」「実用的」「信頼できる」という評価を使うなら、その判断を構成する条件へ分解できることが必要になる。検証可能な小さな命題へ戻せれば、どこまでが一次情報で確認された事実で、どこからが筆者や企業による解釈なのかを切り分けられる。ファクトチェックとは、記事全体の印象を判定する作業ではなく、主張を反証可能な単位へ戻して根拠との対応を確認する作業である。

8. 反証可能性は確認方法を具体化する

主張を検証可能な単位へ分解した後は、「何が確認されたら、この主張は成立しないと判断するのか」を決める必要がある。ここで使える考え方が反証可能性である。Karl Popper は、科学的仮説には、その仮説と両立しない観察結果があり得ることを重視した。Stanford Encyclopedia of Philosophy の科学的方法に関する解説でも、Popper の立場は、理論を失敗する可能性のある厳しい試験へさらすことに特徴があると整理されている[18]。

反証可能性をファクトチェックへ応用すると、「この主張を支持する情報を探す」という作業から、「この主張が間違っているとすれば、どの事実が確認されるはずか」という作業へ変わる。前者だけでは、すでに信じている結論と整合する資料を集め続けることができる。後者では、主張が成立しなくなる条件を先に定めるため、自分に都合の悪い情報も検証対象へ入る。

たとえば「量子コンピューターの商用化が 3 年先に前倒しされた」という主張には、少なくとも比較対象となる従来予定と、新しい予定という二つの時点が必要になる。従来の業界共通計画が確認できない、新しい日程が一企業の目標にすぎない、「3 年」という差が元資料に存在しない、といった事実が確認されれば、「商用化が 3 年前倒しされた」という一般的な主張は維持できない。量子技術そのものが進歩しているかどうかとは別の検証である。

「コードレビューを完全になくせる」という主張にも反証条件を置ける。形式証明の対象になっていない要求が残る、コンパイラーや証明検査器に別の信頼境界がある、外部 API の挙動を形式体系内で完全には扱えない、性能や可用性のような運用条件が別途評価を必要とする、といった条件が残るなら、「完全に代替できる」という範囲は縮小する。形式証明が有効であることと、コードレビュー全体を置き換えられることは異なる命題として検証できる。

主張	成立を支える確認事項	反証または縮小につながる確認事項
性能が 63 倍改善した	同一条件、同一評価指標、明確な比較対象で 63 倍の差が測定されている。	63 倍が別の指標を表している、比較条件が異なる、システム全体では同じ倍率にならない。
商用化が 3 年前倒しされた	従来予定と新予定が同じ主体、同じ対象、同じ定義の商用化を比較しており、3 年の差が確認できる。	従来予定が確認できない、一企業の目標だけである、商用化の定義が異なる。
コードレビューを完全になくせる	必要な要求が形式化され、証明対象外の経路や別の信頼境界も含めて検証できる。	仕様化されていない要求、処理系の不具合、外部依存、性能や運用条件の確認が残る。
ある技術が実用的である	性能だけでなく、費用、信頼性、運用性、供給能力など、用途に必要な条件を満たしている。	一つの性能指標だけが改善し、実運用に必要な他の条件が未確認である。

反証可能性を使うと、主張の大きさも調整できる。大きな主張が反証条件に耐えない場合、その主張をすべて捨てる必要はない。たとえば「量子コンピューターが 63 倍高速になった」という表現が成立しなくても、「特定条件で推定サンプリングオーバーヘッドが最大 63 分の 1 になった」という、より限定された主張は維持できる。検証によって結論を二値で消すのではなく、根拠が支えられる範囲まで狭めることができる。

この考え方は、ニュース記事全体を「正しい」「誤り」と判定する方法とも異なる。一つの記事の中には、一次資料と一致する数値、妥当な解説、根拠の弱い一般化、筆者の予測が同時に存在し得る。各主張について反証条件を設定すれば、どの部分が維持でき、どの部分が修正を必要とし、どの部分が単なる予測なのかを分離できる。

ただし、科学的方法そのものを「一つの反例が見つかれば理論全体を即座に棄却する」という単純な規則として扱うと、実際の研究過程を説明できない。観測結果には測定誤差があり、実験装置や解析方法について補助的な前提があり、統計的なばらつきもある。予想と異なる結果が出たときには、中心となる仮説だけでなく、測定方法、実験条件、データ処理のどこに原因があるかを確認する必要がある。

ファクトチェックでは、この複雑さを残したまま反証可能性を利用できる。「一つでも反例があれば即座に偽とする」という規則ではなく、「どの観測結果が出れば主張を維持できなくなるかを、事前に明示する」という使い方である。これによって、検証の判断基準が後から都合よく動くことを防ぎやすくなる。

反証条件がない主張は、どの結果が出ても維持できる。「実用化は近い」と書けば、1 年後でも 5 年後でも「近い」の意味を変更できる。「革命的だ」と書けば、性能、利用者数、技術的新規性のどれを根拠にするかを後から選べる。そのような表現は評価や期待を伝える用途には使えても、事実として検証するには尺度が不足している。

反対に、「2029 年までに製品を提供する」「同一条件で従来方式より処理時間を 50% 削減する」「100 件の入力すべてで指定した不変条件を満たす」といった主張には、成功と失敗を分ける観測条件がある。検証可能性は、文章を厳密に見せるための形式ではなく、後から誤りを発見し、結論を修正できるようにする仕組みである。

ファクトチェックで確認すべきなのは、主張を支持する資料がいくつ見つかったかではない。その主張と両立しない結果を探したときにも、根拠が維持されるかである。支持証拠と反証条件の両方を確認することで、ニュースの主張を「信じるか疑うか」という判断から、どの範囲なら証拠によって維持できるかという判断へ変えられる。

9. ファクトチェックは主張を一件ずつ一次情報へ戻す

実際の確認作業では、記事全体へ一度に「正しい」「間違い」という判定を付けるより、記事を構成している主張を一件ずつ分解した方が精度を上げやすい。一つの記事の中には、一次資料と一致する事実、そこから妥当に導ける解釈、根拠の弱い一般化、筆者自身の将来予測が同時に含まれることがある。記事単位で判定すると、この違いが見えなくなる。

国際医学雑誌編集者委員会は、著者に対して可能な限り原著研究を直接参照し、引用文献が関連する主張を実際に支えていることを確認し、原典などを用いて参照を検証する責任を求めている[19]。これは学術論文の執筆指針だが、「ある主張がどの資料によって支えられているかを一件ずつ確認する」という考え方は、ニュースを読む側のファクトチェックにも適用できる。

最初に行うのは、記事から検証対象となる主張を抜き出すことである。「63 倍」「65%」のような数値、「従来方式より優れている」という比較、「この技術によって実用化が早まる」という因果、「業界全体で使える」という一般化、「2029 年には実用化される」という将来予測は、それぞれ異なる根拠を必要とする。一つの文章に複数の主張が含まれていれば、それぞれを別の命題として扱う。

手順	作業	確認できること
1. 主張を抜き出す	数字、比較、因果、一般化、将来予測を一件ずつ分離する。	記事内で、確認済みの事実と筆者の解釈が接続されている箇所を特定できる。
2. 根拠を特定する	論文、仕様、ソースコード、公式発表、統計資料など、各主張の出典まで遡る。	記事が一次情報を直接参照しているのか、別の記事やプレスリリースを経由しているのかを確認できる。
3. 指標を確認する	数字の名称、単位、分母、比較対象、測定範囲、算出方法を確認する。	数字そのものは一致していても、記事が別の性能指標として扱っている誤りを検出できる。
4. 条件を確認する	実験環境、対象集団、入力条件、期間、前提、例外を確認する。	限定された結果が、より広い対象へ一般化されている箇所を特定できる。
5. 反証条件を置く	どの事実が確認されたら、主張を棄却またはより狭い範囲へ修正するかを決める。	支持資料だけを集めるのではなく、主張が失敗する可能性まで含めて評価できる。
6. 確実性を分ける	一次情報で確認できた事実、根拠から妥当に導ける解釈、仮説、目標、予測を区別する。	記事のどの部分まで事実として採用でき、どの部分に留保が必要かを明示できる。

この順序で確認すると、ファクトチェックは単なる出典確認よりも一段深い作業になる。たとえばニュースに「処理性能が 63 倍向上した」と書かれており、一次論文にも 63 という数字が存在したとする。そこで確認を終えると、「数字は正しい」という判定になる。しかし、論文で測定されたのが推定サンプリングオーバーヘッドであれば、記事と一次資料では数字が修飾している対象が異なる。出典が存在することと、出典が記事の主張を支えていることは別である。

根拠を特定するときには、記事から最も近い資料で止まらないことも重要になる。ニュース記事が企業のプレスリリースを参照し、そのプレスリリースが論文を根拠にしているなら、ニュースとプレスリリースだけでなく論文まで確認する。ソフトウェアの保証なら、紹介記事から公式サイトへ進み、必要に応じて仕様書、ソースコード、既知の制約まで遡る。情報経路を一段ずつ辿ることで、どの段階で主張が変化したのかを特定できる。

量子計算の記事では、この方法によって複数の判定を同時に成立させられる。誤り検出と誤り緩和を組み合わせた技術的な進展そのものは一次研究から確認できる。最大 63 倍というサンプリングオーバーヘッドの削減も確認できる。一方、「商用化が 3 年先に前倒しされた」という主張には、従来の商用化予定と新しい予定を同一条件で比較できる根拠が別途必要になる。技術的成果が正しいことは、商用化時期に関する一般化まで自動的に支えない。

Bend の記事でも同様に分離できる。Bend が形式命題を記述し、その証明を機械的に検査する仕組みを持つことは公式資料から確認できる。処理系に既知の制約や証明保証の対象外となる経路があることも確認できる。その上で「コードレビューを完全になくせる」という記述は、現在の仕様を説明する事実ではなく、技術が将来どこまで開発工程を置き換えるかについての予測として扱える。

この分解によって、元記事全体を否定する必要も、すべてを採用する必要もなくなる。記事の一部は一次情報と一致し、別の一部では条件が省略され、さらに別の一部は筆者の解釈や将来予測である、という評価ができる。ファクトチェックによって得られるのは記事への単純な合否判定ではなく、各主張に付けられる確実性の範囲である。

既稿「AI の答えは、採用されたときに責任になる」では、AI の出力について、事実、推測、提案を分け、根拠と適用範囲を確認してから採用する必要を整理した[20]。ニュースについても、読むことと採用することの間には同じ境界がある。記事を読んだ時点では、その内容は判断材料の一つである。そこから自分の説明、設計判断、投資判断、技術選定などへ利用するなら、どの根拠を確認し、どの範囲まで成立すると判断したのかを説明できる状態が必要になる。

ファクトチェックの単位を記事から個別の主張へ変えると、確認作業の目的も変わる。「この記事を信用してよいか」という大きな問いではなく、「この数字は何を測っているか」「この因果は研究で示されたか」「この一般化を支える対象範囲はどこまでか」「この将来時期は実証結果か目標か」という具体的な問いになる。各問いを一次情報へ戻せば、確認済みの事実と追加された解釈の境界を示せる。

10. 信頼性は根拠まで遡れることで作られる

媒体の名前、企業の知名度、査読誌という肩書きは、情報を選別する手掛かりになる。一般に、編集体制のある媒体、公式発表、査読を経た論文には、それぞれ一定の確認工程がある。しかし、その工程が個々の主張を自動的に保証するわけではない。ニュースには要約時の省略と一般化があり、企業発表には広報上の選択があり、論文には研究設計、測定方法、統計解析、報告範囲に由来する限界がある。

そのため、情報源の種類だけで信頼性を判断すると、異なる段階の保証を同じものとして扱うことになる。査読済み論文であることは、研究が専門家による検討を受けたことを示すが、すべてのデータや計算が独立に再現されたことまでは意味しない。企業の公式発表であることは、その企業がその内容を公表した事実を確認するには強い根拠になるが、製品性能に関する評価まで第三者が検証済みであることを意味しない。ニュース記事も、元資料を正確に要約している部分と、記事筆者による解釈や一般化を分けて読む必要がある。

情報源	直接確認しやすいこと	別途確認が必要なこと
ニュース記事	何が社会的な論点として報じられているか、どの主張が読者へ提示されているかを確認できる。	数値、因果関係、比較条件、将来予測が元資料によってどこまで支えられているかを確認する必要がある。
企業・研究機関の公式発表	その組織が何を発表し、どの技術や計画を公式に位置づけているかを確認できる。	評価の妥当性、第三者による再現、競合技術との比較、広報表現の範囲を確認する必要がある。
一次論文	研究対象、方法、評価指標、結果、著者自身の結論と制約を確認できる。	再解析、追試、出版バイアス、後続研究、訂正や撤回の有無を確認する必要がある。
仕様・実装	ソフトウェアやシステムが実際にどの機能と制約を持つかを確認できる。	運用環境、外部依存、未記述の要求、実装上の不具合、性能特性を確認する必要がある。

情報の信頼性を高めるのは、肩書きよりも主張と根拠の経路が残っていることである。「63 倍」という数字があれば、その数字がどの表や実験結果から出たのかを辿れる。「誤りを 65% 除去した」という説明があれば、一次資料で 65% が何を測定した値なのかを確認できる。「コードレビューを完全になくせる」という主張があれば、現在の仕様として確認できる機能と、筆者の将来予測を分けられる。この経路を第三者も辿れるなら、同じ資料を使って判断を再検討できる。

検証可能性には、反証された場合に結論を修正できることも含まれる。ある技術が特定条件で従来方式より高速だという主張なら、同じ条件で差が再現されなかった場合に評価を下げられる。ある論文の結果が一般化できるという主張なら、独立した追試で異なる結果が繰り返し得られれば適用範囲を狭められる。どの証拠が出ても結論が変わらない主張は、情報量が多くても検証可能性が低い。

一次論文を読む重要性も、この検証経路の中にある。一次論文は結論を信じるための最終地点ではなく、ニュースで失われた条件を回収する地点である。何を測定したのか、比較対象は何か、統計的不確実性はどの程度か、著者自身がどの制約を認めているかを確認できる。その上でデータ、解析方法、事前登録、再現研究、訂正情報まで辿れば、一次論文自身も検証対象として扱える。

この構造では、「ニュースだから信頼性が低い」「論文だから信頼性が高い」という単純な序列は中心にならない。ニュースは論点を発見する入口として役立ち、公式発表は当事者の主張を確認する資料になり、一次論文は方法と結果を確認する資料になり、追試や後続研究はその結果がどこまで維持されるかを確認する資料になる。それぞれの情報源には役割があり、確認したい主張に応じて遡る深さが変わる。

不正確な情報に対する実用的な防御は、すべての記事を疑って最初から調査し直すことでも、ニュース媒体を一律に避けることでもない。判断に影響する主張を選び、その数字、比較、因果、一般化、将来予測を一次情報へ戻す。そこで条件と評価軸を確認し、どの結果が出れば主張を修正するかを決める。この手続きがあれば、情報源がニュースでも、企業発表でも、論文でも、同じ検証基準を適用できる。

正確さは、最初から完全な情報源を見つけることで得られる性質ではない。主張がどの根拠から導かれたかを辿れ、第三者が同じ資料を確認でき、反対の証拠が出れば結論を更新できる状態によって高まる。誤りを完全になくすことより、誤りを発見して修正できる経路を残すことの方が、現実の情報環境では重要になる。

情報を判断するときに必要なのは、どの媒体を無条件に信用するかを決める技術ではない。主張を小さく分解し、根拠へ遡り、条件と評価軸を確認し、反証可能な形に戻す技術である。ニュース、プレスリリース、一次論文、仕様、実装を同じ検証経路の中へ置けば、「誰が言ったか」から「何がどこまで確認できるか」へ判断基準を移せる。

参考文献

BigGo ファイナンス, 量子コンピューター商用化、3年先に前倒し…Intel・IBM、エラー・極低温の難題を突破. https://finance.biggo.jp/news/e571eb59-942c-4a5b-9294-ddcb4d5f1451
Laurin E. Fischer, Ali Javadi-Abhari, Simon Martiel, Alireza Seif, Spacetime mitigation of logical errors (2026-09-11). https://arxiv.org/abs/2609.13108
id774, QPU の速さだけでは、量子優位性は示せない (2026-08-20). https://blog.id774.net/entry/2026/08/20/5529/
id774, 測ることは、考えることの代わりにならない (2026-07-02). https://blog.id774.net/entry/2026/07/02/4931/
Lisa M. Schwartz, Steven Woloshin, Alice Andrews, Therese A. Stukel, Influence of medical journal press releases on the quality of associated newspaper coverage: retrospective cohort study (2012-01-27). https://www.bmj.com/content/344/bmj.d8164
Petroc Sumner et al., The association between exaggeration in health related science news and academic press releases: retrospective observational study (2014-12-10). https://www.bmj.com/content/349/bmj.g7015
Amélie Yavchitz et al., Misrepresentation of Randomized Controlled Trials in Press Releases and News Coverage: A Cohort Study (2012-09-11). https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1001308
Matt Oxman et al., Quality of information in news media reports about the effects of health interventions: Systematic review and meta-analyses (2022-01-31). https://pmc.ncbi.nlm.nih.gov/articles/PMC8756300/
kaito, AIエージェントのための言語「Bend」は、ハーネスとコードレビューをなくせるか (2026-09-20). https://zenn.dev/sc30gsw/articles/ac24e359bc7d6b
Bend, README.md. https://github.com/bendlang/bend/blob/main/README.md
Bend, GUIDE.md. https://github.com/bendlang/bend/blob/main/guide/GUIDE.md
International Committee of Medical Journal Editors, Corrections and Version Control. https://www.icmje.org/recommendations/browse/publishing-and-editorial-issues/corrections-and-version-control.html
COPE Council, Retraction Guidelines (2019-11). https://doi.org/10.24318/cope.2019.1.4
National Academies of Sciences, Engineering, and Medicine, Reproducibility and Replicability in Science (2019). https://doi.org/10.17226/25303
Kerry Dwan, Carrol Gamble, Paula R. Williamson, Jamie J. Kirkham, Systematic Review of the Empirical Evidence of Study Publication Bias and Outcome Reporting Bias — An Updated Review (2013-07-05). https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0066844
Brian A. Nosek et al., Promoting an open research culture (2015-06-26). https://pmc.ncbi.nlm.nih.gov/articles/PMC4550299/
Marcus R. Munafò et al., A manifesto for reproducible science (2017-01-10). https://doi.org/10.1038/s41562-016-0021
Stanford Encyclopedia of Philosophy, Scientific Method. https://plato.stanford.edu/entries/scientific-method/
International Committee of Medical Journal Editors, Preparing a Manuscript for Submission to a Medical Journal. https://www.icmje.org/recommendations/browse/manuscript-preparation/preparing-for-submission.html
id774, AI の答えは、採用されたときに責任になる (2026-06-26). https://blog.id774.net/entry/2026/06/26/4925/