Shuichiro Ogawa
English

Notes ・ updated 2026-08-02

ジェネラティブアートのレビュー論文はどの切り口なら引用されるか：書誌データによる実証分析

スコープと方法

本ノートは、ジェネラティブアート研究のレビュー論文を書く際に「最も引用を獲得しうる内容と切り口」を、公開書誌データで実証的に特定する。 前回の文献地図 generative-art-literature（94件コーパス）を前提に、次の4論点を収集・分析した。 本ノートのランキング論理への敵対的レビューは generative-art-adversarial-review にある。

  • 論点1（R系統43件）：既存のレビュー/サーベイ論文の被引用数と引用速度の実測。
  • 論点2（G系統14データ点）：候補テーマ間の出版数・引用の成長比較（2020–2026）。
  • 論点3（S系統9件＋M系統7件）：高被引用サーベイに共通する構成要素の実地確認と、引用決定要因の scientometrics メタ研究。
  • 論点4（X系統6件）：包括的レビュー不在の空白領域と、その引用需要の根拠。

被引用数は OpenAlex API（査読誌 DOI）と Semantic Scholar API（arXiv プレプリント）で実測し、全数値に取得日（2026-08-02）を付した。 Google Scholar の数値は API で検証できないため使っていない。 引用速度（cited_by_count を出版からの経過年数で割った年平均）を比較の主指標とする。 コーパスは source/review/generative-art-review-citation-strategy/papers.md。

方法の限界を先に述べる。 テーマ別出版数は検索語の共起に依存し、同義語で件数が大きく変わる（“human-AI co-creation” 834件に対し “co-creativity” 90件）。 2026 年は8月時点の部分計上なので、成長判定の主軸は 2024→2025 に置いた。 「レビューが存在しない」という判定は、記録した検索語の範囲で確認できなかったという限定つきの主張である。

論点1：既存レビューは何で引用を稼いでいるか

被引用の実測（R系統43件）からは、引用速度の階層が4つ見える。

第一に、最速層は大型技術サーベイである。 拡散モデルのサーベイ（Yang et al. 2023）は3年で1,441件（288.2件/年）、AIGC サーベイ（Wu et al. 2023）は101.8件/年に達する。 ただしこの層の読者は CS/ML コミュニティであり、ジェネラティブアート研究のレビューとは読者層が重ならない。 競合も既に飽和している（比較基準として記録した）。

第二に、2023–2025 の実証研究が引用速度で技術サーベイに次ぐ。 text-to-image 採用の効果を約4百万作品で推定した Zhou & Lee 2024 は2年で383件（191.5件/年）、プロンプトの技能化を検証した Oppenlaender et al. 2024 は85.5件/年、AI ラベルへの選好実験の Bellaiche et al. 2023 は51.5件/年である。 レビューではない一次研究がこの速度で引用されるのは、参照すべき共通の実証結果が不足しているからであり、この領域のレビュー需要の傍証になる。

第三に、AI アート受容の実験心理学は2018–2019 出版分が今も年25件前後で引用され続けている（Chamberlain 2018、Hong & Curran 2019、Mazzone & Elgammal 2019 は累積468件）。

第四に、計算論的創造性の理論・評価枠組みは年14〜30件の安定ベースを保つ。 Boden 1998（798件）、Boden 2009（518件）、Colton & Wiggins 2012（344件）、Ritchie 2007（288件）、Wiggins 2006（285件）、SPECS（Jordanous 2012、205件）の累積は 3,850件を超える。 爆発はしないが枯れてもいない。 この「安定して引用され続ける理論群」の存在が、後述の切り口ランキング1位の根拠になる。

対照的に、ジェネラティブアート（伝統的な語）に閉じたレビューは引用が伸びていない。 Galanter 2016 は10年で60件（6.0件/年）、McCormack et al. 2014 の「10の問い」は6.5件/年にとどまる。 例外は概念分析の McCormack et al. 2019（作者性の4概念、175件、21.9件/年）で、生成 AI の作者性論争に接続されたことで引用が加速した。 旧来の枠の中で書くか、現在の論争に接続するかで、同じ著者グループでも引用速度が3倍違う。

論点2：どのテーマが 2024–2026 に急伸しているか

出版数の成長比較（2024→2025 の伸び率）は次の順になった。

順位テーマ24→25 伸び率2025年出版数22→25 倍率
1human-AI co-creation+607%（42→297）29729.7倍
2生成AI×著作権（IP 絞り込み）+160%（50→130）1308.7倍（23→25）
3LLM 創造性評価+115%（131→282）28294倍
4AI art 受容・知覚+83%（23→42）4210.5倍
5generative art（語そのもの）+57%（95→149）1493.5倍
6text-to-image 評価+47%（1,326→1,943）1,9436.5倍
参考diffusion models 全体+40%17,8385.9倍

読み方に注意が要る。 human-AI co-creation の +607% は最速だが、この語の急伸はレビュー競合の速さも意味する（HCI の系統的レビューは Hu et al. 2025 が出版1年で26件、Tsao et al. 2025 のスコーピングレビューも既にある）。 逆に text-to-image 評価は規模が大きいのに伸び率が低く、成熟期に入っている。 規模、成長、競合の3つを合わせると、「成長が速く、規模が中位で、レビューがまだない」領域が狙い目であり、それは論点4の空白分析で特定する。

レビュー需要全体も拡大している。 generative art 関連のレビュー型出版は 2022 年136件から 2025 年897件へ6.6倍になった。

論点3：高被引用サーベイの構成と、引用決定要因の一般知見

高被引用サーベイ9件の構成要素を実地確認した結果（本文確認できた範囲）、頻度は次のとおりである。

  • taxonomy（分類体系）：7/7。全件が備える。
  • open problems / future directions の独立節：7/7。全件が備える。
  • 定義の整理：確認できた4件すべてが備える。
  • 比較表（ベンチマーク/手法の定量比較）：3/4。
  • 系譜図・時系列図：3/5。
  • 付随 GitHub リポジトリ：2/6。ただし被引用トップ2件（Yang 2023 の1,441件、Zhao et al. の LLM サーベイ）だけが持つ。
  • PRISMA 等の系統的手法の明示：0/6。CS 型サーベイは PRISMA を使わない（医学系と明確に異なる）。

taxonomy と open problems は必要条件に近く、GitHub リポジトリ（awesome list 型の文献リスト）は最上位層の共通項である。 CS 系の読者を狙うなら PRISMA より taxonomy、HCI/心理学系を狙うなら PRISMA-ScR（Tsao 2025、Hu 2025 が採用）という分岐も観察できる。

引用決定要因の scientometrics 研究（M系統7件）は、この観察を一般知見で裏づける。 系統的レビューは他の研究設計より高い引用率を示し（Royle et al. 2013。年平均6.6件、掲載誌の JIF 単独で分散の59%を説明）、被引用の主要予測因子は掲載誌の格、著者数、国際共著、参考文献の量と新しさである（Tahamtan et al. 2016 の28因子、Kousha & Thelwall 2023）。 参考文献リストの長さは被引用数と正の相関を持ち（Mammola et al. 2020）、文献を厚く引くレビューという形式自体が引用されやすい構造を持つ。 一方、オープンアクセスの引用優位は「矛盾的・不確定」が現在の合意である（Langham-Putrow et al. 2021 の134本レビュー）。

論点4：空白領域の検証結果

前回コーパスから立てた空白候補6つを、既存レビューの有無と一次研究の成長で検証した。

結論を先に言うと、1つは空白でなくなっており（X04）、2つは根拠の強い空白（X02、X05）、3つは条件つきの空白（X01、X03、X06）である。

X04（ラベル効果のメタ分析）は既に埋まっていた。 De Rooij 2025 が 2017–2024 の35実験・191効果量のメタ分析を Psychology of Aesthetics, Creativity, and the Arts に出版している（ビジュアルアート限定）。 残るのは音楽・文章への拡張、文化圏別モデレーター、2024 年以後の更新だけであり、切り口としての有望度は下がった。 空白候補は執筆前にこの水準で検証しないと、書いてから先行レビューに気づくことになる。

X02（計算論的創造性の評価枠組みと生成 AI の接続）は最も根拠が強い。 最近接レビューの Franceschelli & Musolesi 2024（ACM Computing Surveys）は Boden の3基準と機械学習手法の対応表まで作りながら、生成物評価への接続を自ら範囲外に置いている（person/process/press の次元を deprioritize すると明記）。 Lamb et al. 2018 の評価チュートリアルは LLM 以前で止まっている。 一方、「computational creativity」「evaluation」「large language model」の共起する一次研究は 2022 年20件から 2025 年317件へ15.8倍に増えており、Boden、SPECS、Lovelace テストを LLM と同時に扱う論文は3件しかない。 安定引用される理論群（累積3,850件超）と急増する実証群の間に、両者を一括で束ねるレビューが存在しない。

X05（アーティスト保護技術の攻防）も根拠が強い。 Glaze/Nightshade 系の防護と迂回攻撃（Hönig et al.）の対立は技術的に未決着で、関連一次研究は 2023 年2件から 2026 年18件へ増えている。 既存サーベイは IP 保護全般か偽情報対策が主軸で、スタイル保護の攻防に特化した包括レビューは複数の検索語で確認できなかった。 セキュリティ、法学、アート実践の3分野に文献が分散しており、統合レビューは3分野から引用を集める位置に立つ。

X06（アート労働市場）は最大の一次研究量（604件）を持つが、差別化が要る。 労働市場全般の系統的レビューは既にあり、アート職種特化であることを明確にしないと重複する。 実証結果の矛盾（短期パネルは影響なし、縦断研究は収入減報告）を整理する需要と、政策文書から引用される位置は強みである。

X01（1960s から LLM 以後までの歴史統合）は分野的意義が高いが、引用予測は中位。 美術史（Taylor、Klütsch）、CS（Franceschelli & Musolesi）、HCI が相互引用せず分断されている状況は結節点の不在を意味する。 ただし橋渡しを試みる一次研究自体が少なく（関連検索で10件未満）、引用の母集団が薄い。

X03（LLM クリエイティブコーディング）は時期尚早。 一次研究は 2022 年1件から 2025 年57件へ急成長しているが絶対数が小さく、レビュー対象が不足している。 2〜3年後に有望度が上がる。

統合：引用獲得見込みの高い切り口ランキング

4論点を統合し、切り口を「引用需要（誰が引用するか）」「競合（先行レビューの有無）」「成長（一次研究の増加）」で順位づける。

1位：計算論的創造性の評価枠組みを生成 AI 時代に接続するレビュー（X02）。 理由は3つ重なる。 安定引用される理論群（累積3,850件超）を一括再引用する結節点に立てること、接続対象の一次研究が15.8倍増と最速級で伸びていること、最近接レビューが接続の不在を自認しており競合がないことである。 論点1で見た「旧来の枠に閉じると6件/年、現在の論争に接続すると21.9件/年」という McCormack らの対比も、接続型の優位を支持する。 想定読者は computational creativity、HCI、実証美学の3コミュニティにまたがる。

2位：human-AI co-creation を評価の軸で束ねるレビュー。 テーマ成長は全候補中最速（+607%）で、引用需要は最大である。 ただし HCI 側の系統的レビュー（Hu et al. 2025、Tsao et al. 2025）が既に速く伸びており、同じ土俵（インタラクション分類、実践者の知覚）では後発になる。 競合と重ならない軸は評価（共創の成果と過程をどう測るか）であり、これは1位の切り口と部分的に融合できる。

3位：アーティスト保護技術の攻防レビュー（X05）。 競合不在の確度が高く、3分野（セキュリティ、法学、アート実践）から引用される。 一次研究の絶対数はまだ少ない（44件）ため、著作権論（+160% 成長）と束ねて「スタイルをめぐる技術と法の攻防」として書くと母集団が広がる。

4位：生成 AI とアート労働市場の実証レビュー（X06）。 一次研究の母集団は最大（604件）で、矛盾する実証結果の整理という明確な貢献がある。 アート職種特化の差別化と、経済学と HCI の双方の作法を扱う能力が要る。

5位：歴史統合レビュー（X01）。 前回の94件コーパスがそのまま素材になるため実行可能性は最も高く、分野の分断を埋める意義も大きい。 ただし引用の母集団が薄く、被引用の期待値は1位や2位に劣る。 1位の切り口の導入部（評価枠組みの歴史的系譜）として吸収する構成なら、意義と引用の両方を取れる。

6位：ラベル効果の更新メタ分析（X04 残余）。 De Rooij 2025 の存在により、更新か拡張（音楽・文章、文化圏）としてのみ成立する。 新実験は年165件ペースで増えており、2〜3年後の更新には意味がある。

7位：LLM クリエイティブコーディングのレビュー（X03）。 現時点ではレビュー対象が不足。監視を続け、母集団が3桁に達した時点で再評価する。

構成面の推奨は論点3から機械的に導ける。 taxonomy と open problems 節は必須、対象領域の定義整理（generative art の語の 1960s 由来と生成 AI 以後の意味変容の整理は1位・5位の切り口なら自然に必要になる）、評価手法の比較表、付随する文献リポジトリの公開、参考文献は厚く。 投稿先が CS 系なら narrative survey + taxonomy、HCI/心理学系なら PRISMA-ScR 準拠が観察されたパターンである。

未検証事項

コーパスの [要一次検証] は13件で、いずれも書誌・数値の確認に関するものである。

  1. R05: Romero & Machado 2008 の OpenAlex 出版年齟齬（2014年と記録）により引用速度計算不能
  2. R29: He et al. 2024 の Semantic Scholar 被引用数（rate limit で未取得）と出版版 DOI
  3. R42: Zhao et al. LLM サーベイの被引用数（OpenAlex 未登録、S2 rate limit）
  4. R43: Salas Espasa & Camacho 2025 の被引用数
  5. G02: text-to-image「評価研究」への絞り込みクエリ未実施（技術論文が混入）
  6. G05: creative coding の補完クエリ（p5.js/Processing）未実施で過小の可能性
  7. G07: Żylińska 2020 の正式 DOI（OHP の OA 書籍として実在・到達確認済み）
  8. M07: Ho et al. 2016 の主要数値（認証壁）
  9. S03/S04/S05: 構成要素の詳細（ACM DL/ScienceDirect の認証壁で本文未確認）
  10. X05: Šarčević et al. 2024 の Glaze/Nightshade 言及の有無
  11. X06: 労働市場全般 SR の正確な書誌
  12. R08: Broad et al. 2021 の出版版 DOI（MDPI Entropy 版の有無）
  13. Glaze の普及規模の数値はメディア出典（MIT Technology Review）のみだったため本コーパスから除外した（一次出典の確認が取れれば別途記録）

参考文献

すべて 2026-08-02 アクセス。id はコーパス source/review/generative-art-review-citation-strategy/papers.md の行に対応する。被引用数の出典はコーパス参照（OpenAlex / Semantic Scholar、取得日 2026-08-02）。

R系統（既存レビューと主要文献の被引用実測、抜粋）

  1. (R01) Galanter, P. 2016. Generative Art Theory. In A Companion to Digital Art. Wiley. https://doi.org/10.1002/9781118475249.ch5
  2. (R02) McCormack, J.; Gifford, T.; Hutchings, P. 2019. Autonomy, Authenticity, Authorship and Intention in Computer Generated Art. EvoMUSART 2019. https://doi.org/10.1007/978-3-030-16667-0_3
  3. (R03) McCormack, J. et al. 2014. Ten Questions Concerning Generative Computer Art. Leonardo 47(2). https://doi.org/10.1162/LEON_a_00533
  4. (R04) McCormack, J.; Cruz Gambardella, C. 2022. Complexity and Aesthetics in Generative and Evolutionary Art. Genetic Programming and Evolvable Machines 23. https://doi.org/10.1007/s10710-022-09429-9
  5. (R05) Romero, J.; Machado, P. (eds.) 2008. The Art of Artificial Evolution. Springer. https://doi.org/10.1007/978-3-540-72877-1
  6. (R06) McCormack, J. 2005. Open Problems in Evolutionary Music and Art. LNCS 3449. https://doi.org/10.1007/978-3-540-32003-6_43
  7. (R07) Mazzone, M.; Elgammal, A. 2019. Art, Creativity, and the Potential of Artificial Intelligence. Arts 8(1). https://doi.org/10.3390/arts8010026
  8. (R08) Broad, T.; Berns, S.; Colton, S.; Grierson, M. 2021. Active Divergence with Generative Deep Learning: A Survey and Taxonomy. arXiv. https://arxiv.org/abs/2107.05599
  9. (R09) Maerten, A.-S.; Soydaner, D. 2023. From Paintbrush to Pixel. arXiv. https://arxiv.org/abs/2302.10913
  10. (R10) Chamberlain, R. et al. 2018. Putting the Art in Artificial. Psychology of Aesthetics, Creativity, and the Arts 12(2). https://doi.org/10.1037/aca0000136
  11. (R11) Bellaiche, L. et al. 2023. Humans versus AI. Cognitive Research: Principles and Implications 8. https://doi.org/10.1186/s41235-023-00499-6
  12. (R12) Hong, J.-W.; Curran, N. 2019. Artificial Intelligence, Artists, and Art. ACM TOMM 15(2s). https://doi.org/10.1145/3326337
  13. (R13) Gangadharbatla, H. 2022. The Role of AI Attribution Knowledge in the Evaluation of Artwork. Empirical Studies of the Arts 40. https://doi.org/10.1177/0276237421994697
  14. (R14) Tsao, J. et al. 2025. Perceptions and Integration of Generative AI in Creative Practices and Industries: A Scoping Review. AI & Society. https://doi.org/10.1007/s00146-025-02667-2
  15. (R15) Lamb, C.; Brown, D. G.; Clarke, C. L. A. 2018. Evaluating Computational Creativity: An Interdisciplinary Tutorial. ACM Computing Surveys 51(2). https://doi.org/10.1145/3167476
  16. (R16) Oppenlaender, J. et al. 2024. Prompting AI Art. International Journal of Human-Computer Interaction. https://doi.org/10.1080/10447318.2024.2431761
  17. (R17) Zhou, E. B.; Lee, D. 2024. Generative Artificial Intelligence, Human Creativity, and Art. PNAS Nexus 3(3). https://doi.org/10.1093/pnasnexus/pgae052
  18. (R18) Hu, X. et al. 2025. Designing Interactions with Generative AI for Art and Creativity: A Systematic Review and Taxonomy. DIS 2025. https://doi.org/10.1145/3715336.3735843
  19. (R19) Naqvi, S. M. et al. 2025. Catalyst for Creativity or a Hollow Trend? CHI 2025. https://doi.org/10.1145/3706598.3713233
  20. (R20) Shelby, R. et al. 2024. Generative AI in Creative Practice. CHI 2024. https://doi.org/10.1145/3613904.3642461
  21. (R21) Takagi, H. 2001. Interactive Evolutionary Computation. Proceedings of the IEEE 89(9). https://doi.org/10.1109/5.949485
  22. (R22) Boden, M. A. 1998. Creativity and Artificial Intelligence. Artificial Intelligence 103. https://doi.org/10.1016/S0004-3702(98)00055-1
  23. (R23) Boden, M. A. 2009. Computer Models of Creativity. AI Magazine 30(3). https://doi.org/10.1609/aimag.v30i3.2254
  24. (R24) Colton, S.; Wiggins, G. A. 2012. Computational Creativity: The Final Frontier? ECAI 2012. https://doi.org/10.3233/978-1-61499-098-7-21
  25. (R25) Jordanous, A. 2012. A Standardised Procedure for Evaluating Creative Systems. Cognitive Computation 4(3). https://doi.org/10.1007/s12559-012-9156-1
  26. (R26) Ritchie, G. 2007. Some Empirical Criteria for Attributing Creativity to a Computer Program. Minds and Machines 17(1). https://doi.org/10.1007/s11023-007-9066-2
  27. (R27) Wiggins, G. A. 2006. A Preliminary Framework for Description, Analysis and Comparison of Creative Systems. Knowledge-Based Systems 19(7). https://doi.org/10.1016/j.knosys.2006.04.009
  28. (R28) Jordanous, A. 2016. Four PPPPerspectives on Computational Creativity. Connection Science 28(2). https://doi.org/10.1080/09540091.2016.1151860
  29. (R29) He, Y. et al. 2024. LLMs Meet Multimodal Generation and Editing: A Survey. arXiv. https://arxiv.org/abs/2405.19334
  30. (R30) Bie, F. et al. 2024. RenAIssance: A Survey Into AI Text-to-Image Generation in the Era of Large Model. IEEE TPAMI. https://doi.org/10.1109/TPAMI.2024.3522305
  31. (R31) Huang, Y. et al. 2025. Diffusion Model-Based Image Editing: A Survey. IEEE TPAMI. https://doi.org/10.1109/TPAMI.2025.3541625
  32. (R32) Chen, H. et al. 2025. Comprehensive Exploration of Diffusion Models in Image Generation: A Survey. Artificial Intelligence Review. https://doi.org/10.1007/s10462-025-11110-3
  33. (R33) Lovato, J. et al. 2024. Foregrounding Artist Opinions. AIES 2024. https://doi.org/10.1609/aies.v7i1.31691
  34. (R34) Lemley, M. A. 2024. How Generative AI Turns Copyright Law Upside Down. Science and Technology Law Review 25(2). https://doi.org/10.52214/stlr.v25i2.12761
  35. (R35) Buick, A. 2024. Copyright and AI Training Data—Transparency to the Rescue? Journal of Intellectual Property Law & Practice. https://doi.org/10.1093/jiplp/jpae102
  36. (R36) Yang, L. et al. 2023. Diffusion Models: A Comprehensive Survey of Methods and Applications. ACM Computing Surveys 56(4). https://doi.org/10.1145/3626235
  37. (R37) Wu, S. et al. 2023. A Comprehensive Survey of AI-Generated Content (AIGC). arXiv. https://doi.org/10.48550/arxiv.2303.04226
  38. (R38) Lim, W. M. et al. 2023. The Power of Generative AI. Future Internet 15(8). https://doi.org/10.3390/fi15080260
  39. (R39) Franceschelli, G.; Musolesi, M. 2024. Creativity and Machine Learning: A Survey. ACM Computing Surveys 56(11). https://doi.org/10.1145/3664595
  40. (R40) Wang, B.; Chen, Q.; Wang, Z. 2025. Diffusion-Based Visual Art Creation: A Survey and New Perspectives. ACM Computing Surveys. https://doi.org/10.1145/3728459
  41. (R41) De Rooij, A. 2025. Bias Against Artificial Intelligence in Visual Art: A Meta-Analysis. Psychology of Aesthetics, Creativity, and the Arts. https://doi.org/10.1037/aca0000833
  42. (R42) Zhao, W. X. et al. 2023. A Survey of Large Language Models. arXiv. https://arxiv.org/abs/2303.18223
  43. (R43) Salas Espasa, C.; Camacho, M. 2025. From Aura to Semi-Aura: Reframing Authenticity in AI-Generated Art. AI & Society 40. https://doi.org/10.1007/s00146-025-02361-3

S系統（構成要素を実地確認したサーベイ、R系統と重複しない分）

  1. (S03) Saxena, D.; Cao, J. 2021. Generative Adversarial Networks (GANs): Challenges, Solutions, and Future Directions. ACM Computing Surveys 54(3). https://doi.org/10.1145/3446374
  2. (S04) Chang, Y. et al. 2024. A Survey on Evaluation of Large Language Models. ACM TIST. https://doi.org/10.1145/3641289
  3. (S05) Frolov, S. et al. 2021. Adversarial Text-to-Image Synthesis: A Review. Neural Networks 144. https://doi.org/10.1016/j.neunet.2021.07.019
  4. (S06) Agnese, J. et al. 2020. A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis. WIREs Data Mining and Knowledge Discovery. https://doi.org/10.1002/widm.1345

M系統（引用決定要因のメタ研究）

  1. (M01) Tahamtan, I.; Safipour Afshar, A.; Ahamdzadeh, K. 2016. Factors Affecting Number of Citations: A Comprehensive Review of the Literature. Scientometrics 107(3). https://doi.org/10.1007/s11192-016-1889-2
  2. (M02) Kousha, K.; Thelwall, M. 2023. Factors Associating with or Predicting More Cited or Higher Quality Journal Articles. JASIST 75(3). https://doi.org/10.1002/asi.24810
  3. (M03) Langham-Putrow, A.; Bakker, C.; Riegelman, A. 2021. Is the Open Access Citation Advantage Real? PLOS ONE. https://doi.org/10.1371/journal.pone.0253129
  4. (M04) Blümel, C.; Schniedermann, A. 2020. Studying Review Articles in Scientometrics and Beyond. Scientometrics 124(1). https://doi.org/10.1007/s11192-020-03431-7
  5. (M05) Royle, P. et al. 2013. Bibliometrics of Systematic Reviews. Systematic Reviews 2:74. https://doi.org/10.1186/2046-4053-2-74
  6. (M06) Mammola, S. et al. 2020. Impact of the Reference List Features on the Number of Citations. Scientometrics. https://doi.org/10.1007/s11192-020-03759-0
  7. (M07) Ho, M. H.-C.; Liu, J. S.; Chang, K. C.-T. 2016. To Include or Not: The Role of Review Papers in Citation-Based Analysis. Scientometrics. https://doi.org/10.1007/s11192-016-2158-0

X系統で確認した近接文献（上記と重複しない分）

  1. Hönig, R.; Rando, J.; Carlini, N.; Tramèr, F. 2024. Adversarial Perturbations Cannot Reliably Protect Artists From Generative AI. ICLR 2025. https://doi.org/10.48550/arXiv.2406.12027
  2. Šarčević, T. et al. 2024. U Can’t Gen This? A Survey of IP Protection Methods for Data in Generative AI. arXiv. https://arxiv.org/abs/2406.15386
  3. Deng, J. et al. 2024. A Survey of Defenses Against AI-Generated Visual Media. arXiv. https://arxiv.org/abs/2407.10575
  4. Makridis, C. 2026. The Labor Market Effect of Generative Artificial Intelligence on Artists. Journal of Cultural Economics. https://doi.org/10.1007/s10824-026-09575-3
  5. Żylińska, J. 2020. AI Art: Machine Visions and Warped Dreams. Open Humanities Press. https://openhumanitiespress.org/books/titles/ai-art/
  6. Chesterman, S. 2024. Good Models Borrow, Great Models Steal: Intellectual Property Rights and Generative AI. Policy and Society. https://doi.org/10.1093/polsoc/puae006
  7. Doshi, A. R.; Hauser, O. P. 2024. Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content. Science Advances. https://doi.org/10.1126/sciadv.adn5290
  8. Chung, J. J. Y. et al. 2022. TaleBrush: Sketching Stories with Generative Pretrained Language Models. CHI 2022. https://doi.org/10.1145/3491102.3501819
  9. Angert, T. et al. 2023. Spellburst: A Node-based Interface for Exploratory Creative Coding with Natural Language Prompts. UIST 2023. https://doi.org/10.1145/3586183.3606719

（テーマ別出版数の元データはコーパス Provenance 節の OpenAlex API URL 一覧を参照）

← Notes 一覧 ・ ホーム