Shuichiro Ogawa
English

ノート · 更新 2026-10-11 · Markdown 版

過去のノートからの研究ギャップの走査（2026-10、15 のレンズ）

学術系の note 87 本の corpus に、研究ギャップを探す 15 のレンズ（Hamidullah Khan の X のスレッド 2026-10-09 を research-gap-lenses スキルに組み直したもの）を当て、27 件の候補から 10 件を選び、近い既存研究を外部の検索で探して新規性を崩しにかけた記録。

目次（8）
  1. なぜ「ギャップを探して」だけでは足りないか
  2. 何を対象に、どう走査したか
  3. 判定の一覧
  4. 候補ごとのギャップと近い研究
  5. 落とした 17 件
  6. corpus 全体で薄いもの
  7. 走査の途中で直したもの
  8. Footnotes

なぜ「ギャップを探して」だけでは足りないか

「研究ギャップを探して」とだけ頼むと、どの分野にも当てはまる一般的なギャップが返ってくる。 Hamidullah Khan は X のスレッド（2026-10-09）で、ギャップの探し方を 15 の具体的なプロンプトに分けた1。 研究の地図を作る、食い違う知見を比べる、方法が支えきれない結論を探す、測り方のずれを見る、説明されていない機構を探す、知見が効かなくなる条件を探す、などである。 最後の一つは、出したギャップの新規性を自分で崩しにかける段になっている。

このリポジトリでは 15 のプロンプトを research-gap-lenses スキルのレンズ L1〜L15 に組み直した。 各レンズに、Sandberg と Alvesson が分けた gap-spotting の型（知見が食い違う混乱、調べられていない見落とし、別の領域の理論が当てられていない未応用）と、分野の前提を問う前提を付けた2。 15 のレンズは gap-spotting の道具で、前提を問うのは L13 だけである。 前提の反転やフレームの飛躍は wiki corpus の problematization（4領域の前提台帳と12の挑戦） と AI研究のスキマはどこにあるか：枠組みを組み替えて見つける七つの空隙 の方法が受け持つ。 元のスレッドの L14 にある「学位課程の期間と予算で順位をつける」段は使わなかった。 論文案は新規性で評価し、着手の費用を第一軸にしないためである。

何を対象に、どう走査したか

対象は、corpus（source/review/）を持つ学術系の note 87 本である。 週次ウォッチ、AI の最新動向、産業情報の note と、著者個人の理論を扱う非公開の note は外した。 87 本を互いに重ならない五つの分野に分けた。

  • A：AI とデザイン実務、職能、デザイン研究（20 本）
  • B：創造性、AI スロップ、生成芸術、データ可視化（16 本）
  • C：学習、教育、エンドユーザー開発（17 本）
  • D：能力、評価、累積有利、社会心理、ギャル文化（19 本）
  • E：LLM の評価と迎合、AI 研究の分野別動向、新規性のメタ研究、AI 規制（15 本）

分野ごとに一体の agent が corpus の研究行を表にし（L1）、表に材料のあるレンズ（L2〜L14）を当てて候補を返した。 既出の申し送り 13 本と横断分析の note 5 本にある問いは、候補から外させた。 返った候補は 27 件で、重なりをまとめて 10 件に絞った。 残した 10 件は、二体の agent が外部の検索で近い既存研究を探し、判定を付けた（L15）。 この日は OpenAlex と Semantic Scholar が検索の上限に達していて使えず、Crossref、arXiv、Europe PMC、Web 検索で探した。 判定を左右する近い研究は、書誌を Crossref か arXiv で確かめ、本文を取れたものは本文で読み直した。

判定の一覧

ID候補判定3 以上の軸（暫定）
G1作り手自身による AI 共作物の評価部分的に回答済みPD、Met
G2生成 AI と行き詰まり、驚き、リフレーミング部分的に回答済みPD、Met
G3正解のないデザイン判断での適切な依存未回答の見込みPD、Met
G4作業の一部を AI に任せたときの、自分でやった部分の学習部分的に回答済みMet（PD は境目）
G5新規性の四つの測り方と LLM のアイデア部分的に回答済みPD、Met
G6学習者が自分の作品として出したときの LLM の講評拡張Mat、Met
G7生成 AI の均質化とテンプレートの均質化部分的に回答済みPD、Mat
G8LLM と共作した design fiction の未来の幅部分的に回答済みPD、Met
G9AI の絵が好まれる理由と見慣れによる基準の変化未回答の見込みPD、Met
G10デザインシステムの一貫性の外観と操作追試の機会Mat のみ

軸は新規性の 5 軸（RW、PD、Mat、Met、Res。各 0〜5、3 が閾値）で、blog 側の暫定である。 確定の採点は paper-pipeline の novelty-auditor に任せる。 その後、paper-pipeline は G1〜G10 をすべて捨てた（2026-11-06。種ごとの理由は paper-pipeline の台帳にある）。

候補ごとのギャップと近い研究

G1 作り手自身による AI 共作物の評価

二つの分野の走査が独立にこの候補を出した。 他人の作品に「AI 作」と告げると評価は下がり、自分で作った物は高く見積もられる。 では、AI に作らせて選んだ本人が評価者になると、どちらの効果が強く出るのか。

Lima、Grgić-Hlača、Redmiles（2025）は、賞金つきの AI アート展の形の実験（432 人）で、生成 AI で絵を作った本人が、同じ絵を評価した他人より自作を高く評価したと報告した。 この偏りは、実際の賞金がかかる条件でだけ現れた。 著者らは、自己中心性の効果と、モデルを使った経験の効果を分けられないことを限界に挙げている。 Mehler ら（2024）は、人の労力が多いほど生成画像の評価が上がると要旨で報告している。

残るのは、ずれの大きさが関与の割合（決定と編集のうち本人が行った割合）で変わるか、そしてどの基準に対してどれだけずれるかである。 基準は、「AI 作」と告げられた第三者、「人間作」と告げられた第三者、盲検の熟達者の三つを並べられる。 AI への偏見と自作の過大評価が打ち消し合う関与の割合を推定できれば、作り手が自分の判断で生成物を採用するときの誤差の向きが予測できる。 この問いは センスのない決定権者は、クリエイターへの発注をやめるのか：画像生成 AI の問題を「発注」「慣れ」「裾野」の三つの環で確かめ、AI スロップの研究と重ねる の「思い込み」の環に当たる。 新規性を自分で崩しにかける点検（L15）では、組合せ（既知の二つの効果の掛け合わせ）と命名（egocentric bias の言い換え）が当たる。

G2 生成 AI と行き詰まり、驚き、リフレーミング

洞察は行き詰まりのあとの表現の組み替えで起き、デザインのリフレーミングは驚きを引き金にするとされてきた（問題を立て直す手法の学術地図：アブダクション2から問題構造化まで）。 走査は「生成 AI が解の候補を途切れなく出すことで、行き詰まりと驚きが減り、リフレーミングも減る」という候補を出した。

近い研究は二つあり、結果の向きが食い違う。 Shin、Polyanskaya、Lucero、Oulasvirta（2025）は、デザイン経験者 280 人を 4 条件に分け、熟達者の評定で LLM がリフレーミングの新規性も有用性も上げなかったと報告した。 Guo ら（2024）はデザイン専攻の 20 人（大半が大学院生）のプロトコル分析で、解から問題への移行（解の案が問題の理解の組み替えを引き起こす移行）を符号化し、生成 AI が参加者のアブダクションの推論を促したと報告した。 どちらも行き詰まりと驚きは測っていない。

候補の「減らす」という向きは、Guo らの報告と合わないので、仮説として立てない。 問いは、行き詰まりと驚きの出来事が、生成 AI の有無とリフレーミングの間を媒介するか、に狭める。 質に差がないという結果と、過程でアブダクションが促されるという報告は、測った対象（成果の質と過程）が違うので両立しうる。 媒介を過程の水準で測ると、この食い違いに説明が付く。

G3 正解のないデザイン判断での適切な依存

AI への適切な依存の研究は、測り方も介入も、正解のある判断課題で作られてきた。 Eckhardt ら（2025）の総説は 71 本を分析し、大半が客観的な正解のある課題で、主観的と称する研究も実際には正誤を問うていると指摘した。 同じ総説は、生成 AI では依存が何を意味するかがはっきりしないと書いている。 作文では、AI の提案と本人の文章の重なりを依存の代理指標にする試みが出ている（Welzel と Vincent 2026、47 人）。 デザインの判断と美的判断に当てた研究と、過剰と適切を分ける基準を定めた研究は見つからなかった。

候補は、事前の自己判断、AI の助言、事後の判断の順に取る advice-taking の手続きを設計判断に移し、熟達者の合意からの距離を参照点にして、適切な依存を操作的に定義するものである。 熟達者の合意を正解とみなすと、正解のある課題に戻ってしまう危険がある。 パネル内の一致度で、その参照点が使える範囲を限る必要がある。 総説が議題として名指ししているので、先を越される危険は中程度である。

G4 作業の一部を AI に任せたときの、自分でやった部分の学習

認知のオフロードには、空いた資源で別の処理が良くなるという説明（資源の再配分）と、生成 AI ではメタ認知的な評価そのものが減るという説明（全体の手抜き）がある（生成AIの早期利用は思考の醸成を阻害するか：cognitive offloading と学習の文献地図、テクノロジーが教育に害を与えるパターンと、その反証：25文献の頑健性判定）。 二つの説明は、AI が担わなかった部分の学習について逆の予測をする。

Fan と Chang（2026）は、学部生 744 人を、AI が下書きする群、AI が評価する群、AI が改稿する群、AI なしの群に無作為に割り付け、6 週目に AI を外して試験をした。 AI が下書きか改稿をした群は AI なしの群を上回り、AI が評価をした群は AI なしの群と同等だった。 直後の試験では、全体の手抜きは観察されなかった。 著者らは、測ったのは AI を外した時点の成績で、時間をおいた保持ではないと書いている。

残るのは、任せた段の技能と自分でやった段の技能を、同じ人について別々に、遅延テストで測ることである。 直後の全体成績では、二つの説明を区別できない。

G5 新規性の四つの測り方と LLM のアイデア

盲検の熟達者は LLM の研究アイデアをより新規だと評定した（Si ら 2025、新規性の主張はどう確かめ、どう守り、どう書くか：投稿前の確認から論文の束まで）。 一方、Terwiesch ら（2026）は、LLM の製品アイデアが一つずつの新規性でも集合の多様性でも低かったと要旨で報告している。 文献を検索して新規性を判定する LLM は、プロンプトの小さな違いで判定が反転する（Sternlicht ら 2026、要旨）。

新規性には少なくとも四つの測り方がある。 探索なしで評定者が新しいと感じた度合い、文献を探した上での評定、標本の中での希少さ、先行研究の不在である。 同じアイデア群にこの四つを並べて当て、LLM 作と人間作で食い違い方が違うかを測った研究は見つからなかった。 測り方ごとに結論の向きが変わるなら、「LLM のアイデアは新規か」は測り方を決めないと答えが定まらない。 新規性を崩しにかける点検（L15）では、命名（Boden の P 創造性と H 創造性、Shah らの指標の二分の言い直し）とトピック（隣の問いが 2026 年 10 月に出たばかり）が当たる。

G6 学習者が自分の作品として出したときの LLM の講評

Sharma ら（2024）は、プロンプトに「これは私が書いた」と添えると、LLM の講評がより肯定的になることを、数学の解答、論証、詩で示した（feedback sycophancy）。 候補の中心はすでに文章で答えが出ている。

残るのは、視覚のデザイン作品で、学習者が所有、愛着、不安を添えたときに、熟達者が挙げる問題点のうちどれだけを、どの重さで LLM が落とすかである。 Sharma らは基準より肯定的かどうかを二値で判定しており、指摘の単位では測っていない。 判定は拡張で、新規性は指摘の再現率と重さで測る方法と、視覚の材料に置くことになる。 デザイン教育の講評（crit）に AI を入れる場面に直結する。

G7 生成 AI の均質化とテンプレートの均質化

Goree ら（2021）は、ウェブのレイアウトが 2003 年から 2019 年にかけて似てきたことを測った（デザイン史から見たスロップ：職能は粗製濫造への対策として始まった）。 画像の投稿サイトでは、生成 AI を使い始めた作家の視覚的な新規性が下がったことが測られている（Zhou と Lee 2024）。 Goree らの指標を 2020 年以降に延ばし、生成 AI が前からの傾向を加速させたのか、別の成分を足したのかを分けた研究は見つからなかった。 slop-design-history の note も、テンプレートによる収束とモデルのデフォルトへの収束が同じ機構だという保証はないと書いている。 問いは、前からの傾きに対する切れ目の検定に限られる。

G8 LLM と共作した design fiction の未来の幅

Kozachek（2026）は、人間が書いた欧州の未来シナリオ 1,080 本と、GPT が生成した 3,240 本を比べ、GPT 作が技術中心の主題に偏ったと要旨で報告している。 Lehnert ら（2026）は GPT-4 と design fiction を 18 本共作し、物語の質は人の枠づけ、プロンプト、モデルの振る舞いの相互作用から生まれると報告したが、AI を使わない条件は置いていない。 人が LLM と共作するかどうかで、同じ参加者の描く未来の多様さと、支配的な技術観の再生産がどう変わるかを比べた研究は見つからなかった。 design fiction の目的の一つは支配的な想像から外れることなので、この比較は手法の目的に直接かかわる（SF プロトタイピングと design fiction は何をもたらすのか）。

G9 AI の絵が好まれる理由と見慣れによる基準の変化

作者を告げなければ、多くの人は AI の絵を好む（van Hees ら 2025）。 作者の表示で評価が動くこと（Wang ら 2026）、AI 作と並べると人間作の創造性の評価が上がること（Horton ら 2023）、AI 作と表示した絵をオンラインで見せたときの効果（Malecki ら 2025、470 人）は測られている。 表示なしの好みが刺激の典型性や処理のしやすさで説明されるかを、刺激の側の客観的な指標で媒介として検定した研究は見つからなかった。 数週間にわたって繰り返し見たあとに、好みと人間の作品の評価基準がどちらへ動くかを同じ人で追った研究も見つからなかった。 この二つは、センスのない決定権者は、クリエイターへの発注をやめるのか：画像生成 AI の問題を「発注」「慣れ」「裾野」の三つの環で確かめ、AI スロップの研究と重ねる の「世の中が低いクオリティに慣れる」という環を確かめる前提になる。

G10 デザインシステムの一貫性の外観と操作

Satzinger と Olfman（1998）は、二つのアプリの画面の外観と操作言語の一貫性を別々に操作し（114 人）、操作言語がそろっていないと操作数が増え、外観がそろっていないと正確さが上がったと報告した。 候補の中心の操作は 1998 年に行われている。 デザインシステムの部品で組んだ現代の GUI でこの逆向きの結果が再現するかと、機能の発見のような探索の行動を同時に測った研究は見つからなかった（デザインシステムの6つの対立点を判定する証拠はどこまで揃っているか）。 判定は追試の機会で、暫定の軸は Mat の 1 軸だけである。 追試と明示しないと、新規性が過大に見える。

落とした 17 件

落とした候補と理由は corpus の表にある。 理由の内訳は次の四つである。

  • 主軸（デザイン理論、教育学）から遠い。
  • 既出の申し送りや既存の note がすでに扱っている。
  • 外部の検索の前から回答済みの見込みが高い。
  • 一本の note の著者が書いた限界の書き写しにとどまる。

たとえば、インテリアデザインの免許と報酬の候補は、職業免許の経済学でほぼ答えが出ていると走査の agent 自身が書いた。

corpus 全体で薄いもの

五つの分野の走査は、研究行が薄い問いとして同じものを挙げた。 一つは時間の次元である。 遅延テスト、繰り返しの曝露、縦断の追跡がほとんどなく、役割の移行や脱熟練のような時間の中の変化を、横断の自己報告で支えている箇所が多い。 もう一つは、効果の機構を過程の水準で分けた研究である。 生成 AI が成果を変えることは測られていても、どの段の何を通じて変えるかを分けた研究は少ない。 G2、G4、G9 は、どれもこの二つの薄さから出た候補である。

走査の途中で直したもの

分野 C の走査で、同じ論文（Melanou と Beege 2026）について二つの corpus の記述が食い違っていた。 一方は構造化プロンプトの足場で知識が有意に伸びたと書き、もう一方は足場の強さの間に有意差はなかったと書いていた。 論文の要旨は、どの条件でも伸びたが条件間に有意差はなかったと述べている。 誤っていた corpus の行と、公開 note AIと教育学・学習科学の研究潮流：生成AIと学習の実証（2024–2026） の該当の 1 文を直した。

未検証事項

  • Kozachek 2026、Lehnert ら 2026、Goree ら 2021、Malecki ら 2025、Satzinger と Olfman 1998：本文に届かず（出版社 403）、要旨の範囲で書いた。[要一次検証: 本文未到達 要旨のみ]
  • Mehler ら 2024：PDF に届かず、要旨の範囲で書いた。[要一次検証: 本文未到達 AIS eLibrary の PDF 403]
  • 監査 agent が挙げた近い研究のうち、Tao と Vyas 2025（CHI）は要旨が取れず（取れたのは図の説明文だけ）、この note では使っていない。corpus に agent の報告として残した。
  • OpenAlex と Semantic Scholar が使えなかったため、L15 の検索は Crossref、arXiv、Europe PMC、Web 検索に限られた。paper-pipeline 側で確定の採点をする前に、同じ検索式を OpenAlex で回し直すとよい。

関連ノート

参照文献

方法

G1

G2

G3

  • Eckhardt, S., Kühl, N., Dolata, M., & Schwabe, G. (2025). A survey of AI reliance. ACM Computing Surveys. https://doi.org/10.1145/3776528
  • Welzel, V. H. A., & Vincent, N. (2026). Overreliance in writing tasks: Exploring similarity-based measures of AI influence on writing and proposing a reflective writing interface intervention. FAccT 2026, 5941–5958（arXiv:2605.15322）. https://arxiv.org/abs/2605.15322

G4

  • Fan, M., & Chang, P. (2026). Telling students to evaluate does not make it happen: Task stage, offloading tendency, and error detection in AI-assisted student writing. Behavioral Sciences, 16(9), 1671. https://doi.org/10.3390/bs16091671

G5

  • Sternlicht, N., Shahid, S., Jansen, P., Weld, D. S., Siangliulue, P., & Hope, T. (2026). Old ideas, novel problems: The instability of LLM-based novelty evaluation. arXiv:2610.02022. https://arxiv.org/abs/2610.02022
  • Terwiesch, C., Meincke, L., Girotra, K., Mollick, E., Nave, G., & Ulrich, K. T. (2026). AI and its impact on creativity and diversity: An empirical study of LLM-generated product ideas. arXiv:2607.27553. https://arxiv.org/abs/2607.27553

G6

  • Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al. (2024). Towards understanding sycophancy in language models. ICLR 2024. https://arxiv.org/abs/2310.13548

G7

G8

G9

  • van Hees, J., Grootswagers, T., Quek, G. L., & Varlet, M. (2025). Human perception of art in the age of artificial intelligence. Frontiers in Psychology, 15. https://doi.org/10.3389/fpsyg.2024.1497469
  • Wang, Y., Cao, Y., Cai, J., & Sun, B. (2026). Where does the bias begin? Cognitive processing differences in the aesthetic evaluation of AI-generated art. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2026.1827956
  • Horton, C. B., Jr., White, M. W., & Iyengar, S. S. (2023). Bias against AI art can enhance perceptions of human creativity. Scientific Reports, 13. https://doi.org/10.1038/s41598-023-45202-3
  • Malecki, W. P., Messingschlager, T. V., & Appel, M. (2025). The impact of exposure to generative AI art on aesthetic appreciation, perceptions of AI mind, and evaluations of AI and of art careers. New Media & Society. https://doi.org/10.1177/14614448251344590

G10

  • Satzinger, J. W., & Olfman, L. (1998). User interface consistency across end-user applications: The effects on mental models. Journal of Management Information Systems, 14(4), 167–193. https://doi.org/10.1080/07421222.1998.11518190

走査の途中で直したもの

  • Melanou, C., & Beege, M. (2026). Scaffolding generative AI as a tutor: A quasi-experimental study of learning outcomes and motivational, cognitive and metacognitive processes. Education Sciences, 16(4). https://doi.org/10.3390/educsci16040651

Footnotes

  1. スレッドは 16 投稿（導入と 15 のプロンプト）。原文と、各レンズへの読み替えは .claude/skills/research-gap-lenses/references/lenses.md にある。 ↩

  2. Sandberg と Alvesson は組織研究の論文 52 本の問いの立て方を分析し、どの立場の研究でも最も多いのが gap-spotting だったと報告した。問いの立て方の文献は 新規性のある問いはどこから来るのか：四つの座とその組合せの学術的検討 にまとめてある。 ↩

書いた人：小川 修一郎（デザイン研究者／デザインコンサルタント） 経歴を見る →