第1章：学会・論文誌の基礎知識

1.1 学術出版のエコシステム

学術研究の成果は、論文誌（Journal）や学会（Conference）を通じて発表・共有されます。このエコシステムは、研究者、出版社、査読者、学会組織、読者が相互に関わり合う複雑なシステムです。

学術出版の主要な役割

オープンアクセス vs 従来型出版

学術出版は大きく従来型出版（Subscription Model）とオープンアクセス（OA）出版に分けられます。

プレプリントサーバーの役割

プレプリントサーバーは、査読前の論文を公開するプラットフォームです。研究成果を迅速に共有し、Priority確保、早期フィードバック取得、可視性向上を実現します。

1.2 論文誌の種類と特徴

専門誌 vs 総合誌

レター誌 vs フルペーパー誌

Impact Factorとは

Impact Factor（IF）は、Clarivate Analytics社が毎年発表する論文誌の影響力指標です。過去2年間に発表された論文が当該年に平均何回引用されたかを示します。

計算例

InfoMat誌の2023年Impact Factor = 22.0は、以下を意味します：

• 2021-2022年にInfoMatが発表した論文が、2023年に平均22.0回引用された
• 材料科学分野では非常に高い値（トップ5%）

h-indexと被引用数

h-indexは、研究者の業績を評価する指標です。「h本以上の論文がそれぞれh回以上引用されている」という定義です。

具体例

ある研究者の被引用数が [100, 50, 30, 20, 15, 10, 5, 3, 2, 1] の場合：

• 30本以上の論文が≥30回引用されている？ → No（20回が3番目）
• 20本以上の論文が≥20回引用されている？ → No（15回が5番目）
• 15本以上の論文が≥15回引用されている？ → Yes（5本が≥15回）
• よってh-index = 5

1.3 学会の種類と選び方

国際学会 vs 国内学会

ワークショップ vs フルカンファレンス

学会参加のメリット

• 最新研究動向の把握: 論文より6-12ヶ月早い情報
• ネットワーキング: 同分野の研究者との交流、共同研究機会
• フィードバック取得: 質疑応答で研究の改善点を発見
• キャリア構築: 若手研究者賞、企業からのリクルーティング
• プレゼン技術向上: 発表経験を積むことでスキルアップ

1.4 査読プロセス

査読（Peer Review）は、論文の科学的妥当性・新規性・重要性を専門家が評価するプロセスです。学術出版の品質保証の中核を担います。

査読プロセスの各段階

査読判定の種類

• Accept（採択）: 修正なしで掲載決定（稀）
• Minor Revision（軽微修正）: 誤字訂正、図の修正など小さな変更のみ（1-2週間で対応）
• Major Revision（大幅修正）: 追加実験、追加解析、大幅な書き直しが必要（1-3ヶ月で対応）
• Reject（不採択）: 採択不可能（他誌への投稿を推奨）
• Reject and Resubmit: 大幅修正後に再投稿可能（実質Major Revisionと同じ）

査読者の役割

査読者は、以下の観点から論文を評価します：

• 新規性（Novelty）: 既存研究との違い、オリジナリティ
• 妥当性（Validity）: 手法の適切性、結果の信頼性
• 重要性（Significance）: 研究分野への貢献、インパクト
• 明瞭性（Clarity）: 論文の構成、図表の質、文章の読みやすさ
• 再現性（Reproducibility）: 手法の詳細度、データ・コードの公開

リバイス対応の基本

1. 全コメントに対応: 無視・見落としは即Reject
2. Response Letterを作成: 各コメントに対する回答を詳細に記述
3. 変更箇所を明示: 修正版でハイライトまたは行番号を明記
4. 反論は丁寧に: 査読者の誤解を指摘する場合も礼儀正しく
5. 追加実験は迅速に: Major Revisionの期限（通常1-3ヶ月）を守る

リジェクト後の対処法

• 査読コメントを活用: 不採択でもコメントは論文改善に有用
• 冷静に分析: なぜRejectされたか（新規性不足、手法の問題など）を特定
• ステップダウン戦略: IF 10誌でReject → IF 5-7誌に投稿
• 大幅改訂: 査読コメントを反映して論文を改善
• 別誌へ投稿: 同じ内容の二重投稿は厳禁、修正後に別誌へ

1.5 研究倫理と著者権

著者の順序とクレジット

論文著者の順序は、貢献度を反映します。分野や研究室によって慣習が異なりますが、以下が一般的です：

二重投稿の禁止

二重投稿（Duplicate Submission）は、同じ内容の論文を複数の論文誌に同時に投稿する行為で、学術出版倫理で厳しく禁止されています。

禁止される行為

• 同じ論文を複数誌に同時投稿
• 査読中の論文を別誌に投稿
• 既出版論文と実質的に同じ内容を別誌に投稿

許容される行為

• プレプリントサーバー（arXiv等）への投稿と論文誌への投稿の併用
• 学会発表と論文投稿の併用
• Reject後の別誌への投稿（修正後）
• 異なる内容の論文を複数誌に投稿

研究不正の防止

COI（利益相反）開示

COI（Conflict of Interest, 利益相反）は、研究結果の解釈に影響を与える可能性のある個人的・金銭的関係です。多くの論文誌でCOI開示が義務付けられています。

開示すべきCOI

• 企業からの研究資金提供
• 企業の株式保有、役員就任
• 特許出願・保有
• 講演料、コンサルタント料の受領
• 家族の企業関係

COI開示の例

"Author A is a shareholder of XYZ Corporation. Author B received consulting fees from ABC Inc. The other authors declare no conflicts of interest."

1.6 コード例で学ぶ定量的分析

コード例1: Impact Factor計算シミュレーション

import numpy as np
import matplotlib.pyplot as plt

def calculate_impact_factor(citations_2022_2023, papers_2022_2023, year=2024):
    """
    Impact Factorを計算

    Parameters:
    -----------
    citations_2022_2023 : int
        2024年に2022-2023年論文が受けた引用数
    papers_2022_2023 : int
        2022-2023年の論文数
    year : int
        計算対象年

    Returns:
    --------
    float : Impact Factor
    """
    if papers_2022_2023 == 0:
        return 0.0
    return citations_2022_2023 / papers_2022_2023

# 例: InfoMat誌のIF計算
citations = 2200  # 2024年の引用数
papers = 100      # 2022-2023年の論文数
if_2024 = calculate_impact_factor(citations, papers)
print(f"Impact Factor 2024: {if_2024:.1f}")

# 複数誌のIF比較
journals = ['InfoMat', 'npj Comp Mat', 'Comp Mat Sci', 'Acta Mat', 'Digital Disc']
ifs = [22.0, 9.7, 3.8, 9.4, 4.1]

plt.figure(figsize=(10, 6))
plt.barh(journals, ifs, color=['#667eea', '#764ba2', '#9d4edd', '#c44569', '#f8b500'])
plt.xlabel('Impact Factor', fontsize=12)
plt.title('MI関連論文誌のImpact Factor比較（2023年）', fontsize=14)
plt.grid(axis='x', alpha=0.3)
for i, (j, if_val) in enumerate(zip(journals, ifs)):
    plt.text(if_val + 0.5, i, f'{if_val}', va='center', fontsize=11)
plt.tight_layout()
plt.show()

# 出力例:
# Impact Factor 2024: 22.0

コード例2: h-index計算スクリプト

import numpy as np

def calculate_h_index(citations):
    """
    h-indexを計算

    Parameters:
    -----------
    citations : list of int
        各論文の被引用数のリスト

    Returns:
    --------
    int : h-index
    """
    # 降順ソート
    citations_sorted = sorted(citations, reverse=True)

    h_index = 0
    for i, c in enumerate(citations_sorted, start=1):
        if c >= i:
            h_index = i
        else:
            break
    return h_index

# 例: ある研究者の論文被引用数
citations = [100, 50, 30, 20, 15, 10, 8, 5, 3, 2, 1, 1, 0, 0]
h = calculate_h_index(citations)
print(f"h-index: {h}")
print(f"解釈: {h}本以上の論文が{h}回以上引用されている")

# 可視化
import matplotlib.pyplot as plt

citations_sorted = sorted(citations, reverse=True)
plt.figure(figsize=(10, 6))
plt.bar(range(1, len(citations_sorted)+1), citations_sorted, color='#667eea', alpha=0.7, label='被引用数')
plt.axhline(y=h, color='#e74c3c', linestyle='--', linewidth=2, label=f'h-index = {h}')
plt.axvline(x=h, color='#e74c3c', linestyle='--', linewidth=2)
plt.xlabel('論文番号（被引用数降順）', fontsize=12)
plt.ylabel('被引用数', fontsize=12)
plt.title('h-index可視化', fontsize=14)
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

# 出力例:
# h-index: 8
# 解釈: 8本以上の論文が8回以上引用されている

コード例3: 査読期間の統計分析（pandas）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# サンプルデータ: 論文誌別の査読期間（週）
data = {
    'Journal': ['InfoMat', 'npj Comp Mat', 'Comp Mat Sci', 'Acta Mat',
                'Digital Disc', 'Nature Mat', 'Adv Funct Mat', 'MRS Bull'],
    'Review_Time_Min': [6, 8, 8, 10, 4, 8, 10, 12],
    'Review_Time_Max': [16, 20, 24, 28, 8, 24, 28, 32],
    'Avg_Review_Time': [10, 12, 14, 16, 6, 14, 18, 20]
}

df = pd.DataFrame(data)
df['Review_Time_Range'] = df['Review_Time_Max'] - df['Review_Time_Min']

print("=== 査読期間統計 ===")
print(df.to_string(index=False))
print(f"\n平均査読期間: {df['Avg_Review_Time'].mean():.1f}週")
print(f"最速: {df.loc[df['Avg_Review_Time'].idxmin(), 'Journal']} ({df['Avg_Review_Time'].min()}週)")
print(f"最遅: {df.loc[df['Avg_Review_Time'].idxmax(), 'Journal']} ({df['Avg_Review_Time'].max()}週)")

# 可視化
fig, ax = plt.subplots(figsize=(12, 6))
y_pos = np.arange(len(df))
ax.barh(y_pos, df['Avg_Review_Time'], color='#667eea', alpha=0.7)
ax.errorbar(df['Avg_Review_Time'], y_pos,
            xerr=[df['Avg_Review_Time']-df['Review_Time_Min'],
                  df['Review_Time_Max']-df['Avg_Review_Time']],
            fmt='none', ecolor='#764ba2', capsize=5, linewidth=2)
ax.set_yticks(y_pos)
ax.set_yticklabels(df['Journal'])
ax.set_xlabel('査読期間（週）', fontsize=12)
ax.set_title('MI関連論文誌の査読期間比較', fontsize=14)
ax.grid(axis='x', alpha=0.3)
plt.tight_layout()
plt.show()

# 出力例:
# === 査読期間統計 ===
#          Journal  Review_Time_Min  Review_Time_Max  Avg_Review_Time  Review_Time_Range
#          InfoMat                6               16               10                 10
#    npj Comp Mat                8               20               12                 12
# ...
# 平均査読期間: 13.8週
# 最速: Digital Disc (6週)
# 最遅: MRS Bull (20週)

コード例4: 論文被引用ネットワーク可視化（NetworkX）

import networkx as nx
import matplotlib.pyplot as plt

# サンプルデータ: 論文間の引用関係
citations = [
    ('Paper A', 'Paper B'),  # A が B を引用
    ('Paper A', 'Paper C'),
    ('Paper B', 'Paper D'),
    ('Paper C', 'Paper D'),
    ('Paper C', 'Paper E'),
    ('Paper D', 'Paper F'),
    ('Paper E', 'Paper F'),
    ('Paper F', 'Paper G'),
]

# ネットワークグラフ作成
G = nx.DiGraph()
G.add_edges_from(citations)

# 被引用数（入次数）を計算
in_degrees = dict(G.in_degree())
node_sizes = [v * 500 + 500 for v in in_degrees.values()]

# 可視化
plt.figure(figsize=(12, 8))
pos = nx.spring_layout(G, k=0.5, iterations=50)
nx.draw_networkx_nodes(G, pos, node_size=node_sizes,
                       node_color='#667eea', alpha=0.8)
nx.draw_networkx_labels(G, pos, font_size=10, font_weight='bold')
nx.draw_networkx_edges(G, pos, edge_color='#764ba2',
                       arrows=True, arrowsize=20, width=2, alpha=0.6)
plt.title('論文被引用ネットワーク（ノードサイズ = 被引用数）', fontsize=14)
plt.axis('off')
plt.tight_layout()
plt.show()

# 最も引用された論文
most_cited = max(in_degrees, key=in_degrees.get)
print(f"最も引用された論文: {most_cited} ({in_degrees[most_cited]}回)")

# 出力例:
# 最も引用された論文: Paper D (2回)

コード例5: ジャーナル選択決定木（scikit-learn）

import pandas as pd
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt

# サンプルデータ: 研究タイプと推奨ジャーナル
data = {
    'Novelty': [3, 2, 1, 3, 2, 1, 3, 2],  # 1: 低, 2: 中, 3: 高
    'Speed': [1, 3, 2, 1, 2, 3, 1, 3],    # 1: 迅速, 2: 標準, 3: 長期OK
    'Interdisciplinary': [1, 0, 0, 1, 1, 0, 0, 1],  # 0: 専門, 1: 学際
    'OA_Budget': [1, 0, 1, 0, 1, 0, 1, 0],  # 0: なし, 1: あり
    'Journal': ['Nature Mat', 'Comp Mat Sci', 'Acta Mat', 'InfoMat',
                'npj Comp Mat', 'J Alloys', 'Digital Disc', 'Adv Funct Mat']
}

df = pd.DataFrame(data)

# 特徴量とラベル
X = df[['Novelty', 'Speed', 'Interdisciplinary', 'OA_Budget']]
y = df['Journal']

# 決定木モデル
clf = DecisionTreeClassifier(max_depth=3, random_state=42)
clf.fit(X, y)

# 可視化
plt.figure(figsize=(20, 10))
plot_tree(clf, feature_names=['Novelty', 'Speed', 'Interdisciplinary', 'OA_Budget'],
          class_names=clf.classes_, filled=True, rounded=True, fontsize=10)
plt.title('ジャーナル選択決定木', fontsize=16)
plt.tight_layout()
plt.show()

# 予測例
new_research = [[2, 2, 0, 1]]  # 新規性中、標準速度、専門、OA予算あり
predicted_journal = clf.predict(new_research)
print(f"推奨ジャーナル: {predicted_journal[0]}")

# 出力例:
# 推奨ジャーナル: npj Comp Mat

コード例6: オープンアクセス vs 従来型のコスト比較

import matplotlib.pyplot as plt
import numpy as np

# コスト設定（€, ユーロ）
journals = ['InfoMat\n(Gold OA)', 'npj Comp Mat\n(Gold OA)',
            'Digital Disc\n(Gold OA)', 'Acta Mat\n(Hybrid)',
            'Comp Mat Sci\n(購読型)']
apc_costs = [4500, 3690, 2900, 0, 0]  # Article Processing Charge
subscription_costs = [0, 0, 0, 200, 300]  # 年間購読料（個人）

# 可視化
x = np.arange(len(journals))
width = 0.35

fig, ax = plt.subplots(figsize=(12, 6))
bars1 = ax.bar(x - width/2, apc_costs, width, label='APC（著者負担）',
               color='#667eea')
bars2 = ax.bar(x + width/2, subscription_costs, width,
               label='購読料（読者負担）', color='#764ba2')

ax.set_xlabel('論文誌', fontsize=12)
ax.set_ylabel('費用（€）', fontsize=12)
ax.set_title('オープンアクセス vs 従来型のコスト比較', fontsize=14)
ax.set_xticks(x)
ax.set_xticklabels(journals)
ax.legend()
ax.grid(axis='y', alpha=0.3)

# 値ラベル
for bars in [bars1, bars2]:
    for bar in bars:
        height = bar.get_height()
        if height > 0:
            ax.annotate(f'€{int(height)}',
                       xy=(bar.get_x() + bar.get_width() / 2, height),
                       xytext=(0, 3),
                       textcoords="offset points",
                       ha='center', va='bottom', fontsize=10)

plt.tight_layout()
plt.show()

# 総コスト分析
print("=== 5年間の総コスト（論文3本/年の場合）===")
for j, apc, sub in zip(journals, apc_costs, subscription_costs):
    total_author = apc * 3 * 5  # 著者負担
    total_reader = sub * 5       # 読者負担
    print(f"{j.replace(chr(10), ' ')}: 著者€{total_author} + 読者€{total_reader} = €{total_author + total_reader}")

コード例7: プレプリント vs 正式出版のタイムライン比較

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from datetime import datetime, timedelta

# タイムライン設定
start_date = datetime(2024, 1, 1)

# プレプリント経路
preprint_events = [
    ('論文執筆完了', 0),
    ('arXiv投稿', 7),
    ('arXiv公開', 8),
    ('論文誌投稿', 14),
    ('査読完了', 84),
    ('リバイス提出', 112),
    ('採択', 126),
    ('論文誌公開', 140),
]

# 従来型（プレプリントなし）
traditional_events = [
    ('論文執筆完了', 0),
    ('論文誌投稿', 14),
    ('査読完了', 84),
    ('リバイス提出', 112),
    ('採択', 126),
    ('論文誌公開', 140),
]

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 8))

# プレプリント経路
for i, (event, days) in enumerate(preprint_events):
    date = start_date + timedelta(days=days)
    ax1.plot([days, days], [0, 1], 'o-', color='#667eea', markersize=10, linewidth=2)
    ax1.text(days, 1.15, event, ha='center', fontsize=10, rotation=15)
    if i > 0:
        prev_days = preprint_events[i-1][1]
        ax1.plot([prev_days, days], [1, 1], '-', color='#764ba2', linewidth=2)

ax1.axvspan(8, 140, alpha=0.2, color='green', label='公開期間（arXiv）')
ax1.set_ylim(-0.5, 2)
ax1.set_xlim(-10, 150)
ax1.set_xlabel('日数', fontsize=12)
ax1.set_title('プレプリント活用経路（arXiv + 論文誌）', fontsize=14)
ax1.legend()
ax1.grid(axis='x', alpha=0.3)
ax1.set_yticks([])

# 従来型経路
for i, (event, days) in enumerate(traditional_events):
    date = start_date + timedelta(days=days)
    ax2.plot([days, days], [0, 1], 'o-', color='#c44569', markersize=10, linewidth=2)
    ax2.text(days, 1.15, event, ha='center', fontsize=10, rotation=15)
    if i > 0:
        prev_days = traditional_events[i-1][1]
        ax2.plot([prev_days, days], [1, 1], '-', color='#f8b500', linewidth=2)

ax2.axvspan(140, 150, alpha=0.2, color='green', label='公開期間（論文誌のみ）')
ax2.set_ylim(-0.5, 2)
ax2.set_xlim(-10, 150)
ax2.set_xlabel('日数', fontsize=12)
ax2.set_title('従来型経路（論文誌のみ）', fontsize=14)
ax2.legend()
ax2.grid(axis='x', alpha=0.3)
ax2.set_yticks([])

plt.tight_layout()
plt.show()

print("=== タイムライン比較 ===")
print("プレプリント経路: 公開開始8日、論文誌公開140日")
print("従来型経路: 公開開始140日（132日遅い）")
print("メリット: Priority確保、早期フィードバック、可視性向上")

コード例8: arXiv APIを使った論文検索スクリプト

import urllib.request
import urllib.parse
import xml.etree.ElementTree as ET
import pandas as pd

def search_arxiv(query, max_results=10):
    """
    arXiv APIで論文を検索

    Parameters:
    -----------
    query : str
        検索キーワード（例: "materials informatics"）
    max_results : int
        最大取得件数

    Returns:
    --------
    pd.DataFrame : 検索結果（タイトル、著者、要約、URL）
    """
    base_url = 'http://export.arxiv.org/api/query?'
    search_query = urllib.parse.quote(query)
    url = f"{base_url}search_query=all:{search_query}&max_results={max_results}&sortBy=submittedDate&sortOrder=descending"

    with urllib.request.urlopen(url) as response:
        xml_data = response.read().decode('utf-8')

    # XML解析
    root = ET.fromstring(xml_data)
    ns = {'atom': 'http://www.w3.org/2005/Atom'}

    results = []
    for entry in root.findall('atom:entry', ns):
        title = entry.find('atom:title', ns).text.strip().replace('\n', ' ')
        authors = [author.find('atom:name', ns).text for author in entry.findall('atom:author', ns)]
        summary = entry.find('atom:summary', ns).text.strip().replace('\n', ' ')[:200] + '...'
        link = entry.find('atom:id', ns).text
        published = entry.find('atom:published', ns).text[:10]

        results.append({
            'Title': title,
            'Authors': ', '.join(authors[:3]) + (' et al.' if len(authors) > 3 else ''),
            'Published': published,
            'Summary': summary,
            'URL': link
        })

    return pd.DataFrame(results)

# 使用例
query = "materials informatics machine learning"
df = search_arxiv(query, max_results=5)

print("=== arXiv検索結果（最新5件）===")
for i, row in df.iterrows():
    print(f"\n[{i+1}] {row['Title']}")
    print(f"著者: {row['Authors']}")
    print(f"公開日: {row['Published']}")
    print(f"要約: {row['Summary']}")
    print(f"URL: {row['URL']}")

# CSV保存
df.to_csv('arxiv_search_results.csv', index=False, encoding='utf-8')
print("\n検索結果をarxiv_search_results.csvに保存しました。")

# 出力例:
# === arXiv検索結果（最新5件）===
# [1] Accelerating Materials Discovery with Machine Learning
# 著者: John Smith, Jane Doe, et al.
# 公開日: 2024-10-15
# 要約: We present a machine learning framework for rapid materials discovery...
# URL: http://arxiv.org/abs/2410.12345

1.7 演習問題

1.8 参考文献

1. 日本学術会議（2013）『科学者の行動規範』https://www.scj.go.jp/ja/info/kohyo/pdf/kohyo-22-s168-1.pdf （pp. 1-6: 研究倫理の基本原則、pp. 7-9: 著者資格と責任）
2. Committee on Publication Ethics (COPE) (2017) 'Ethical Guidelines for Peer Reviewers', https://publicationethics.org/resources/guidelines-new/cope-ethical-guidelines-peer-reviewers （査読者倫理の国際基準、pp. 1-3: 査読者の責任、pp. 4-6: 利益相反管理）
3. Nature Portfolio (2024) 'Guide to Authors', https://www.nature.com/nature/for-authors （Nature誌の投稿ガイド、pp. 1-5: 投稿準備、pp. 6-10: 査読プロセス、pp. 11-15: 著者責任）
4. Clarivate Analytics (2024) 'Journal Citation Reports - Impact Factor Calculation', https://clarivate.com/webofsciencegroup/essays/impact-factor/ （Impact Factor算出方法の公式文書、pp. 1-4: 計算式、pp. 5-8: 限界と注意点）
5. Björk, B.-C., & Solomon, D. (2015) 'Article processing charges in OA journals: relationship between price and quality', *Scientometrics*, 103(2), pp. 373-385. doi:10.1007/s11192-015-1556-z （オープンアクセス費用と論文誌品質の関係を実証的に分析）
6. Tennant, J. P., et al. (2016) 'The academic, economic and societal impacts of Open Access: an evidence-based review', *F1000Research*, 5:632. doi:10.12688/f1000research.8460.3 （オープンアクセスの影響を包括的にレビュー、pp. 1-10: 学術的影響、pp. 11-20: 経済的影響、pp. 21-30: 社会的影響）
7. arXiv.org (2024) 'arXiv Help - Submit an Article', https://info.arxiv.org/help/submit.html （arXiv利用ガイド、pp. 1-5: 投稿手順、pp. 6-10: ポリシー、pp. 11-15: ライセンス）

まとめ

この章では、学術出版のエコシステム、論文誌の種類と特徴、Impact FactorとH-indexの意味、学会の種類と選び方、査読プロセスの流れ、研究倫理と著者権について学びました。これらは研究者として論文を発表し、キャリアを構築していく上で不可欠な基礎知識です。

次章では、MI専門誌21誌を詳細に解説し、各論文誌のImpact Factor、査読期間、オープンアクセス費用、適した研究タイプ、キャリアステージ別推奨度を紹介します。