大半の大学では、すでにiThenticateなどのツールを通じてテキストの類似性チェックを提供していますが、図の重複、改変、AI生成のビジュアルを含む画像の信頼性は、機関の品質保証（QA）ワークフローから抜け落ちているのが一般的です。Proofig AIは、この空白を埋めます。単独のソリューションとして既存のツールと併用することも、PubShieldを通じて連携型の品質保証ハブに組み込むこともできます。
画像の信頼性が大学のQAに欠けている層である理由
大学の研究支援部門は、テキストベースの品質保証に多大な投資をしてきました。iThenticateのようなツールはテキストの類似性をスクリーニングし、Grammarlyなどのプラットフォームは言語上の問題を見つけ、文献管理ソフトは引用の整理を助けます。これらのツールは、それぞれの目的を十分に果たしています。しかし、ほとんどの研究原稿で根拠の柱となっている科学的な図を調べるものは、ひとつもありません。
この空白は見過ごせません。画像の信頼性アナリストであるJana Christopher氏がUKRIOのインタビューで語ったところによると、投稿されたライフサイエンス分野の原稿のおよそ20〜35%が、編集部によるスクリーニングの段階で画像に関する問題を指摘されています。こうした問題は、図の作成中に生じた偶発的な重複から、改変や再利用をめぐるより深刻な懸念まで多岐にわたります。
その影響は個々の論文にとどまりません。世界の上位20大学を対象とした査読付きの分析では、2010年から2019年までの撤回の傾向が記録されており、画像の改変が撤回の主な原因のひとつとなっていました。さらにNature誌の報道によると、2022年に出版された論文の約0.2%がすでに撤回されており、これは10年前のおよそ3倍の割合です。研究機関にとって、撤回は1件ごとに、研究費の喪失、法的費用、将来の資金獲得の見通しへの悪影響など、経済面と評判の両面で大きな影響をもたらします。
テキストベースのツールが、本来の目的に対して不十分だというわけではありません。それらは不可欠なツールです。重要なのは、画像の信頼性が、大半の機関のワークフローではまだ対応されていない、独立した品質保証の層だという点です。
Proofig AIは何を検出するのか？
Proofig AIの画像の信頼性チェック機能は、科学的な図に特化して設計されています。このプラットフォームは、次の5つの中核的な検出領域をカバーしています。
| 検出機能 | スクリーニング対象 |
|---|---|
| 画像の改変の検出 | 単一のサブ画像内のクローニング（同一画像内の領域の複製）、編集、削除、切り貼り、コンテンツに応じた編集 |
| 重複・再利用の分析 | 原稿内での拡大・縮小、回転、反転（ミラー）、完全・部分的な重なり |
| AI生成画像の識別 | 顕微鏡画像、組織像、ウェスタンブロット、ゲル、医用画像などにわたる合成画像 |
| 画像盗用（PubMedソース） | 出版済みの原稿からのサブ画像の再利用（数千万点の画像と照合） |
| My Database（独自の非公開画像リポジトリ）による自己盗用の管理 | 意図しない自己再利用を防ぐための、過去の研究をまとめた個人用リポジトリとの照合 |
このプラットフォームは、共焦点・光学・電子顕微鏡画像、ウェスタンブロット・ゲル画像、FACS、組織像、細胞培養プレート、動物イメージング、医用画像など、主要な科学画像の種類をすべてカバーしています。
重要なのは、Proofig AIが疑いのある問題を、人によるレビューのために提示するという点です。責任の有無を判断したり、不正行為を確定したり、最終的な判断を下したりすることはありません。この区別は、研究機関での導入において重要です。指摘された検出結果は、自動的な判定ではなく、正式な研究公正の手続きを通じて扱われなければならないからです。
アラート疲れを懸念する機関の審査担当者にとって、このツールの偽陽性率の低さは注目に値します。顕微鏡画像で0.0093%（実画像20万点で検証）、ウェスタンブロットで0.0020%（実画像25万点で検証）です。この水準であれば、誤検出によって研究公正担当部署が対応しきれなくなることはありません。
Proofig AIを既存の機関のQAツール群に組み込む方法
Proofig AIは、既存のツールに取って代わるのではなく、それを補完するように設計されています。すでにテキストの類似性チェックにiThenticateを使っている大学は、現在のワークフローを崩すことなくProofig AIを追加し、画像の層をカバーできます。
Proofig AIを追加する前と後で、一般的な機関のQAツール群は次のように変わります。
| 信頼性の層 | Proofig AI導入前 | Proofig AI導入後 |
|---|---|---|
| テキストの類似性と盗用 | iThenticate / Turnitin | iThenticate / Turnitin（変更なし） |
| 文法と言語 | Grammarlyまたは同等のツール | Grammarlyまたは同等のツール（変更なし） |
| 画像の重複と改変 | 対象外 | Proofig AI |
| AI生成画像の検出 | 対象外 | Proofig AI |
| 画像盗用（出版済みの文献） | 対象外 | Proofig AI |
| 参考文献の信頼性 | 手作業または未確認 | PubShield経由で利用可能（RefGuard） |
| AI生成テキストの検出 | 機関によって異なる | PubShield経由で利用可能（Pangram） |
| データ報告とコンプライアンス | 手作業または未確認 | PubShield経由で利用可能（DataSeer） |
2つの導入方法
Proofig AI単体での導入。研究者または管理者が、原稿をPDFまたは画像ファイルとしてアップロードします。Proofigがすべての図を自動でスキャンし、指摘された項目は内蔵のフォレンジックツールで確認され、レポートは内部記録用または投稿用にエクスポートされます。この方法は既存のテキストチェックのワークフローと並行して運用でき、現在のプロセスを変更する必要はありません。Proofig AIが科学画像をスクリーニングする仕組みを見る。
連携ハブとしてのPubShield。すべての信頼性チェックの投稿窓口をひとつにまとめたい研究機関向けに、PubShieldは、画像の信頼性（Proofig AI）、テキストの類似性（iThenticate/Turnitin）、AI生成テキストの検出（Pangram）、参考文献の信頼性（RefGuard）、データコンプライアンスへの対応状況（DataSeer）をひとつのダッシュボードに集約します。これにより、ログインが分散したり、ワークフローが分断されたりすることがなくなります。電子実験ノート（ELN）を利用している研究機関では、LabArchivesとのパートナーシップにより、研究が生み出される現場により近いところで信頼性確保の取り組みを行えます。また、Aries Systemsとの連携により、出版社とのワークフローの接続が可能になります。
なお、iThenticate、Pangram、DataSeer、RefGuardはPubShieldエコシステムのパートナーです。これらの機能はPubShieldの中で提供されるものであり、Proofig AI単体の機能ではありません。
投稿前スクリーニングが研究者と研究機関を守る理由
研究機関が画像スクリーニングを検討する際によく挙がる懸念は、それが研究者への不信を示すことにならないか、という点です。実際はその逆です。投稿前スクリーニングは、研究者、その研究室、そして研究機関を守る品質保証サービスです。
画像の信頼性に関わる問題の多くは、意図せずに生じたものです。図の作成過程で、共同研究者や学生によって、あるいはデータを共有して扱うワークフローを通じて入り込みます。高い倫理基準を守っている研究者であっても、さまざまな段階でデータを扱うチームメンバーが持ち込んだ誤りが原因で、問題のある画像をそれと知らずに投稿してしまうことがあります。University of Splitで行われた査読付き研究では、研究者が図を手作業で確認した場合、画像の重複を検出できたのはわずか32.4%であることがわかり、ツールの支援がない人の目によるレビューの限界が示されました。
投稿前スクリーニングによって、潜在的な問題が見つかるタイミングは、深刻な結果を招く出版後から、目立たず建設的に修正できる投稿前へと移ります。Nature誌は、論文を撤回する際に研究者が直面する個人的なストレスやキャリア上のストレスについて報じています。その撤回の多くは、投稿前スクリーニングで発見できたはずの悪意のないミスによるものです。
研究機関にとってのメリットは、さらに広がります。学内全体で導入することで、責任ある研究活動（RCR）のプログラムを支援し、研究公正担当部署に監査に対応できるレポートを提供し、研究の質への積極的な取り組みを示すことができます。シングルサインオン（SSO）や安全なライセンスのオプションに加え、一元化されたダッシュボードと分析機能により、機関全体への導入を現実的なものにします。
第三者による評価
有力出版社がProofig AIを導入していることは、その機能に対する独立した評価となっています。数か月にわたる試験運用で、出版前に問題のある図を検出する有効性が示されたことを受け、2024年にScience誌とその姉妹誌の全6誌がProofig AIを導入しました。MDPIは複数年契約を締結しており、MDPIの技術イノベーション責任者であるMilos Cuculovic氏は次のように述べています。「専門家の意見から、Proofig AIは群を抜いて最良の選択肢だと思われました。そして今、私たちはMDPIが出版する研究成果について、研究公正をさらに確かなものにし、その高い品質を保証しています」
研究公正担当者のための実践的な次のステップ
所属機関で画像の信頼性に関するQAの導入を検討している管理者の方に向けて、具体的な進め方をご紹介します。
- 現在のQAツール群を点検する。どの信頼性の層（テキスト、画像、参考文献、AI生成コンテンツ）がカバーされていて、どの層がカバーされていないかを把握します。
- 空白を評価する。画像の信頼性に対応していなければ、貴機関は、投稿原稿の20〜35%が編集段階で指摘される原因となっているのと同じリスクを抱えていることになります。
- 単独導入かハブ連携かを検討する。Proofig AIを単独の画像信頼性の層として追加すればニーズを満たせるのか、それともPubShieldを通じた連携型のアプローチのほうが貴機関のワークフローに合うのかを判断します。
- 部局や大学院プログラムで試験導入する。投稿数の多い研究グループから始め、ワークフローへの適合性を評価し、提示された問題の種類を確認します。
- RCR教育に組み込む。（匿名化した）スクリーニング結果を活用して、図の作成でよくある誤りと推奨される手法について研究者を教育します。
今、画像の信頼性に関するQAを追加すれば、出版後ではなく投稿前という、リスクを未然に防ぎやすい段階で対処できます。ツールはすでにあり、導入方法も現実的です。研究機関にとっての問題は、もはや画像の信頼性をスクリーニングするかどうかではなく、どれだけ早くこの空白を埋められるかです。
