AIのおかげで、論文に触れるハードルがめちゃくちゃ下がった昨今。論文のタイトルを入れれば要約してくれるし、専門用語も説明してくれるし、「で、実生活ではどう使えばいいの？」みたいな話まで整理してくれるんだから、まことにありがたいことです。

これは実に素晴らしい変化なんですが、同時に大きく変わったのが「情報を受け取る側の責任」であります。

というのも、AIが返してくれる答えってのは、あくまで「それっぽく整理された情報」であって、「そのまま自分の生活に取り入れていい結論」じゃないからです。むしろ、情報が手に入りやすくなったぶん、「その情報はどこまで信用できるのか？」「自分の生活にどこまで使っていいのか？」を見抜く力が、以前よりも大事になってるんですよ。

そこで、このシリーズでは、論文の読み方と限界をチェックし、最終的にはネットの健康情報を鵜呑みにせず、自分の生活にどう使うかを判断する能力を鍛えていきます。では、はじめましょうー。

AI時代に必要なのは、「情報を集める力」より「見抜く力」である

「コーヒーを飲む人は長生きする！」
「筋トレをする人は死亡リスクが低い！」
「寝る前のスマホは睡眠を破壊する！」
「朝食を抜く人は太りやすい！」

みたいな研究紹介を、毎日のように目にする昨今でございます。特に近年はAIのおかげで、このようなニュースを要約したり、関連論文を探したり、実生活への応用まで聞いたりするのが、かなり簡単になってますな。

で、こういう話を見ると、つい私たちは「なるほど、コーヒーは体にいいのか！」とか「やっぱり筋トレは最強だな！」みたいに、すぐ生活に落とし込みたくなるんですよね。もちろん、それ自体が悪いわけではなくて、科学の知見を日常に使うのは大事だし、私もそのために論文を読んでいるところがありますし。

しかも、いまはAIのおかげで、論文の要約や解説も一瞬で出てくる時代です。昔なら、英語論文を読むだけでひと苦労だったのが、いまでは「この研究の結論を3行でまとめて」と頼めば、それなりの答えがすぐ返ってきますからね。いい時代になったもんです。

ただ、ここにはいくつか注意点があるんですよね。

まず大事なのは、AIが本当に論文の全文を読んでいるとは限らないってとこです。論文には有料で全文を読めないものも多く、その場合、AIはタイトルや抄録、あるいは外部サイトの要約だけをもとに説明するんですよ。

でもって、その抄録自体も、著者による「公式の要約」ではあるものの、研究の魅力が伝わるように多少強めに書かれていることがめっちゃあったりします。つまり、もともと少し盛られた可能性のある要約を、AIがさらに短くまとめることで、研究の限界や細かい条件がますます見えにくくなることは多いんですよ。実際、「そうやって書かれたんだろうなー」と思うニュースを見かけることが増えましたからねぇ。

これに加えてAIには、実際には論文に書かれていないことを、それっぽく補ってしまったり、研究デザインを取り違えたり、効果の大きさを過大に表現してしまうって問題も残っております（だいぶ減ったけど）。

つまり、AI要約は便利ではあるものの、

• 全文ではなく、抄録だけをもとにしているかもしれない
• 抄録そのものが、著者にとって都合よく要約されているかもしれない
• AIが内容を取り違えたり、存在しない情報を補っているかもしれない
• 有料論文の場合、細かい方法や限界が反映されていないかもしれない

というリスクは依然として残ってるんですよ。その結果として、

• AIが要約してくれるほど、私たちは“結論だけ”を受け取りやすくなる

という問題が、昔よりも大きくなってる感じだったりします。

確かに、AIに論文を読ませれば、「この研究では○○が示されました」ときれいにまとめてくれるんだけど、研究の価値ってのは、最後に書かれた結論だけじゃ決まらないんですよね。むしろ大事なのは、その結論が、

• どんな研究デザインから出たものなのか？
• どんな人を対象にしたのか？
• 何をどう測ったのか？
• どれくらいの差があったのか？
• どんな限界があるのか？
• 自分の生活にどこまで当てはめていいのか？

という部分でありましょう。ここを見ないまま「研究でわかったらしい」と受け取ると、情報が増えるほど判断を間違えやすくなるという、本末転倒なことになっちゃうので注意したいっすね。

AI時代に必要なのは、情報を集める力だけではない

振り返ってみれば、昔は専門的な情報にアクセスするだけでも大変なもんでした。論文を探すにはデータベースを使う必要がありましたし、英語を読むのも大変。専門用語も多いし、統計もわからんしで、「研究を読む」という行為そのものにかなりのハードルがあったんですよね。

ところが、いまは状況が変わりまして、AIに聞けば、論文の要約、研究デザイン、結果、限界、実生活への応用まで、かなりのスピードで整理してくれます。もちろん間違いも多少はあるんだけど、少なくとも「情報を集める」コストは大きく下がりました。

ただし、ここで誤解してはいけないのは、「情報を集める力が不要になったわけではない」という点でしょう。むしろ、AI時代だからこそ、「どんな情報を集めるべきか」「どこを疑うべきか」「AIの答えが妥当かどうか」を判断するための基礎知識が、前よりも重要になってるんですよね。

たとえば、AIが「この研究では、コーヒー摂取と死亡リスク低下の関連が示されました」と要約してくれたとします。ここで人間側に最低限の知識がないと、「関連がある」と「原因である」の違いを見落としちゃうでしょう。

また、研究デザインの違いを知らなければ、それが横断研究なのか、コホート研究なのか、ランダム化比較試験なのかも判断できないはず。同じように、サンプルサイズや測定方法の意味がわからなければ、その結果がどれくらい強いのかも見えないでしょう。

つまり、AIが情報を整理してくれるようになったからこそ、人間側には、整理された情報を評価するための土台が必要になるんですよ。いわゆる「ドメイン知識」ってやつですね。

「いや、わからないことは全部AIに聞けばいいのでは？」と思う人もいるかもですが、実は良い質問をAIに投げるためにも、最低限のドメイン知識は欠かせなかったりします。いくつか例を挙げると、