データが『幽霊化』する瞬間

『データの孤児化』って、単にデータが失われるってことじゃなくて、引用される番号だけが一人歩きする状態のこと？

そうですね。「失われる」と「孤児化」は微妙に違うんです。 失われたなら、そこで終わる。だけど孤児化は、親元データが消えたのに、子どもの数字だけが遺伝していく状態。最初の文献で「3件」と書かれた番号が、次の研究者に引き継がれ、その次の人にも。各段階で誰も「これ、元々どこから来た数字？」と確認しない。やがて15件まで膨らんでいる。 怖いのは、孤児化したデータって、一度引用されると『検証済みの数字』に見えてしまうことです。複数の文献に出てきたら、なおさら。実は全部が同じ親玉から流れ出た誤りなのに、反復されるたびに重みを増していく。 統計ソフトも計測機器も検出できない理由がここにある。数字そのものは「正確に記録されている」から。問題は系統の中にあるのであって、個々のデータポイントではないんです。 研究の透明性ってデータの正確さだけじゃなく、『そのデータがどこから来たのか』という系統図まで含めて保持することが大事なのかもしれません。

医学論文とか、ニュースの根拠として『研究によると〜件の患者が』みたいに数字が引用されてることあるけど、その元の文献が実は存在しないかもってこと？

その可能性は、実際にあるってことですね。記事で描かれた現象は、データそのものの喪失ではなく、参照チェーンの途中で「元の文献」だけが取り残される仕組みです。つまり、最初の研究者が「患者15件」と報告したなら、その論文から引用する次の研究者は「先行研究によると15件」と書く。それがさらに引用されると「3つの先行研究で確認された現象」という形で数字だけが増幅される。元の論文にたどり着こうとしても、デジタル化されてなかったり、誤った参考文献表記が引き継がれたりすれば、孤児化していく。ニュース記事の「研究によると」も同じ構図で、取材記者が一次論文を読まずに、二次引用から引っ張ることもあります。怖いのは、統計ソフトも査読者も「その数字は元の文献から来た」という形式だけは見えるので、中身の検証を飛ばしてしまう点。実証研究の信頼性が、実は参照チェーンの透明性に左右されるという構造的な問題を、この記事は暴いてるように見えます。

なぜこんなことが起きてるの？デジタル化が進んでも、むしろ昔の論文ほど見つけにくくなってるのかな？

デジタル化って、実は「昔の紙を画像にスキャンして保存する」という受動的な作業なんですよね。一方で学術データは、参考文献として「引用される」ことで初めて生き残るシステムになっている。つまり誰かが「この論文から引用しました」と明示しないかぎり、元の論文は図書館の奥底にあろうがサーバの深いディレクトリにあろうが、同じように「見つけられない状態」が続く。 むしろデジタル化が進んだからこそ、参照構造が複雑になった側面もあります。昔なら図書館の書架を物理的に辿ることで、周辺の論文にも目が届いた。いまは検索で直接たどり着くか、引用リンクを辿るかのどちらかになって、「存在するが誰にも参照されない論文」が増えている。 最悪のシナリオが記事の事例です。元の文献の著者や出版社が入れ替わったり、データベースの構造が変わったりすると、引用チェーンの起点が宙ぶらりんになってしまう。データは存在するのに、それを「産み出した親玉」を誰も遡れなくなる。デジタル化は保存効率は上げたけど、むしろ「参照可能性の脆弱さ」を高めてしまったのかもしれません。

これって『データは数字として完璧でも、その出処の信憑性が検証できない限り、その数字自体が信頼できない』という構造的な問題なの？

その通りなのですが、もう一段階手前の問題でもありますね。この事例が示しているのは、数字そのものは「正確に記録されている」けれど、その数字が何を数えたのかという意図や文脈が失われているということです。 15件という記録は存在し、計算ミスもないかもしれない。でも「なぜ15なのか」を説明できる親文献がなくなると、後続の研究者たちは15という数字だけを見て「これは事実らしい」と思い込んでしまう。数字の信憑性ではなく、数字の「意味」が検証不可能になるわけです。 つまり、データベースに記録されたデータと、それを生み出した原文献は別物。前者は永遠に生き残るけど、後者が消えると、数字は孤立した化石になってしまう。スプレッドシートには完璧に並んでいるのに、その隣に「これはこういう定義で数えたもの」という注釈が失われている状態です。 こういう『幽霊化』を防ぐには、データそのものの正確性チェックでは足りなくて、「このデータは何のためにどう数えたのか」という由来までセットで保管する仕組みが要るということなのかもしれません。

検証できなくなった元の文献をそのまま引き継ぐ研究者たちって、知らずに誤った数字を広めてることになるけど、その責任は誰にあるんだろう？

責任を「誰のもの」と一点に絞るのは、実は難しいのかもしれません。なぜなら、研究の引用という行為自体が、元の文献を読まずに前の論文の記述を信頼する構造になってるから。研究者は時間の制約の中で、信頼できそうな先行研究の数字をそのまま使う。それが積み重なると、誤った数字は「引用の連鎖」という堤防を越えて、検証困難なまでに拡散してしまう。記事の例では、元の文献が散文で記述されていただけで、デジタル化も目録化もされなかった。つまり、誰も意図的に誤った数字を広めたわけではなく、むしろ記録の仕組みそのものに脆さがあったんですよね。個々の研究者に完全な責任を問うより、引用チェーンを透明にする仕組みや、元の文献へのアクセス保証を整備する側の責任が、ここでは大きく浮かぶ気がします。データが親文献から切り離されて『幽霊化』する隙間を、制度で埋める。それが問われているのかもしれません。