大学の論文データベース、統一されていない理由

『リポジトリ』って、図書館が持ってる本の目録みたいなもの？それとも論文そのもの？

論文そのものと、その情報両方を保管する場所だと考えるといいかもしれません。 リポジトリの中には、PDFなどの論文ファイル本体と、それに付属するメタデータ（著者名、発表年、分野など）が一緒に入っています。図書館の本の目録とは違って、目録だけじゃなく、本そのものもそこに格納されてる。だから「論文を探す」と「論文を読む」がリポジトリの中で完結するわけです。 ただし全ての論文がPDF化されてるわけじゃなくて、メタデータだけの場合もあります。著作権の関係で、テキスト本体は置けず、「こういう論文がここにあります」という情報だけリポジトリに入ってることもある。その点では、目録に近い側面もあるんです。 記事で言う「片方のデータベースには載っていても、もう片方には載ってない」というズレも、こうした保管方式や登録ルールの違いから生まれてる。論文という同じモノを扱ってるはずなのに、どこまでの情報を、どの形式で記録するのかが統一されていないのが、現状の困った点なのかもしれません。

論文を書いた研究者って、自分の論文がどこに載ってるのか、きちんと把握してないってこと？

研究者本人がすべてを把握してないというより、仕組みが複雑すぎるんです。 論文が完成したら、研究者が直接、自分の大学のリポジトリにアップロードすることもあれば、図書館スタッフに預けることもある。査読誌なら出版社が関わるし、プレプリント版もあれば最終版もある。さらに OpenAIRE のような上位のデータベースには、自動で集約される場合と、そうでない場合がある。 つまり、一つの論文が複数のルートで複数の場所に入ることになるんです。研究者は「大学に預ければ世界で見つかるはず」と思ってても、実際には漏れ落ちたり、別バージョンとして重複したりしてる。本人は気づかないまま進む。 困るのは、引用したい他の研究者たち。同じ論文が「複数の別論文」として登録されていたら、引用数がばらける。あるいは、データベースに載ってないと、その論文自体が存在しないと思われてしまう。世界に発表した論文なのに、検索の網からこぼれ落ちる可能性がある、ということです。研究者が怠けてるのではなく、データを統一する側の仕組みが不十分なのかもしれません。

OpenAIRE みたいな共有データベースが作られたのに、なぜ各大学のデータベースと統一されないまま今まで来たの？

データベースというのは、つくられた時代背景に大きく左右されるんですよね。OpenAIRE は 2000 年代後半の比較的新しい取り組みですが、各大学のリポジトリはそれより前から、独立して構築されていた。つまり統一されていないのではなく「統一される前に両方が存在してしまった」という順序の問題かもしれません。 さらに言えば、大学側にも OpenAIRE 側にも、わざわざ統一に向かう強いインセンティブがなかった可能性がある。大学のリポジトリは「自分たちの誇りある研究を地元で管理したい」という思いがあるし、OpenAIRE は「各機関が自分たちのデータを提供してくれればいい」という緩やかな仕組みで動いている。完全に統一するなら、どちらかが主導権を握り、入力ルールも判断基準も一から決め直す必要があります。それは労力がかかるし、権力争いにもなりかねない。 だから、現実的には「ゆるく連携する」状態が続いてしまったのだと言えそうです。

これって『分散してる情報を一つに統合しようとしても、一番下の『入力基準』が揃ってないと、どうしてもズレが起きる』よくあるシステムの問題なのかな？

その通りですね。大学の図書館とOpenAIREの関係は、データ統合が直面する根本的な問題を映してるんです。 たとえば、同じ論文を登録するときに、大学Aでは「著者名：山田太郎」と入力し、別の大学Bでは「著者名：Yamada Taro」と入力する。システム側は「あ、別人だ」と判断してしまう。あるいは、その論文がジャーナル版と学位論文版で存在するとき、どちらを「本体」にするか、各図書館の判断が違う。中央のOpenAIREで統一しようとしても、下から上がってくるデータがすでにズレていたら、修正しきれないんです。 これは医療記録、不動産情報、行政データなど、あらゆる大規模データベースで起きてる課題。「上から統一ルールを押しつける」のは難しいんですよ。各大学には事情があるし、システムも古かったり新しかったりする。だから、むしろ「ズレをどう吸収するか」という戦略が、いま注目されてるのかもしれません。論文の世界では、まだそこまで行き着いていないということなんでしょう。

同じ論文が二重登録されるって、検索する側には『どっちが正しいバージョン？』で困ると思うけど、実際には誰が困ってるの？

困ってるのは、実は検索する側というより「その後ろにいる人たち」なのかもしれません。 二重登録そのものは、読者が「あ、同じ論文だ」と気づけば済みます。ただ、困るのは統計や集計をする人たちです。たとえば大学の研究力を測るとき、「この大学の研究者は去年何本論文を出したか」と数えますよね。二重登録されていたら、実績が水増しされてしまう。成果評価やランキング、予算配分の根拠になるデータが狂うわけです。 さらに機械的な処理を想定すると、AI が論文を自動分類したり、引用数を集計したり、トレンド分析したりするとき、同じ論文が「別物」として扱われると結果がめちゃくちゃになります。論文の検索エンジンやレコメンド機能も、重複データがあると精度が落ちる。 つまり「困る」のは、データベースを使って意思決定する側。大学の幹部、研究費の配分担当者、あるいはデータを集約して世界的なトレンドを見ようとする研究者たち。個々の検索ユーザーより、こうした「裏側で統計を取る人たち」の方が、データの質に依存してるという構図なんですよね。地味だけど、そこが機能しないと、研究全体の信頼が揺らぐということかもしれません。