地学系の業績ってどうなってるのだろう？という思い

【イントロ】
　「自分の分野にだけ閉じこもってタコツボ化してはいけない」とは、学問だけでなく様々な分野において言われることだと思います。新しいアイデアは様々な既知のアイデアの組み合わせから生み出されるため、色々な分野の情報を積極的に取り入れていくのは大事な事です[1]。これまでの記事では固体物性に関わる雑誌や研究者の業績について調べてきましたが、はたして他の分野の業績はどうなっているのだろうと思い、調査を行ってみることにしました。
　調査対象となりうる分野は天文や素粒子、数学から、化学、生物まで幅広くありますが、友人からの依頼もあり対象分野は地学分野とすることにしました。地学分野を専門とする大型の研究施設で、年報から業績をまとまった形で確認できるという点から、東京大学地震研究所[2]の研究業績を調査してみることにしました。

【方法】
　調査対象は、東大地震研の2014～2016年度の年報に記載されている、助教(JK)の研究業績としました。確認したのは論文数、出版論文のImpact Factor(IF)です。プロシーディングはカウントの対象外としました。論文の見落としはないように確認しましたが、数え落としの可能性はゼロにできないので、今回の調査結果は下限値であるという認識です。また、実際は一人非JKが含まれていますが、そのラベルは秘密です。
　(余談１)調査してみて面白かったのは、「地震」研という名前からは思いつかないほど多様な研究分野があることでした。地球計測、地震予知、火山噴火といった地震関係から、海半球観測、巨大地震津波といった海洋系、それらをカバーする観測機器、また数理系や高エネルギー系といったちょっと地震との直接のつながりをイメージできない分野まで多様な分野をカバーしている研究所であるということが調べてみてわかりました（おもしろかった）。
　(余談２)Geophys. Res. Lett.[3]やJ. Geophys. Res.[4]といった固体物性では出てこない雑誌に掲載されている論文が多く、世の中にある論文誌の多様性に驚かされました。その分、知らない雑誌のIFの確認に骨が折れました。。。

【結果】
　図1に論文出版数、図2に合計IF、図3に平均IF、そして図4にJK指数(1st論文数x3pt＋2nd論文数x2pt＋3rd以降論文数x1pt)を示します。

図1　2014-2016の合計出版論文数

図2　2014-2016の合計IF

図3　2014-2016の平均IF

図4　2014-2016のJK指数

　調査してみて感じたのは、出版雑誌のIFの高さです。固体物性分野でよく論文が掲載されるJPSJ(IF=1.585)[5]やPRB(3.664)[6]と比較して、地学分野ではGeophys. Res. Lett(4.99）やJ. Geophys. Res.(3.318)といったIFが高めの論文に掲載される比率が多いことが見て取れました。「固体物性の方がIF高いのでは？」と勝手に思っていた先入観を恥じるばかりです。結果として地震研JK全体の平均IFは3.6、旧帝国大学所属の固体物性系JKの平均IFは4.2でほぼ同じといえる結果となりました。
　2014-2016年の平均出版数は約4本で、固体物性(2015-2017/5)の約5本と比較するとほぼ同じか、年平均1本程度少ない模様です。地球といった実験室内でコントールすることが難しい対象を扱っている以上、起こりうる差であると思えます。

【まとめ】
　今回、地学分野の研究業績を調査してみて学んだことは、おもに2つありました。１つ目は分野が違えばその数だけ研究対象がありその数だけ論文雑誌もあるということです。自分野だけを考えていると思いつかないような研究対象が存在することを、忘れてはいけないと思いました。２つ目は、固体物性と地学といった違う分野でも、JKの論文の生産性や研究のインパクトはほとんど同じということでした。日夜世界の謎に真摯に向き合い研究を進めると自然と同じアクテビティに到達するということなのかなと思った深夜でした。

【参考文献】
[１]、ジェームス W.ヤング、アイデアのつくり方
[２]、東京大学地震研究所 http://www.eri.u-tokyo.ac.jp/
[３]、Geophysical Research Letters
[４]、Journal of Geophysical Research
[５]、Journal of the Physical Society of Japan
[６]、Physical Review B

コメント

コメントを投稿

このブログの人気の投稿

交代磁性があるのかないのかどっちなんだい！～RuO2の場合～

イメージ
 【イントロ】 博士「はぁ～交代じゃ、交代じゃ」 学生「どうしたんですか？キャバクラですか？」 博士「違う違う違う違う今日は違う！交代は交代でも、交代磁性のことを調べておったんじゃ」 学生「交代磁性？」 博士「なんじゃ知らんのか？交代磁性とは、強磁性と反強磁性に次ぐ第三の磁性として最近発見された、新しい磁気状態のことなんじゃ。」 学生「知ってますよ、 Šmejkal（流暢な発音）が提案 してるやつでしょ？強磁性体のようにバンド構造にスピン分裂が生じるけれど、反強磁性体のようにNetの磁性はゼロとなっている、副格子間の反強磁性状態と解釈できる磁性体のことですよね。」 博士「そうじゃ、Šmejkal（流暢な発音）達の提案が大きなきっかけとなった研究分野じゃな。なんじゃ、知っとるじゃないか」 学生「当然です。中学入試程度です。交代磁性って、 MnTe や CrSb 、それに RuO2 で確立された概念じゃないんですか？」 よく見ると(b)がない（ 引用元 ） 博士「 どこ中出身 じゃ。。。うむ、それらの物質でARPESが行われ、交代磁性の特徴の1つであるバンド構造の巨大なスピン分裂が観測されて Nature や PRB に報告されるなど研究が加熱しておる。」 学生「ならいいんじゃないですか？流行物質どんとこい。ビッグウェーブに乗って論文を量産するタイミングですよ。h-index稼ぎましょう」 博士「しかし、そのうちの１つ、RuO2が実は交代磁性体ではなく、非磁性体なのではないかという報告がなされ議論を呼んでおるのじゃ。」 学生「どういうことですか？？？RuO2は 異常ホール効果 が見えたり、 REX（共鳴弾性X線散乱） や 中性子散乱実験 で反強磁性秩序がすでに観測されたんじゃないんですか？？？陰謀ですか？？？？」 博士「それでは今回は、独ヴュルツブルク大学のPhilipp Keßler博士らによる論文、 Philipp Keßler, et al. , Absence of magnetic order in RuO2: insights from μSR spectroscopy and neutron diffraction , arXiv:2405.10820 を読んでいくかのお」 学生「Absence論文、盛り上がるやつですね」 【どんな実験したの？】
続きを読む

狂気！室温超伝導体は脳内にあった！！！

イメージ
 【イントロ】 博士「これはすごい・・・これはすごいぞ！！！」 学生「どうしたんですか？自分の愚かさのことですか？」 博士「そうではない！ワシは出会ったんじゃ！科学史上最高の論文に！」 学生「どんな論文ですか一体」 博士「なんと 室温超伝導体 が見つかったという話じゃ！」 学生「え！室温超伝導体といえば、室温で電気抵抗がゼロになる物質で、世界を支えるエレクトロニクスに不可避なエネルギーの散逸、発熱の問題を一気に解決し、 世界のエネルギー問題を救うキーテクノロジーになる物質 じゃないですか！」 博士「その通りじゃ！」 学生「気になってきました、早く教えて下さい、その論文！」 博士「うむ…驚くなよ、なんと、 生物の脳の中では超伝導状態が実現しておる のじゃ！！！」 学生「・・・」 博士「ふふふ、あまりの衝撃に言葉もないようじゃな。」 学生「あの」 博士「では、今回は、 P. Mikheenko, Possible Superconductivity in the Brain , Journal of Superconductivity and Novel Magnetism, 2018, No 5, p. 1121-1134 （ Arxiv版 ） を読んでいくぞい！」 学生「帰っていいですか？」 【論文誌がすごい！】 博士「まずは、この論文のなにが凄いかといえば、査読を通って論文誌に掲載されておるのじゃ」 学生「ほんとですよ、どうなってんですか」 博士「そして、掲載された Journal of Superconductivity and Novel Magnetismの2022年度のImpact Factor は1.8なんじゃ。これがどういうことかわかるか？」 学生「そ、それは日本の物理学会が発行するJournal of the Physical Society of Japan、いわゆる JPSJのImpact Factor 、1.7を超えています・・・！」 博士「そうじゃな、つまり論文誌としての影響力としてはJPSJよりも大きな雑誌に掲載された論文ということじゃ」 学生「JPSJもっとがんばってくださいよ」 博士「しかもこの論文は8回も引用されておる」 学生「 みなしPRL じゃないですか・・・」 博士「これだけで如何にこの論文が本物であるか納得してもらえ
続きを読む

まだ最小二乗法で消耗してるの？ ～Passing Bablok法について～

イメージ
【イントロ】 与えられたデータの傾向を見る、つまり回帰分析の一つとして、直線でフィッティングする方法が挙げられます。 ココで問題となるのが、「どうやって直線の傾き(と切片)を求めるか」という点です。 代表的な方法が最小二乗法です。目的の直線を $y=ax$ と仮定します。データ点$y$と求めたい直線との差の二乗を誤差として、すべての点に対する誤差の和を最小化する傾き$a$を求める方法です。 具体的には誤差の和を $E=\sum_{i=1}^{n}(y_i－ax_i)^2$ とすると、$a$について最小値が欲しいので、 $\frac{\partial E}{\partial a}=0$ となる$a$を求めれば良いです。整理すると、 $a=\frac{\sum_{i=1}^{n}(x_i－x_{average})(y_i－y_{average})}{\sum_{i=1}^{n}(x-x_{average})^2}$ となります。 　最小二乗法は直観的にもちょうどよい直線を見つけてくれそうで、最強の方法に見えます。しかし、 いくつかの課題 があります。まず一つが、外れ値に弱いという点です。えっちですね。つまり、ノイズ等の影響でデータ点の集合から大きくハズレた点が存在すると、その点に引きずられて傾き$a$が大きく変化してしまうという点です。 　また、別の問題として、最小二乗法は暗にデータが正規分布に従った誤差を持つことを仮定している点が挙げられます。今回最小化すべき誤差をデータ点と直線の差の二乗和として与えましたが、これはデータ点の周りに分散一定の誤差が正規分布している場合に導かれる最尤推定解と対応しています。詳細は PRML を参照。 さて、それではこうした最小二乗法の呪縛から解き放たれた、 回帰モデルは存在するでしょうか？そうしたモデルとしては 主成分分析 等があります 本記事では、そうした手法の中でもノンパラメトリック回帰モデルの一つである”Passing-Bablok法”について、 原論文 に従った解説とPythonでの実装に取り組みました。 【方法】 Passing-Bablok法はその名の通り、PassingとBablok(PB)により提案された、一次の比例関係を比較するノンパラメトリック回
続きを読む