論文構成要素に着目した

2018

論文構成要素に着目した 学術論文閲覧支援に関する研究

Study on Academic Paper Browsing Support Focusing on Its Components

提出日：2019年

1

30

システムデザイン専攻 情報通信システム学域

高間研究室

学修番号:17890524 氏名：高木陽介 指導教員：高間 康史 教授

要旨

本論文では，学術論文を構成する要素に着目した学術論文閲覧支援手法を提案し，ユーザ実 験によりその有効性を示す．

通常，論文を閲覧する際は，どの文が論文の内容を知る上で重要な情報なのかわからない状態 で読み始める．そのため，多数の論文のサーベイを行う場合，必要な情報が含まれている文とそう でない文を見分けながら，論文を閲覧することになる．しかし，重要な情報が含まれている文を見 分けることは，論文サーベイの経験が浅い人にとって容易ではない．また，論文サーベイ経験があ る程度あったとしても，周辺分野の場合は重要な情報を見分けることは難しくなる．そのため，論文 を閲覧する際に，重要な情報が含まれている文を見分ける作業を支援できれば，論文のサーベイ の効率化に貢献することが期待できる．

従来の論文閲覧支援に関する研究では，専門用語の補足情報を表示する機能や，論文全体の 中で重要な単語を可視化する機能など，単語単位で閲覧支援を行う研究がほとんどであった．こ れらの研究は，サーベイを行う上で支障となる未知語の理解を支援することにより，論文閲覧の効 率化を実現している．しかし，重要な情報の判別については利用者自身に任せているため，短時 間で多数の論文のサーベイを行う場合には適していない．そのため，論文から重要な情報を効率 的に読み取るためには，論文全体の構成を踏まえた文単位での閲覧支援が必要となる．

提案手法では，論文全体を構成する上で必要な情報を「構成要素」と定義し，各構成要素文を 可視化することで，論文の閲覧支援を行う．例えば序論の場合，研究背景・先行研究・課題・研究 内容（目的）が構成要素となる．各構成要素文を一目で読み取ることができれば，論文から重要な 情報を効率的に読み取ることが可能となる．

各構成要素文を可視化するためには，どの文がどの構成要素に該当するのか特定する必要が ある．そこで本研究では，決まった構成で書かれやすい序論と結論から各構成要素文を特定する 手法として，特徴的表現を用いた手法と，SVM による判定手法を提案する．特徴的表現を用いた 手法では，既存の論文を分析して各構成要素内に出現する特徴的表現を収集し，これに基づい て各構成要素文を特定する．SVM による判定手法では，特徴的表現を用いた手法で特定した各 構成要素文を学習データとして，Support Vector Machine （SVM）を用いて各構成要素文を判定 する分類モデルを構築する．また，一般論として，人手による判定手法は適合率が高いものの再 現率が低く，分類モデルを用いた判定手法は再現率が高いが適合率が低い傾向にある．そこで，

両者を統合したハイブリッド型の特定手法も提案する．

序論や結論と異なり，本論は文数が多い上に，著者や研究内容による書き方の違いが大きいこ とが想定されるため，構成要素別ではなく，重要文のみを可視化する手法が有効と考える．そこで，

本論や実験章内の重要文を可視化するために，類似度によって重要文を特定する手法を提案す る．序論の研究内容文や結論の研究成果文は論文の中で特に重要な文であり，本論にも同様な 内容の文が書かれていることが多い．そこで本論文では序論の研究内容文や結論の研究成果文 との類似度が高い文を重要文として特定する．

具体的には，実験章を除く本論から，研究内容に関する特徴的表現が含まれている文を研究内 容文として特定し，それらの文の中で序論の研究内容文との類似度が最も高い文を重要文として 特定する．また，実験章からは結論の研究成果文との類似度が最も高い文を重要文として特定す る．序論・結論だけでなく本論でも重要な文を可視化することで，本論で読むべき文を効率的に発 見可能になることが期待できる．

提案手法に基づき論文閲覧支援システムを実装する．本システムでは序論・結論の各構成要素 文，および本論内の研究内容文や重要な研究内容文・研究成果文を可視化する．また，論文サー ベイを行うことを想定したキーワード検索機能や，先行研究や当該研究の課題に該当する文のみ を可視化する機能を実装する．

本論文は

5

1

2

3

SVM

4

5

概要

本研究では，論文全体を構成する上で必要な情報を「構成要素」と定義し，各構成要素文 を可視化することで，論文の閲覧支援を行う手法を提案する．多数の論文を調査する場合，

重要な情報が含まれている文を見分けながら，論文を閲覧することになる．従来の論文閲覧 支援に関する研究では，専門用語の補足情報を表示する支援など，単語単位での閲覧支援を 行うものが多いが，重要な情報の判別については利用者自身に任せているため，短時間で多数 の論文を調査する場合には適していない．そこで，提案手法では，各構成要素文を可視化する ことで，重要な情報を効率的に判別するための支援を行う．序論・結論から各構成要素文を 可視化するために必要な特定手法として，特徴的表現を用いた特定手法と学習による判定 手法を提案し，両手法を統合したハイブリッド型特定手法を提案する．特徴的表現を用いた 特定手法では，既存の論文を分析して各構成要素内に出現する特徴的表現を収集し，これに 基づいて各構成要素文を特定する．

SVM

SVM

Abstract

This paper proposes a method to support browsing of academic papers by focusing on its components. When we survey many papers，it is necessary to distinguish important sentences from others. To support such browsing activities，previous studies have focused on a browsing support on the basis of words. However， these studies are not suitable for investigating many papers in a short time

The proposed method helps users to distinguish important sentences by visualizing sentences which correspond to important components of a paper such as background and problem. To identify the sentences corresponding to the components of an introduction and conclusion，this paper proposes a method using characteristic expression and that using SVM. A hybrid method integrating both methods is also proposed. The characteristics and effectiveness of the proposed methods are examined through experiments using a set of papers published by Japanese academic societies.

The prototype of the proposed browsing support system is implemented，of which the effectiveness

is shown through experiments with test participants.

目次

第

1

第

2

2.1

2.1.1

2.1.2

2.2

2.3

第

3

3.1

3.1.1

3.1.2 SVM

3.1.3

3.2

3.2.1

3.2.2 SVM

3.2.3

3.3

3.3.1

3.3.2 SVM

3.3.3

3.4

第

4

4.1

4.2

4.2.1

4.2.2

4.2.3

4.3

4.3.1

4.3.2

4.3.3

第

5

参考文献 ... 124

1

第

1

本論文では，学術論文を構成する要素に着目した学術論文閲覧支援手法を提案し，ユーザ実 験によりその有効性を示す．

通常，論文を閲覧する際は，どの文が論文の内容を知る上で重要な情報なのかわからない状態 で読み始める．そのため，多数の論文のサーベイを行う場合，必要な情報が含まれている文とそう でない文を見分けながら，論文を閲覧することになる．しかし，重要な情報が含まれている文を見 分けることは，論文サーベイの経験が浅い人にとって容易ではない．また，論文サーベイ経験があ る程度あったとしても，周辺分野の場合は重要な情報を見分けることは難しくなる．そのため，論文 を閲覧する際に，重要な情報が含まれている文を見分ける作業を支援できれば，論文のサーベイ の効率化に貢献することが期待できる．

従来の論文閲覧支援に関する研究には，単語単位で閲覧支援を行うものが多い．例えば，阿

辺川ら[

1 ]は，論文内に書かれている専門用語を検出して，用語の意味などの補足情報を表示す

る論文閲覧ソフトを開発しており，前野ら[

2 ]は重要語を識別し，読んでいるページごとに重要語を

Web

[3]

提案手法では，論文の構成において主要な役割を果たす情報を「構成要素」と定義し，その情 報が書かれている文を「構成要素文」と定義する．各構成要素文を可視化することで，論文の閲覧 支援を行う．例えば序論の場合，研究背景・先行研究・課題・研究内容（目的）が構成要素となる．

各構成要素文を一目で読み取ることができれば，論文から重要な情報を効率的に読み取ることが 可能となる．

各構成要素文を可視化するためには，どの文がどの構成要素に該当するのか特定する必要が ある．そこで本研究では，決まった構成で書かれやすい序論と結論から各構成要素文を特定する 手法として，特徴的表現を用いた手法と，SVM による判定手法を提案する．特徴的表現を用いた 手法では，既存の論文を分析して各構成要素内に出現する特徴的表現を収集し，これに基づい て各構成要素文を特定する．SVM による判定手法では，特徴的表現を用いた手法で特定した各 構成要素文を学習データとして，Support Vector Machine（SVM）を用いて各構成要素文を判定す る分類モデルを構築する．また，一般論として，人手による判定手法は適合率が高いものの再現 率が低く，分類モデルを用いた判定手法は再現率が高いが適合率が低い傾向にある．そこで，両 者を統合したハイブリッド型の特定手法も提案する．

序論や結論と異なり，本論は文数が多い上に，著者や研究内容による書き方の違いが大きいこ

2

とが想定されるため，構成要素別ではなく，重要文のみを可視化する手法が有効と考える．そこで，

本論や実験章内の重要文を可視化するために，類似度によって重要文を特定する手法を提案す る．序論の研究内容文や結論の研究成果文は論文の中で特に重要な文であり，本論にも同様な 内容の文が書かれていることが多い．そこで本論文では序論の研究内容文や結論の研究成果文 との類似度が高い文を重要文として特定する．

具体的には，本論を実験章とそれ以外に分類し，実験章以外から，研究内容に関する特徴的 表現が含まれている文を研究内容文として特定し，それらの文の中で序論の研究内容文との類似 度が最も高い文を重要文として特定する．また，実験章からは結論の研究成果文との類似度が最 も高い文を重要文として特定する．序論・結論だけでなく本論でも重要な文を可視化することで，

本論で読むべき文を効率的に発見可能になることが期待できる．

提案手法に基づき論文閲覧支援システムを実装する．本システムでは序論・結論の各構成要素 文，および本論内の研究内容文や重要な研究内容文・研究成果文を可視化する．また，論文サー ベイを行うことを想定したキーワード検索機能や，先行研究や当該研究の課題に該当する文のみ を可視化する機能を実装する．提案システムの有効性を検証するため，論文から

5

アンケートの結果に基づいて，提案システムが有効であった実験協力者を分析した結果，じっくり 読む傾向にある実験協力者には有効ではなく，飛ばし読みする傾向にある実験協力者には有効 であることがわかった．

本論文は

5

SVM

3

第

2

2.1

研究に取り組む時，あるいは研究成果をまとめるときに自分の研究分野における関連研 究を調べる必要がある．しかし，多数の論文を短時間で調査したい時に，特定の情報や重要 な文だけを読み取ることは研究経験が浅い場合，困難である．これまでに，文章を効率よく 読むことを支援する研究が行われている．また，研究者にとって論文中の研究内容や実験情 報など重要な情報をまとめることは，研究内容の整理や比較に必要不可欠である．

文書から構成要素文を特定する手法のアプローチとして，

2.1.1

2.1.2

2.1.1

論文から特定の情報を特定する研究として問題文や実験情報を対象にした研究が挙げら れる．倉本ら

[4]

2004

2006

52

2-1

2.1

図

2-1

表

2.1

52

4

この手掛かり語の集合の中から，問題文と非問題文を分別する上で最良の手掛かり語の 組み合わせを求めている．評価方法としては，手掛かり語の抽出元であった論文

52

15

7~13

酒井ら

[5]

SVM

2004

~2011

42912

300

3

1353

文に対して課題文か非課題文であるかを判定し，

2

SVM

4548

53

[

]

徴語上位

53

TF-IDF

3

証する実験を

10-

4548

F

0.93

53

0.19

TF-IDF

53

0.67

全ての単語を用いた時が最も分類性能に優れていることことが示されている．また，「全 ての単語」においてどの単語が

SVM

論文から実験情報を特定する研究としては，平井ら

[6]

PDF

pdf2xml

XML

3

生命科学分野において，論文から特定の情報を抽出する研究としては，

Blaschke

頻出する化学物質の組み合わせをまとめたデータベースを構築している．処理の手順とし

1

http://soueceforge.net/projects/pdf2xml

5

ては，最初に化学物質を一つ選び，人手で関連するアブストラクトを収集する．次にアブス ト ラ ク ト 集 合 か ら タ ー ゲ ッ ト と な る 化 学 物 質 と 反 応 を 表 現 す る

14

（例

.”acetylate”,”activate”,”bind”

文をさらに断片に分割した後で，

2

Angrosh[8]

には，引用の有無と文に表れるキーワードやフレーズに基づいて引用文を自動分類した．分 類結果をトレーニングデータとして

CRF(Conditional Random Field)

10-

96.51%

論文以外の文書から特定の情報を抽出する研究としては，特許文書を対象にした研究な どが挙げられる．

Nonaka

[9]

:

:

Hirokawa

[10]

ストラップ法

[11]

4024

2

評価文書から評価表現が含まれている文を抽出する手法として，

Taboada

[12]

2/3

6

2.1.3

論文から各構成要素文を特定する研究として，論文概要を対象にした研究やアブストラ クトを対象にした研究が挙げられる．

廣川ら

[13]

6

SVM

2004

2011

300

3

2

SVM

N

2

徳永ら

[14]

の

3

岡田ら

[15]

2.2

表

2.2

表に示されている「検出に役立つ単語」を手掛かりに，記載必要項目に該当する文を 検出し，一つも書かれていない論文を記載必要項目が欠落している論文として検出してい る．また，「比較」，「問題点」，「目的」，「例」に該当する文を検出する実験を行った結 果，「例」の検出精度が他よりも高かったことを示している．

佐波ら[16]は，序論を「目的」「問題点」「背景」「手法」「必要条件」の

5

7

に分類し，各構成要素文を特定する手法を提案している．特定手法として，各構成要素の 手がかり語を用いている．例えば，「目的」の手がかり語として，「本稿では」「本研究で は」，問題点の手がかり語として「困難である」「問題となっている」を挙げている．評価 実験の結果，「背景」と「手法」の適合率と再現率が低いことが示されており，その原因 として他の構成要素と比べて，さまざな表現が用いられていることが示されている．ま た，手法の再現率が低い原因については，「まず」「次に」「最後に」などではじまる複数 の文で構成されていることが多いことが挙げられている．「背景」に該当する文について は，序論の最初に記述されていることが多いことから，手がかり表現と文の位置を組み合 わせることで性能向上の可能性があることを示唆している．

SHIN

[17]

4

SVM

TF-IDF

2.3

4

表

2.3

[?]

8

2.2

近年，タブレット端末や電子書籍閲覧端末が普及し，論文閲覧を紙ではなく電子端末上で 行う機会が増加した．電子端末上で論文を閲覧する機会が増えたことにより，論文閲覧の効 率化を目的とした論文閲覧支援システムがこれまで数多く開発されている．

鉢木ら

[18]

OCR

TF

IDF

Wikipedia

Web

Web

Web

前野ら

[2]

PDF

Web

[18]

OCR

PDF

携帯電子端末を想定した閲覧支援を行っている点である．重要語は「形態素

1-gram

2-gram

解説ページは

Wikipedia

Weblio

Google

Wikipedia

Google

Weblio

している．

谷尻ら[19]らは論文から抽出した重要語と著者キーワードを

word2vec

節ごとに重要語を可視化する支援を提案している．論文から節タイトルを全て抽出し，各節 タイトルの間に書かれている文章を節として識別している．節タイトルは対象テキストの フォントサイズが，1 つ前に抽出したテキストのフォントサイズより大きく，「0 から

9

INTRODUCTION）を抽出する．word2vec

ドとの類似度が大きい重要語を抽出している．

村田ら[3]は，教師あり機械学習を用いて自然言語処理の分野の論文アブストラクトから 重要な情報として「精度表現」「主要な分野」「言語名」「組織・人名」を自動的に抽出し て可視化する方法を構築している．情報処理学会の自然言語処理研究会で発表された論文

619

SVM

2-2

9

術の精度がどれくらいであるのかを認識するのに役立ち，同様に主要な分野として強調表 示されている表現を見ることで，閲覧論文の分野を即座に認識できる．

図

2-2

[?]

阿辺川ら

[1]

Web

Web

2-3

図

2-3

10

2.3

一般的に，研究者は多くの時間を関連研究のサーベイに費やしており，自分の専門分野と 関連する分野の論文を日々サーベイすることで，自分の研究の現状を理解していく．そのた め，論文をサーベイすることは，研究活動を行う上で欠かせない行動であるが，研究活動を 始めたばかりの学生は，専門的な知識が少ないためサーベイに慣れておらず，非効率なサー ベイを行ってしまうため時間を多く費やしてしまう傾向にある．そのため，研究初心者を対 象にした論文サーベイ支援に関する研究がこれまで数多く行われている．

西村ら

[20]

2-4

.

図

2-4

操作方法としては，図

2-4

林ら[21]は，論文の作成プロセスにおいて論文を引用した際に取得されるメタデータ

（引用アノテーション）を利用することで，サーベイ支援を行うシステムを提案してい る．提案されているシステムは，Webアプリケーションとして，不特定多数のユーザが利

11

用することが想定されている．論文執筆をシステム上で行うことを前提に，ある文におい て論文を引用する際に，引用先の論文と参照箇所を入力する．その際に，引用元論文内の 参照文，引用先論文内の被参照文といった情報が含まれた引用アノテーションが生成され る．サーベイを行う時に，引用アノテーションを用いることで，ある分野において重要と される論文を閲覧した場合，「この論文のこの箇所を引用して書かれた論文がある」とい う情報が論文のメタデータとしてユーザに掲示され，その論文の引用目的を閲覧できる．

大多数の研究者が提案されたシステムを利用することで，実用的なサーベイ支援が実現で きると思われる．

加藤ら

[22]

1200

1

井上ら

[23]

Sugiyama

ている．具体的には，ユーザが過去に発表した論文の引用・被引用文献からユーザの興味 がある論文のデータベースを構築し，全体の論文データベースの中から類似度が高い論文 を抽出して推薦している．

12

第

3

本研究の目的は，論文内の各構成要素文を可視化することで，論文の閲覧支援を行うこと である．しかし，各構成要素文を可視化するためには，どの文がどの構成要素に該当するの か特定する必要がある．そこで本章では，学術論文の構成を序論・本論・結論とし，それぞ れ各構成要素文を特定する手法について提案する．決まった構成で書かれやすい序論と結 論については特徴的表現を用いた手法と SVM を用いた手法を提案し，それらを組み合わ せたハイブリッド型の手法を提案する．本論については類似度に基づいた特定手法を提案 する．その上で，本章ではこれらの提案手法について評価実験を行い，各手法の特性や有効 性について考察する．

3.1 提案手法

本節では，序論と結論の各構成要素文を特定する手法について説明する．序論と結論の 構成要素は以下の通りとする，

序論：研究背景・先行研究・課題・研究内容・研究目的 結論：研究内容・研究成果・考察・今後の課題

これらの構成要素を特定するために，特徴的表現を用いた手法と

SVM

3.1.1

本手法では，論文を分析して各構成要素内に頻出する特徴的表現を収集し，これに基づい て各構成要素文を特定する．

文献[26]では，学術論文の文体的特徴として文頭・文末表現に特有の表現が表れやすいと している．そこで本研究では「特徴的文頭表現」と「特徴的文末表現」の

2

特徴的文頭・文末表現の代表的な例として，課題文の場合，「しかし」や「難しい」が [5]，

研究内容文の場合，「本研究では」や「提案する」が挙げられる[16]． 論文における表現と して確立しているものは多数の論文に用いられているとの想定に基づき，既存の論文で頻 出している文頭・文末表現から抽出する．

文献[26]では，学術論文・新聞・日記の中で頻出している文頭・文末表現を分析している．

その結果，新聞・日記に関しては頻出文末表現の文書集合中での出現割合が頻出文頭表現よ りも高いのに対し，学術論文は頻出文頭表現の方が高い傾向にあることが示されている．そ のため，文末表現の場合は，出現頻度だけでなく，他の要素も考慮した上で抽出する必要が あると考える．特徴的文末表現の抽出に関連して，文献[27]では論文

100

13

などを示している．このことから，「特定の文頭表現」と「該当文に書かれている文末表現」

は関連性が高いと仮定し，特徴的文頭表現を手掛かりとして，それと共起する傾向が強い文 末表現を収集する．

以上を踏まえ，特徴的表現を抽出する手順を図

3-1

図

3-1

提案手法では，最初に既存の論文から序論又は結論文のみを手作業で抽出し，各文の中で 頻出している文頭・文末表現を抽出する．そして，その中から各構成要素と関連性の高い文 頭・文末表現を選別して，特徴的表現として登録する．このとき，「この表現が含まれてい れば特定の構成要素に該当していると判断できる」ものを特徴的表現として抽出するため，

過去の文献において，手掛かり語としての記載がされているかどうかについても登録の際 の判断基準の一つとする．

次に①で抽出した序論/結論文から特徴的文頭表現が含まれている文を抽出し，その中で 頻出している文末表現を抽出する．最後に抽出した文末表現と特徴的文頭表現の共起率を 計算し，共起率が一定値を上回っていた場合，その文末表現を特徴的文末表現として登録す る．共起率の求め方については，

3.2.1.3

図

3-2

14

もしいずれの構成要素の特徴的表現も対象文に含まれていない場合，「該当なし」と判定 される．しかし特徴的表現を含んでいない場合でも，文の位置により役割が決まる場合があ るため文の出現位置により該当なしでも特定の構成要素と判定する．序論の

1

1

[16]

1

2

図

3-2

図

3-3

接続詞・指示語を用いて特定する手法の適用例を図

3-3

そこで，「この」や「これ」などの指示語が含まれていれば，前の文と同じ構成要素と判 定する．図

3-3

1

1文目 しかしどの論文作成支援システムも細かいミスを指摘するものがほとんどであった。

2文目 これらのシステムは，論文作成経験がある理工系の学生には有効にはあるが，論理的な 文章の執筆方法がわからない理工系の学生相手には有効ではない。

15

である課題と特定することができる．このようにすることで特徴的表現を手掛かりとした 手法の判定結果を拡張し，より多くの文の構成要素を特定することができるようになる．

表

3.1

[28]

2

[28]

[29]

4

本手法ではこの

4

表

3.1

3.1.2 SVM

本手法では，構成要素特定の再現率を向上させることを目的に，

SVM

SVM

LIBSVM

SVM

10

2-gram

各構成要素で頻出している素性ベクトルのみを学習用の素性ベクトルとして用いる．具 体的には各構成要素の文ごとに素性ベクトルに変換し，その中で頻出しているものだけを 抽出する．そして，それぞれ上位数十個の表現のみを全体の素性ベクトルとして扱う．本研 究では，序論と結論それぞれで

10-分割交差検証によって，最も分類性能が高い素性ベクト

2

https://www.csie.ntu.edu.tw/~cjlin/libsvm/

指 示 語 こ の こ れ そ の そ れ ま た さ ら に 更 に そ し て つ ま り 特 に 次 に 例 え ば 接 続 詞

16

3.1.3

ハイブリッド型特定手法では，特徴的表現を用いた特定手法と

SVM

3-4

図

3-4

3.1.1

るため，適合率が高いことが期待されるが，その反面，再現率が低くなることが予想される．

一方，機械学習を用いた手法の場合は，特徴的表現よりも多様な素性を用いて学習している ため，前者の手法に比べて再現率が高くなることが期待できる．このことから，本特定手法 では特徴的表現に基づく特定手法の判定結果を優先して用いる．もし対象文に特徴的表現 が含まれていない（該当する構成要素なし）と判定された場合，

SVM

SVM

17

3.2

本節では

3.1

3.2.1

を示す．

3.2.2

SVM

的には，

3.2.1

上で，それらの文を元に最も分類性能が高い素性ベクトルを

10-

る．

3.2.3

SVM

3

を目的に，言語処理学会の論文の序論を対象とした評価実験を行い，各手法の特性や有効性 について考察する．また，提案手法で特定できなかった文の例を挙げて，その原因と改善案 について述べる．

3.2.1

本項では特徴的表現を用いた特定手法を序論に適用した結果を示す．最初に収集対象と なった論文を示し，それらの論文の序論において頻出する文頭・文末表現を示す．次に特徴 的文末表現を求める上で用いる共起率について説明し，特徴的文頭表現との共起率が高い 文末表現を示す．さらに，手作業によって抽出した特徴的表現を示した上で，抽出した全て の特徴的表現を示す．

3.2.1.1

収集対象論文は，言語処理学会年次大会の発表予稿と電子情報通信学会の論文誌の中 から選定する．本研究では，この

2

5

表

3.2

3.3

3.4

3.3

B）を示しており，表 3.4

D）の論文を示している．情報通信分野と情報システム分野を

4

11.2

電子情報通信学会の論文のページ数はおおよそ

8

16

文数は

17～20

論文の収集については，言語処理学会から着手し，収集開始時（2016 年）にテキストデ ータとして入手可能であった

2004

2016

2007

2013

2017

18

2014

2

表

3.2

表

3.3

表

3.4

発表年 論文数 序論文数 平均文数

2004 135 1421 10.53 2005 251 2635 10.50 2006 223 2292 10.28 2007 233 2361 10.13 2008 145 1644 11.34 2009 195 2175 11.15 2010 217 2638 12.16 2011 252 2959 11.74 2012 286 3120 10.91 2013 204 2440 11.96 2014 205 2483 12.11 2015 226 2690 11.90 2016 250 2750 11.00

2822 31608 11.21

発表年 巻(号) 論文数 序論文数 平均文数

2007 J90

B 87 1528 17.56 2008 J91‐B 134 2424 18.09 2009 J92‐B 143 2826 19.76 2010 J93‐B 113 2102 18.60 2011 J94‐B 102 1987 19.48 2012 J95‐B 118 2070 17.54

2013 J96‐B 92 1731 18.82

789 14668 18.59

発表年 巻(号) 論文数 序論文数 平均文数

2013 J96

D 135 2708 20.06

2014 J97‐D 57 1142 20.04

192 3850 20.05