【論文執筆のためのAI活用術】最新AIで叶える「説得力のあるDiscussion」 - 「Methodsの違い」から深める、先行研究との比較 - vol.15

【論文執筆のためのAI活用術】最新AIで叶える「説得力のあるDiscussion」 - 「Methodsの違い」から深める、先行研究との比較 - vol.15

2026.05.05

Discussionは論文のIMRaD構造の中でも複雑なセクションです。中でも「話をどう展開しようか…」と迷いやすいのが、先行研究との結果を比較するパートです。

先行研究の結果と「一致した」「一致しなかった」と書くこと自体は難しくありませんが、それだけでは議論が深まらず、読み手を納得させる考察にはなりません。

Discussionでは結果や結論の相違だけでなく、研究デザインや対象集団といった「Methodsの違い」にも目を向ける必要があります。この視点があってはじめて、結果が異なるとき「なぜ違うのか」を論理的に説明でき、Discussionの考察に深みが生まれます。

本記事では、Discussionの中心パートである先行研究における結果との比較を、AIを使って効率的に整理する方法を解説します。自分の論文原稿と先行研究のPDFをAIに読ませるだけで、「Methodsのどこが違うのか」→「結果は一致しているのか」という流れを一度に整理できます。

mMEDICI Library | ひらけ、叡智の扉

叡智の扉を、全ての人が開けるように——。

学びは、限られた豊かな人々だけの特権ではありません。

経済的困難に直面する人、地方で学習資源に恵まれない人、家事や育児・仕事に追われる人。

mMEDICI Libraryではそんな人々にこそ、最高の学びを届けるため、研究・キャリア・学習・受験のあらゆるテーマでパブリックヘルスの叡智を集めました。

隙間時間にスマホひとつで、誰もが「一流の知」に触れることを叶えていきます。

「ここを開けば、誰しもが悩みを解決できる」、そんなメディアを目指します。

mMEDICI Library | ひらけ、叡智の扉
この記事のまとめ
この記事を読むと分かること
この記事は誰に向けて書かれているか
論文執筆のためのAI活用術シリーズ
執筆者の紹介
編集者
監修者
まずはDiscussionの構成をおさえよう
先行研究との比較では「Methodsの違い」に目を向ける
AIで「Methodsの比較→結果の比較」を一度に整理する
準備するもの
プロンプト：Methodsの相違点を踏まえた結果比較
出力例（抜粋）
AIの出力をDiscussion本文に落とし込む例
まとめ
医学研究を学ぶならオンラインスクールmJOHNSNOW
講座紹介｜新時代の統計解析　AIコーディング講座
【YouTubeラジオコンテンツ　耳から学ぶシリーズ】

この記事のまとめ

この記事を読むと分かること

Discussionの基本構成と、各パートの役割
先行研究との比較で「結果」だけでなく「Methods」の違いに注目すべき理由
AIを使って論文原稿と先行研究の方法・結果を構造的に比較する方法

この記事は誰に向けて書かれているか

初めての原著論文で、Discussionの書き方に不安がある方
Discussionを書き始めたものの、途中で手が止まってしまう方
先行研究との比較が「一致した／一致しなかった」の一言で終わってしまい、考察に深みが出ない方

論文執筆のためのAI活用術シリーズ

vol.1：最新AIで書く「論理的なIntroduction」作成ガイド
vol.2：最新AIで書く「国際ガイドライン準拠のMethods」そのまま使えるプロンプトで簡単作成!!
vol.3：最新AIで書く「図で魅せるResults」手書きメモが一瞬で図に!!
vol.4：最新AIで書く「明快なDiscussion」リミテーションにおけるバイアスの整理方法
vol.5：最新AIで書く「投稿規定に沿った論文」確認作業をAIで時短!!
vol.6：最新AIで叶える「スマートな文献検索」最短ステップ
vol.7：最新AIで書く「Methodsの難所：統計解析パート」攻略方法
vol.8：最新AIで叶える「効率的なResults執筆術」図表から一瞬で文章生成する方法
vol.9：最新AIで「Discussionの“Spin”」を回避せよ！ - そのまま使えるプロンプトで“言い過ぎ表現”を徹底対策
vol.10：最新AIで叶える「効率的な略語チェック」 - 簡単フローで「略語のミス」を回避せよ
vol.11：最新AIで書く「査読者も納得のIntroduction」 - 重要論文の「引用漏れ」を徹底チェック
vol.12：最新AIで書く「説得力のあるIntroduction」- AIを頼りになる“辛口レビュアー”に
vol.13：最新AIで叶える「Methods執筆の最短ルート」-簡単２ステップで、ガイドライン準拠のMethods作成
vol.14：最新AIで叶える「簡単３ステップのデザインダイアグラム作成」 - そのまま使えるプロンプト付き
vol.15：最新AIで叶える「説得力のあるDiscussion」 - 「Methodsの違い」から深める、先行研究との比較（本記事）

執筆者の紹介

氏名：わたヤク（SNSアカウント名）
所属：大学勤務
自己紹介：大学の研究推進センターに勤務する薬学博士。様々な臨床研究のデザインや統計解析に携わる。筆頭論文が国際的ながんサポーティブケア学会のガイドラインに引用され、自らもシステマティックレビュー委員としてガイドライン作成に携わるなど、研究活動や社会活動も積極的に行っている。その専門知識を活かし、臨床研究におけるAI活用の情報をSNSやブログで積極的に発信。𝕏アカウントは開設から約11ヵ月で10,000フォロワーを突破し、noteも約8ヵ月で1600フォロワー突破。AIと研究を繋ぐ第一人者として、ｍJOHNSNOWのセミナー講師も務める。
𝕏：https://x.com/ai_biostat
AI医療統計（ブログ）：https://ai-biostat.com/
Note：https://note.com/ai_biostat

編集者

氏名：菊池祐介
所属：mMEDICI株式会社
専門性：作業療法学修士。首都大学東京（現東京都立大学）・東京都立大学大学院を卒業後、病院勤務を経て専門学校・私立大学にて作業療法教育、地域共生社会の醸成に向けたリハビリテーション専門職の支援に関する研究に従事。現在は心身の健康とその人らしさの実現に向け、保険内外でのクライアント支援を展開している。作業療法の社会的意義向上を信念に、mMEDICI株式会社に参画。

監修者

氏名：廣瀬直紀
所属：mMEDICI株式会社
専門性：保健学博士・公衆衛生学修士。東京大学・東京大学大学院を卒業後、外資系製薬企業の日本・グローバルにおいて疫学専門家として薬剤疫学・リアルワールドデータ研究に従事。その後、全ての人がアクセス可能な一流の知のプラットフォームを作り、「知に繁栄を、辺野に豊穣を」実現すべく、mMEDICI株式会社を創業。

まずはDiscussionの構成をおさえよう

Discussionでは、Resultsで示したデータを 言葉による解釈 へと昇華させ、読者をConclusionへ導く役割を担います。

まずDiscussion全体の構成を確認しておきましょう。Discussionのどの部分を書いているのかを意識することで、各パートに求められる役割が明確になり、迷いが減ります。

典型的なDiscussionは、次のパートで構成されます。

①主要な結果の要約（Statement of major findings）
Discussionの冒頭では、研究で得られた最も重要な結果を簡潔に述べます。具体的な数値を並べるのではなく、「この研究で何が分かったのか」を端的に文章で伝えるパートです。Introductionで提示したリサーチクエスチョンを再提示したうえで、それに直結する結果にフォーカスすると、読者が論文の文脈を思い出しやすくなります。

②先行研究との比較（Comparison with relevant literature）
Discussionのメインパートです。既存の知見に対して、自分の結果がどう位置づけられるかを明らかにします。自分の結果が先行研究と一致するのか、矛盾するのかを示し、矛盾がある場合はなぜそのような結果が得られたのかを、先行研究の知見も踏まえて論理的に解釈します。

本記事では、このパートにおけるAI活用法をご紹介します。

③含意（Implications）
結果の解釈を一歩広げ、自分の研究が誰に、どのような影響を与えるのかを述べます。一般化可能性や臨床的な応用可能性、今後の研究の方向性を提案するパートです。研究の強みや新奇性にも触れつつ、結果から論理的に導ける範囲で記述します。

④研究の限界（Limitations）
研究の内的妥当性や一般化可能性に影響しうる方法論上の制約を述べます。各種バイアス、統計学的な問題、対象集団の限定などが該当します。

⑤結論（Conclusions）
研究の主要な知見を簡潔にまとめ、最も重要な含意を述べます。Discussionの最後のパラグラフとして書く場合と独立したセクションにする場合があるため、投稿規定を確認しましょう。結論は目的および結果と一貫していることが大切です。

これらはあくまで典型的な構成であり、各パートが独立した段落になるとは限りません。実際には複数の機能が一つのパラグラフの中で重なることもあります。大切なのは、それぞれの役割を理解したうえで、必要な内容をカバーすることです。

Discussionの書き方全般についてはこちらの記事で詳しく解説しています。

先行研究との比較では「Methodsの違い」に目を向ける

Discussionのメインパートである「②先行研究との比較」では、自分の結果と先行研究の結果を比較しながら議論を展開します。自分の結果をより確かに裏づけられるか、予想外の結果が出た時に他の研究がその理由を考えるヒントになるか。こうした視点で先行研究を読み解いていきます。

ここで重要になるのが、結果や結論を比べるだけでなく、「Methodsの相違点」を押さえること です。

対象患者の年齢層、アウトカムの定義、曝露の定義、追跡期間。こうしたMethodsの設計が異なれば、類似した研究テーマでも結果が異なるのは自然なことです。

つまり「Methodsの相違点」は、結果を比較する上で重要な示唆を与えてくれます。

先行研究との比較で注目するポイントの一例

研究デザイン（RCT、コホート、ケースコントロールなど）
組み入れ・除外基準
曝露/介入の定義
アウトカムの定義・測定方法
観察期間・測定時点
共変量調整の有無や調整に使った変数
欠測値の取り扱い

AIで「Methodsの比較→結果の比較」を一度に整理する

AIに論文原稿と先行研究のPDFの両方を読ませれば、「Methodsの違いの特定→結果の比較」という流れを一度に整理できます。

準備するもの

執筆中の論文原稿
最低限MethodsとResultsが書かれていること。ドラフト段階で構いませんが、研究デザイン・対象患者・曝露/介入・アウトカムの定義・主要な結果が読み取れる状態であることが必要です。
先行研究のPDF
雑誌のWebサイトからダウンロードしたもので問題ありません。
生成AIツール
※本記事ではChatGPTのGPT-5.4（Extended）Thinkingを使用

プロンプト：Methodsの相違点を踏まえた結果比較

論文原稿のファイルと先行研究のPDFをアップロードし、次のプロンプトを入力します。

## タスク
添付した論文を読み、Methodsの相違点を踏まえた上で、結果の比較を行ってください。 

## 出力形式 
以下の2つのセクションで出力してください。 

### Methodsの比較 
- 項目ごとに箇条書きで比較する 
- 結果の解釈に影響しうる相違点に絞る（両研究で同一の項目は省略可） 

### 結果の比較 
- 主要なアウトカムごとに箇条書きで比較する 
- 各項目に一致/部分的一致/不一致を明示する 
- 効果量や統計値は両研究の数値を併記する 

## 制約条件 
- 両文書に記載されている情報のみを使う。記載がない情報は「記載なし」とする 
- 効果量は原文の数値をそのまま転記する（四捨五入や変換をしない）

ポイントは、出力形式で「Methodsの比較」と「結果の比較」の２セクション構成を明示していることです。タスクの指示に加えて出力形式を指定することで「まずMethodsの違いを洗い出し、次に結果を比較する」という論理的な順序を強制することができます。

先行研究が複数ある場合
論文原稿と一緒に複数のPDFをまとめてアップロードし、同じプロンプトで同時に比較させることも可能です。

ただし、PDFの数が多すぎるとAIの読み取り精度や回答の質が下がる可能性があるため、１回のプロンプトでは２〜５本程度にとどめておくのが安全です。それ以上の本数を比較したい場合は、数回のチャットに分けてプロンプトを実行することも考慮しましょう。

出力例（抜粋）

例として、がん薬物療法中の好中球減少と全生存期間に関する架空の研究で使用した場合の出力イメージを示します。この例では研究Aが執筆中の原稿、研究Bが先行研究にあたります。

■ Methodsの比較 

好中球減少の定義・分類が異なる 
研究Aは「初回サイクルにおけるgrade ２以上の好中球減少症の発現」を全生存期間との関連で評価しています。一方、研究Bは好中球減少をabsent（grade 0）／mild（grade 1–2）／severe（grade ３–４）の３群に分け、治療中に観察された最大グレードで分類しています。したがって、両研究の「曝露群」は同一ではなく、研究Aは早期発現例に限定しているのに対し、研究Bは治療経過中のより広い発現を含みます。 

統計解析の深さが異なる 

研究AはCox比例ハザード回帰分析による多変量解析を行い、調整後ハザード比と95%信頼区間を提示しています。一方、研究Bはカプランマイヤー曲線＋ログランク検定による単変量解析が中心です。 

■ 結果の比較 

重度好中球減少と全生存期間の関連：不一致 

研究A： 
初回サイクルでのgrade ２以上の好中球減少症の発現と全生存期間との関連について、年齢・全身状態などの予後因子を調整した多変量解析の結果、統計的に有意な関連はみられませんでした（調整後ハザード比 0.92、95%信頼区間 0.61–1.39、p = 0.69）。 

研究B： 
absentグループ 142日（95%信頼区間 81–203）、mildグループ 201日（95%信頼区間 118–284）、severeグループ 318日（95%信頼区間 214–422）で、ログランク検定ではp = 0.028でした。 

不一致の主因として、Methodsで述べた好中球減少の定義の違い（研究Aは初回サイクルのみ、研究Bは治療中の最大グレード）と、統計解析の深さの違い（多変量解析 vs 単変量解析のみ）が考えられます。

このように、結果の一致・不一致に加えて、「Methodsの相違点」まで整理してくれるため、Discussionを組み立てる土台になります。

ただし、AIが出力した箇条書きの比較はあくまで素材です。先行研究と比較してどう考察するかは、その分野の知識に基づいて研究者自身が判断する必要があります。

また、AIの出力には読み取りエラーが含まれる可能性があります。効果量や信頼区間などの数値は、必ず原著と照合してください。

AIの出力をDiscussion本文に落とし込む例

ここでは先ほどの出力例を参考に、Discussionのパラグラフに落とし込んだイメージを示します。

本研究では、初回サイクルにおけるgrade ２以上の好中球減少症の発現と全生存期間との関連について、年齢や全身状態などの予後因子を調整したCox比例ハザード回帰による多変量解析を行ったが、両者の間に統計的に有意な関連は認められなかった（調整後ハザード比0.92、95%信頼区間0.61–1.39、p=0.69）。

これに対し、先行研究では、治療期間全体で観察された最大グレードに基づき好中球減少をabsent / mild（grade １–２）/ severe（grade ３–４）の３群に分類しており、グレードが高い群ほど全生存期間が長いことが報告されている（生存期間中央値はabsent 142日、mild 201日、severe 318日；ログランク検定 p=0.028）。

こうした結果の違いは、曝露の定義・評価期間と解析手法の違いによって一部説明できる可能性がある。先行研究では治療期間全体を通じた最大グレードを曝露と定義しているため、治療を長期に継続できた症例ほど重度の好中球減少を発現する機会が多くなり、結果として曝露群に予後良好な症例が選択的に集まりやすい。

このことが、好中球減少と生存との見かけ上の正の関連を強調した一因と考えられる。加えて、本研究では予後因子を共変量に加えた多変量解析を用いており、交絡因子の影響を調整したことで先行研究で観察された関連が本研究では認められなかった可能性がある。

このパラグラフは

自分の結果と先行研究の結果を並べて比較する
原因として考えられるMethodsの要素を具体的に指摘する
結果の方向性にどう影響しうるかまで解釈する

という順序で考察を組み立てています。

このようにMethodsの相違点を起点に議論を組み立てることで、「一致した／一致しなかった」で終わらない、もう一歩踏み込んだDiscussionになります。AIが整理した比較を出発点にすることで、白紙から書き始めるよりも短時間で考察の骨格ができるはずです。

まとめ

本記事では、Discussionの中心パートである「先行研究との結果比較」を、AIで効率的に整理する方法を紹介しました。

研究の設計、例えば対象患者の年齢層、曝露やアウトカムの定義、追跡期間、統計解析の手法などが異なれば、類似したテーマでも結果が異なるのは自然なことです。だからこそ、「結果が一致した／一致しなかった」と書くだけでなく、その背景にあるMethodsの相違点に目を向ける必要があります。

今回ご紹介したAI活用法では、「Methodsの相違点の特定→結果の比較」という流れを一度のプロンプトで整理できます。Discussionの執筆で手が止まりがちな段階でも、AIが整理した情報を土台にすれば、議論の方向性を見定めやすくなるはずです。

ただし、AIの出力はあくまでも考察を深めるための壁打ち材料です。効果量や信頼区間などの数値は必ず原著と照合し、相違点をどう解釈して考察に落とし込むかは、その分野の知識をもつ研究者自身が判断してください。

情報の整理はAIに任せ、研究者にしかできない解釈にこそ時間とエネルギーを注ぐ。ぜひ今回のプロンプトを、その第一歩として活用してみてください。

医学研究を学ぶならオンラインスクールmJOHNSNOW

この記事を読み、「もっと研究や論文執筆でAIを活用したい！」と思われた方もいらっしゃるでしょう。

そんな方には弊社が運営するオンラインスクールmJOHNSNOWがお勧めです。

mJOHNSNOWはスペシャリストが運営する臨床研究・パブリックヘルスに特化した日本最大規模の入会審査制オンラインスクールです。運営・フェローの専門は疫学、生物統計学、リアルワールドデータ、臨床、企業など多岐に渡り、東大、京大、ハーバード、ジョンスホプキンス、LSHTMなど世界のトップスクールの卒業生も集まっています。

「AIコーディング講座」をはじめ、専門性を伸ばすためのコンテンツが目白押しです！

詳細を見る

講座紹介｜新時代の統計解析　AIコーディング講座

「コードを一つも書かずに解析をやり遂げる」世界を目指して、CursorなどのAIエディタの基礎知識の習得や、AIエディタを使った基本的な統計解析技術を習得していきます。さらに発展編として、因果推論の手法（IPW とParametric g-formula）に加え、AIで解析を自動化（以下、AI駆動解析）する方法を学びます。連載「医療職・研究者のためのAI論文執筆術シリーズ」の著者渡邊大地先生が講師を務め、AIコーディングの基礎から実践までやさしく解説します。

詳細を見る