この記事のゴール: 自分の分野での AI 活用事例を知り、よくある失敗を避けられるようになる。
この記事では、どの分野でも共通して使える AI の活用パターン、各研究分野での具体的な事例、そしてよくある失敗とその回避法を紹介します。
どんな分野でも使える 6 つの共通パターン
「自分の分野は特殊だから AI は使えないのでは？」と思われるかもしれませんが、Zheng et al.（2025）では、科学的方法の 6 段階に対応する形で、分野を問わず共通して使える AI の活用パターンが整理されています。これから AI を研究に使い始める方は、パターン 1 から順に試していくのがおすすめです。各パターンが研究のどのフェーズに対応するかは第 7 回で詳しく紹介しています。
パターン 1: 文献レビューと情報収集
最も取りかかりやすいパターンです。「この論文を要約して」「この 5 本の論文の共通点は？」のように、大量の文献の検索・取得・要約を AI に任せられます。プロンプトエンジニアリング（第 3 回）だけで始められ、プログラミングは不要です。
- 始め方: Claude の無料版にアブストラクトを貼り付けて「要約して」と聞くだけ
- ステップアップ: 論文 PDF を RAG に登録すれば、自分の論文コレクション全体に対する Q&A が可能に
- 注意: AI が挙げる文献は必ず学術データベースで実在を確認してください（第 1 回参照）
パターン 2: アイデア出しと仮説生成
「この研究テーマで見落としている視点はないか」「この仮説に対する反論を 3 つ挙げて」のように、AI をブレインストーミングの相手にできます。一人では気づきにくい切り口が見つかることがあります。
- 始め方: 研究テーマを AI に説明し「未探索の切り口を 5 つ提案して」と聞く
- ステップアップ: 複数の AI モデルに同じ質問を投げ、異なる視点を収集する
- 注意: AI のアイデアはあくまで出発点。独創性の判断と仮説の選択は研究者自身が行いましょう
パターン 3: 実験計画とコード生成
「この実験デザインで必要なサンプルサイズを見積もって」「この処理を Python で書いて」のように、実験の設計や計算コードの生成を支援してもらえます。
- 始め方: 実験条件を AI に説明し「検出力分析の R コードを書いて」と指示
- ステップアップ: AI コード生成（第 6 回）で前処理パイプラインを構築
- 注意: 生成されたコードは小さなデータで必ず検算してください（第 9 回参照）
パターン 4: データ分析と整理
AI コード生成で「このアンケートデータの集計とグラフ作成をして」のように指示するだけで、分析コードや図表を生成できます。
- 始め方: CSV データを AI に渡し「基本統計量を算出してグラフにして」と指示
- ステップアップ: ベイズ階層モデルや機械学習モデルのコード生成にも活用可能
- 注意: AI が生成した分析結果は、一部を手計算で検算する習慣をつけましょう
パターン 5: 結論の検証と考察の深化
「この結果から導ける結論を 3 つ挙げて、それぞれの限界も示して」のように、AI に分析結果のレビューを依頼できます。自分の解釈を補強する視点や見落としの発見に役立ちます。
- 始め方: 分析結果を AI に見せて「この結果の別の解釈はあるか？」と聞く
- ステップアップ: 「この仮説に対する最も強い反論を挙げて」で批判的検討を促す
- 注意: 確証バイアス（第 11 回参照）に注意し、AI に反論も求めましょう
パターン 6: 論文執筆の反復的改善
「この文章をもっと論理的にして」「英語として自然な表現に直して」のように、文章の推敲を繰り返すことで質を高められます。
- 始め方: 下書きを AI に渡し「学術論文にふさわしい表現に校正して」と指示
- ステップアップ: 「審査員の視点でこの論文の弱点を指摘して」でセルフレビュー
- 注意: AI 利用の開示ルール（第 12 回）を必ず確認してください
分野別の事例紹介
AI の活用はもはや情報科学だけの話ではありません。化学では AI が自律的に合成実験を行い、経済学では日本銀行が AI シミュレーションを実施し、人文学では物語分析の時間を大幅に短縮しています。
「自分の分野では AI がどう使われているんだろう？」と気になる方のために、主な分野ごとの事例を紹介します。ここに挙げていない分野（法学、看護学、農学、芸術学など）の研究者も、前述の 6 つの共通パターン（パターン 1〜6）はそのまま適用できます。 文献レビュー（パターン 1）やアイデア出し（パターン 2）は分野を問わず有効です。各事例には、第 2 回で紹介した AI の関わり方の 3 段階と技術ステップを付記しています。以下のマトリクスで全体像を把握してください（Zheng et al.（2025）の 3 段階フレームワークと技術分類を参考に著者が構成）。
| 技術の組み合わせ | AI の役割 | できること | 代表的な事例 |
|---|---|---|---|
| 汎用モデル | |||
| プロンプトのみ | 道具 | 文献の要約・校正、コード生成、段階的な分析指示（CoT） | LLM で Stan コード生成、Claude で文献要約 |
| ＋RAG | 道具〜分析者 | 自分の論文に基づく Q&A、文献＋データの横断検索 | Elicit/Consensus、Claude で質的分析 |
| ＋エージェント | 分析者〜科学者 | 複数ステップの自動化、仮説探索・実験計画の自律実行 | AutoClimDS、日銀 LLM エージェント |
| ドメイン特化型モデル | |||
| 単体 | 道具 | 専門用語の分類・抽出、ドメイン固有の Q&A | EconBERT、BirdNET |
| ＋RAG | 分析者 | 専門データに基づく高精度な検索・分析 | AlphaFold 3 Server |
| ＋エージェント | 分析者〜科学者 | 研究サイクルの自律的な実行 | Biomni、MACE-MP-0 |
※ プロンプト（聞き方の工夫）はすべての組み合わせで使用します。エージェントはツールの一つとして RAG を含むことがあります。各カテゴリ内では、上の行ほど始めやすく、下に行くほど高度です。
生命科学・医学
モデル種別: 本セクションの事例は主にドメイン特化型モデル（AlphaFold 3、RFdiffusion 等）の活用が中心です。Biomni は汎用モデル＋エージェントの事例です。
AI for Science が最も活発に進む分野の一つです。研究者が AI を活用してタンパク質の構造予測・設計や創薬プロセスの加速、生物医学データの横断検索を行っている事例を紹介します。
- AI を使った構造予測〈ドメイン特化型モデル〉: 構造生物学の研究者が AlphaFold Server にアミノ酸配列を入力し、タンパク質・薬物・DNA・RNA 間の相互作用を予測。創薬研究の初期段階で候補タンパク質の構造を事前にスクリーニングする用途で活用されています（AlphaFold 3。非商用研究なら1日最大20ジョブまで無料）
- AI を使ったタンパク質設計〈ドメイン特化型モデル〉: ワシントン大学の研究チームが RFdiffusion（拡散モデルベースの設計ツール）を用いて新規タンパク質のバックボーン構造を生成し、ProteinMPNN で配列を最適化するワークフローを確立。RFdiffusion は Google Colab から無料で利用可能で、2025年12月にはDNA結合タンパク質にも対応した RFdiffusion3 がリリースされています
- AI を活用した創薬プロセスの加速〈ドメイン特化型モデル＋エージェント〉: Insilico Medicine の研究チームは、AI を使って標的分子の探索と治療薬の設計を一貫して行い、Rentosertib を Phase IIa 臨床試験まで進めました（2025年6月、Nature Medicine 掲載）。AI が創薬パイプラインの各段階（標的同定→分子設計→最適化）を支援した事例です
- AI エージェントによる生物医学データの横断検索〈汎用モデル＋エージェント〉: スタンフォード大学の研究者が Biomni を使い、150の専門ツールと59のデータベースを横断して遺伝子情報やドラッグリポジショニングの調査を実施。Amazon Bedrock AgentCore を通じてデプロイ
AWS での実現方法
- ゲノムデータに自然言語で問い合わせできる AI アシスタントの構築（Ramadurai et al.（2025））
- 生成 AI を活用した分子設計の候補探索（Ryczko et al.（2024））
- ゲノムデータの保存・分析基盤: AWS HealthOmics
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: 「この疾患に関する最近の治療標的を 5 つ挙げて」のように AI に聞き、返ってきた文献を PubMed で検証する習慣をつけましょう。構造予測が必要なら AlphaFold Server でブラウザから無料で試せます。
物理学・化学
モデル種別: 本セクションの事例は主にドメイン特化型モデル（MatterGen、MACE-MP-0 等）の活用が中心です。
材料科学の研究者が AI を活用して新材料の候補生成や分子動力学シミュレーションを効率化している事例を紹介します。
-
AI を使った目的指向の材料候補生成〈ドメイン特化型モデル〉: MatterGen（Zeni et al.（2025））を使い、研究者が「体積弾性率200 GPa以上」のような目標特性を指定して材料候補を生成。8,000超の候補から計算フィルタリングを経て TaCr₂O₆ の合成に成功。単一 GPU で約1.5分/16構造を生成でき、従来の DFT 計算（数時間〜数日/構造）と比べて桁違いに高速。MIT ライセンスで GitHub に公開
-
追加訓練なしの分子動力学シミュレーション〈ドメイン特化型モデル〉: ケンブリッジ大学が開発した MACE-MP-0 は、約15万の無機結晶構造で訓練された汎用機械学習力場であり、分子・材料・液体・界面・小規模タンパク質まで、追加訓練なしで安定した分子動力学を実行可能。研究者は自身の研究対象の原子座標を入力するだけで、DFT の数百〜数千倍の速度でシミュレーションを実施でき、Python 環境があれば「分析者」レベルから始められます
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: 過去の実験データを AI に渡して「温度・圧力・触媒の組み合わせで最も収率が高い条件を予測して」と指示するだけで、次に試すべき条件の優先順位づけが始められます。
社会科学・人文学
モデル種別: 本セクションの事例は主に汎用モデル（Claude 等）の活用が中心です。プロンプトや RAG の工夫により、ファインチューニングなしで質的分析を実現しています。
大量テキストの分析で AI が大きな効果を発揮しています。質的データの初期コーディングや文献比較の効率化が主な活用法です。
- サウサンプトン大学の事例（質的分析） 〈汎用モデル＋プロンプト〉: 第 1 回でも紹介した事例。138 編の短編小説を LLM で 6 段階のワークフロー（書き起こし→要約→初期コーディング→テーマ探索→テーマ検証→レポート作成）で処理し、人間が 16 週間かけた分析を約 12 時間で完了。データを JSON 形式に構造化した点が精度向上の鍵
- Anthropic 81Kインタビュー事例（大規模分析） 〈汎用モデル＋プロンプト〉: 81,000件のインタビューの横断的分析を実現（企業の事例紹介。学術論文ではない点に留意）
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: 手元の論文5本のアブストラクトを AI に渡して「共通するテーマと相違点を整理して」と聞いてみてください。文献レビューの「たたき台」が数分で得られます。最終的な解釈・理論構築は研究者自身の強みです。
環境科学
モデル種別: AutoClimDS は汎用モデル＋エージェント、BirdNET はドメイン特化型モデルの事例です。
気候データ分析や生態系モニタリングで、研究者が AI を活用して従来は手作業で行っていた分析を効率化している事例を紹介します。
- AI エージェントによる気候データの検索・分析〈汎用モデル＋エージェント〉: コロンビア大学 LEAP Center の研究者が AutoClimDS（AWS共同開発）を使い、自然言語で「Battery Park の1900年以降の海面上昇トレンドを可視化して」と指示するだけで、148万ノードの知識グラフから該当データを検索・分析・可視化。コーディング不要で気候データサイエンスのワークフロー全体を実行可能
- AI を使ったフィールドワークの効率化〈ドメイン特化型モデル〉: 生態系研究者が BirdNET をスマートフォンにインストールし、フィールドで録音するだけで6,000種以上の鳥類を自動識別。市民科学プロジェクトでも広く利用され、無料アプリで即座に始められる
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: フィールドで収集した観測データの CSV を AI に渡して「時系列の異常値を検出して」「季節変動を除いたトレンドを可視化して」と指示するだけで、探索的な分析が始められます。気象データの分析には AWS Open Data Registry で公開されている再予報データも活用できます。
数学・統計学
モデル種別: Lean Copilot はドメイン特化型モデル（Lean 4 向け）、LLM による統計コード生成は汎用モデル（プロンプトのみ）の活用です。
統計モデリングや形式証明の場面で、研究者が AI をコード生成やモデル設計の補助に活用している事例を紹介します。
- AI を使った形式証明の加速〈ドメイン特化型モデル〉: Lean Copilot（Caltech、MIT ライセンス）は、Lean 4 の形式証明環境において LLM が証明ステップの提案・ゴール補完・前提選択を行うコパイロットです。数学者が証明したい命題を Lean 4 で記述すると、AI が次の証明ステップを提案し、平均して証明ステップの 74.2% を自動化します。Lean 4 の基本的な知識があれば「分析者」レベルから利用可能です
- AI による統計モデルのコード生成〈汎用モデル＋プロンプト〉: Stan 開発者の Andrew Gelman のブログ（Statistical Modeling, Causal Inference, and Social Science）では、統計研究者が LLM にベイズ階層モデルの構造を自然言語で記述し、Stan や PyMC のコードを生成させてモデリングの試行錯誤を加速した事例が報告されています。最先端 LLM が測定誤差モデルの周辺化を初回で正確に実行するなど、統計計算の周辺作業を AI に任せることで、研究者はモデルの解釈や理論的検討に集中できます
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: 「この実験デザインに適した統計手法を 3 つ提案して、それぞれの前提条件と R のコードを示して」のように AI に聞くと、手法選択の検討が効率化されます。Amazon Bedrock のプレイグラウンドで複数モデルの回答を比較するのも有効です。生成されたコードは小さなサンプルデータで必ず検算してください。
教育学
モデル種別: 本セクションの事例は主に汎用モデルの活用が中心です。Claude for Education は汎用モデルをそのまま教育場面に適用した事例です。
教育研究者が AI を使ってデータ分析を効率化したり、教育介入の効果検証を行っている事例を紹介します。
- AI チューターの効果を RCT で検証〈汎用モデル＋プロンプト〉: Harvard 大学の研究チームが、物理学入門コースの約1,000名を対象に AI チューターの学習効果を RCT で検証。AI チューター群が能動学習群の約2倍の学習効果を達成したと報告（Chubb et al.（2025））
- AI を使った教育現場の実態調査〈汎用モデル＋プロンプト〉: 米国公立K-12教員2,232名を対象とした調査で、AI を授業準備や教材作成に活用した教員は週あたり約2.9時間の削減を報告（Gallup-Walton Family Foundation, 2025。ただし自己申告値であり、RCT ではない点に留意）
- 教育研究者向けの AI ツール〈汎用モデル＋プロンプト〉: Claude for Education（AWS Marketplace 提供）ではソクラテス式対話の Learning Mode が利用可能で、学習効果の研究にも活用できます
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: 「この 200 件の自由記述から、学生が感じている困難を 5 つのカテゴリに分類して」のように AI に指示すると、質的コーディングの初期段階を効率化できます。Amazon Bedrock のプレイグラウンドや Claude for Education で試せます。
経済学・経営学
モデル種別: 日銀 LLM エージェントと CausalChat は汎用モデル＋エージェント、DoWhy+EconML は汎用的な OSS ライブラリ、EconBERT はドメイン特化型モデルです。
経済学の研究者が AI をシミュレーションや因果推論、テキスト分析に活用している事例を紹介します。
- AI エージェントを使った経済シミュレーション〈汎用モデル＋エージェント〉: 日本銀行の研究チームが、LLM エージェントを経済シミュレーションの「プレイヤー」として活用。従来のルールベース ABM では困難だった経済主体の異質性（各主体が異なる判断基準を持つ状態）のモデリングを実現
- 対話的な因果推論〈汎用モデル＋エージェント〉: CausalChat はユーザーとの会話を LLM プロンプトに変換し、因果関係・潜在変数・交絡因子・媒介変数を特定して因果ネットワークを構築するツールです。ドメイン専門知識がなくても利用可能な点が特徴
- AI を活用した因果推論の効率化〈汎用モデル＋プロンプト〉: 経済学者が DoWhy + EconML を使い、わずか4行のコードで条件付き平均処置効果（CATE）を推定。AI にコード生成を依頼すれば、プログラミングスキルの限られた研究者でも高度な実証分析が可能に
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: 「この CSV データで差分の差分法（DID）を実行して、並行トレンド仮定の検証も含めて」と AI に指示すれば、分析コードが生成されます。テキスト分析には EconBERT 等の特化モデルも活用できます。
情報科学・工学
モデル種別: 本セクションの事例は主に汎用モデルの活用が中心です。AI コーディングツールや文献レビューツールはいずれも汎用 LLM ベースです。
情報科学の研究者が AI を使って実験用プロトタイプの構築やアルゴリズムの再実装、系統的文献レビューを効率化している事例を紹介します。
- AI を使った論文アルゴリズムの再実装〈汎用モデル＋プロンプト〉: 研究者が論文に記載された疑似コードを AI に渡して「Python で実装して、テストケースも作って」と指示し、ベースラインの実装を短時間で取得。再実装にかかる時間を大幅に短縮し、本来のアイデア検証に集中できる
- AI を使った実験コードのリファクタリング〈汎用モデル＋プロンプト〉: 既存の実験コードを AI に渡して「このコードを読みやすくリファクタリングして」「テストを追加して」と指示。ただし 第 6 回のコーディングベンチマーク で示したように初回実行成功率は 20〜40% 台に留まるため、研究コードでは科学的正確性の検証が不可欠
- AI を使った系統的文献レビューの効率化〈汎用モデル＋RAG〉: ASReview（ユトレヒト大学）は系統的レビューのスクリーニング工程にアクティブラーニングを適用したオープンソースツールで、プログラミング不要でブラウザから利用可能。人間がループに入る設計（human-in-the-loop）で最も関連性の高い文献を優先的に提示します
あなたの研究で試すなら〈汎用モデル＋プロンプト〉: AI 生成コードは「下書き」として扱い、必ずレビュー・テストしてください。Amazon Bedrock のプレイグラウンドでも試せます。系統的文献レビューが必要なら ASReview をブラウザから試せます。
AI が研究を自律的に行う最先端事例
第 2 回で紹介した「科学者として使う」段階に対応する、最先端の事例も登場しています。Zheng et al.（2025）では、AI が文献調査から実験設計・論文ドラフトまで自律的に実行するシステム（AI Scientist 等）や、実験プロトコルの生成からロボット実験まで自律的に回すシステム（Robin 等の lab-in-the-loop）が報告されています。これらはまだ研究段階ですが、「AI の限界を押し広げる研究テーマ」として、SPReAD などの研究提案を考える際の参考になります。
失敗から学ぶ教訓
どの分野でも、AI を使い始めると似たような失敗を経験します。以下の 4 つは、AI 初心者が最もよく遭遇するパターンです。事前に知っておくだけで、多くの問題を回避できます。
落とし穴 1: AI が挙げた参考文献をそのまま信じてしまう
どういうこと？ AI に「この研究テーマの参考文献を教えて」と聞くと、タイトル・著者名・雑誌名・年号がすべてもっともらしいのに、実際には存在しない論文を「でっちあげる」ことが頻繁にあります。これは「ハルシネーション（幻覚）」と呼ばれる現象です。
なぜ危険？ Magesh et al.（2024）は、「ハルシネーションフリー」を謳う商用 RAG ツールでも 17〜33% の確率でハルシネーションが発生することを実証しました。さらに、10の商用LLMを対象とした69,557件の引用検証では、引用生成タスクでの捏造率が11.4〜56.8% とモデル・分野・プロンプト設計により大きく変動することが報告されています（arXiv:2603.03299、プレプリント）。つまり、RAG を導入してもハルシネーションは完全には防げません。未検証の AI 生成文献を論文に記載すると、査読での信頼喪失や出版後の撤回につながります。
対策: AI が挙げた文献は、必ず学術データベース（CiNii、PubMed 等）で実在を確認し、要旨（アブストラクト）を読んで内容の妥当性も検証してください。タイトルをそのまま検索するだけで 30 秒程度です。また、RAG や専門検索ツール（Consensus、Elicit 等）を併用すると、引用の信頼性を大幅に向上させることができます。
落とし穴 2: AI の出力が再現できない
どういうこと？ 同じ質問を AI に投げても、モデルのバージョンや設定（temperature 等）が変わると異なる結果が返ります。昨日得られた分析結果を今日再現しようとしても、まったく同じ結果にならないことがあります。
なぜ問題？ 論文に記載した AI を使った分析を第三者が再現できなければ、研究としての信頼性が損なわれます。Zheng et al.（2025）でも、AI のブラックボックス性が科学的検証を困難にする主要な課題の一つとして挙げられています。
対策: モデル名・バージョン（例: anthropic.claude-sonnet-4-6。日付入り ID でバージョンを固定できるモデルもあります）、推論パラメータ（temperature 等）、プロンプト全文を記録しましょう。完全な一致は難しいですが、同一条件での出力の傾向が一致するレベルの再現性は確保できます。詳細は第 13 回の再現性チェックリストを参照してください。
落とし穴 3: いきなり高度な技術に手を出して挫折する
どういうこと？ 「ファインチューニングでドメイン特化 AI を作ろう」「大規模エージェントを構築しよう」と意気込んで始めたものの、GPU 環境の構築やデータの準備に時間を取られ、肝心の研究が進まないケースです。
なぜ起きる？ AI の最先端事例（Coscientist や CellVoyager など）を見ると「自分もやりたい」と思うのは自然ですが、これらは大規模な計算資源と専門チームを前提としています。たとえば Coscientist はパラジウム触媒によるクロスカップリング反応（鈴木反応：2つの有機分子をパラジウム触媒で結合させる化学反応で、医薬品合成などに広く使われている。2010年ノーベル化学賞の受賞対象）の最適化を AI に自律的に行わせたシステムですが、専門的な実験設備と計算資源が前提です。Building effective agents でも「まず聞き方の工夫から」と推奨されています。
対策: 第 2 回のロードマップに沿って、ステップ 1（プロンプトエンジニアリング）から段階的にステップアップしましょう。プロンプトだけでも十分な成果が得られるケースが多いです。
落とし穴 4: AI 生成データで AI を学習させ続けて品質が劣化する（ファインチューニングを行う場合のみ）
※ これはファインチューニングや継続事前学習（第 5 回参照）を行う場合の注意点です。プロンプトエンジニアリングや RAG の利用では発生しません。
どういうこと？ AI が生成したテキストやデータを使って別の AI（または同じ AI）を学習させ、その出力でさらに学習させ…を繰り返すと、生成される内容の品質が次第に劣化していきます。
なぜ起きる？ Shumailov ら（2024）はこの現象を「モデル崩壊」と名付け、Nature で発表しました（Nature News の解説）。AI の出力には微妙な偏りが含まれており、それが世代を重ねるごとに増幅されるのが原因です。UC San Diego/Stanford の研究では、わずか1%の合成データ混入でも崩壊が発生し、「より大きなモデルやより多くのデータを使えば解決するだろう」という直感に反して、規模を拡大しても崩壊は防げないことが示されています。
対策: AI 生成データを使う場合は、元の人間が作ったデータ（オリジナルデータ）を必ず保持しておきましょう。AI の出力を再学習に使う場合は、オリジナルデータと混ぜて使う（置換ではなく追加する）ことで崩壊を緩和できます。
今日から始めるための 3 ステップ
ステップ 1:「道具」レベルから始める。 AlphaFold Server（構造予測）、Claude for Education（AWS Marketplace 経由）、BirdNET（鳥類識別）など、アカウント作成だけで即日利用可能なツールから試しましょう。
ステップ 2: 検証を習慣化する。 LLM の出力は必ず人間が検証します。引用は CiNii や PubMed で確認し、コードはテスト駆動で検証してください。使用モデル・バージョン・プロンプトを記録する運用を最初から始めましょう（第 13 回の再現性チェックリスト参照）。
ステップ 3: 失敗パターンを理解する。 引用捏造率は最大57%に達するとの報告があり（プレプリント）、合成データ1%でもモデル崩壊が発生します。これらの限界を認識した上で、AI を「完璧な助手」ではなく「優秀だが検証が必要なインターン」として活用することが、研究の質を保つ鍵です。
この記事を読んだ後のアクションステップ
- 今日 5 分でできること: 自分の分野の「あなたの研究で試すなら」セクションのプロンプトを 1 つ試す
- 明日までにやること: AI が挙げた文献情報のうち 1 件を学術データベースで実在確認する（落とし穴 1 の習慣化）
- 来週までの目標: 6 つの共通パターンのうち、パターン 1（文献レビュー）とパターン 4（データ分析）を試す
次回予告: 第 9 回では、AI を効率よく使うコツ、データを安全に扱うチェックリスト、出力の検証テクニックを紹介します。
この Publication に投稿している記事は、アマゾン ウェブ サービス ジャパン合同会社または Amazon Web Services, Inc. 所属社員による個人の見解であり、所属する組織の公式見解ではありません。参加したい従業員の方は、Sugiyama Suguru までお知らせください。
Discussion