Research Integrity Screening

Research Integrity Screening MCP Server

ApifyForge で表示 | Apify Store で利用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "research-integrity-screening-mcp": {
      "url": "https://ryanclinton--research-integrity-screening-mcp.apify.actor/mcp"
    }
  }
}

---

Claude、Cursor、その他のAI エージェントを、7つのライブデータソースを横断する学術不正検出に接続する、研究公正性スクリーニング MCP です。研究者のスクリーニング、ペーパーミルによる論文の検出、ベンフォードの法則分析による引用操作のフラグ付け、ジャーナルの質の評価、NIH 助成金と出版物の関連性の監査を、AI エージェントからの単一のツール呼び出しで実行できます。CLEAR／MINOR_CONCERNS／INVESTIGATION_NEEDED／HIGH_RISK の判定と、複合的な**公正性スコア（0-100）**を返します。

このサーバーは Apify プラットフォームのスタンバイモードで稼働し、コールドスタートによる遅延なしで MCP リクエストに応答します。OpenAlex、ORCID、PubMed、Semantic Scholar、Crossref、CORE、NIH Research Grants を並列で統合し、4つの独立したスコアリングモデルを適用して、AI エージェントが直接推論に利用できる構造化 JSON を返します。助成金審査員、ジャーナル編集者、研究公正性担当者は、その場限りの判断ではなく、一貫性と再現性のあるスコアを得られます。

どのようなデータにアクセスできますか？

データ項目	ソース	例
📄 出版物のメタデータ、被引用数、DOI	OpenAlex	論文247件、平均被引用数18.3件
👤 研究者のプロフィール、所属、職歴	ORCID	M. Petrov 博士、MIT、2018年〜現在
🔬 生物医学文献、MeSH 用語、抄録	PubMed	「懸念表明：腫瘍学研究」
📊 AI による引用分析、影響スコア、論文の埋め込み表現	Semantic Scholar	影響スコア94、高被引用論文12件
🔗 DOI メタデータ、参考文献リスト、ジャーナルのメタデータ	Crossref	10.1016/j.cell.2023.04.021
📂 オープンアクセス全文リポジトリの収録状況	CORE	出版物全体のOA比率61%
💰 連邦政府の助成金、主任研究者名、助成金額	NIH Grants	R01CA123456、120万ドル、シカゴ大学
🚩 撤回／訂正／懸念表明のフラグ	OpenAlex + PubMed	撤回フラグ3件、訂正2件を検出
📈 年別出版ペース、前年比の急増検出	OpenAlex + PubMed	2022年に論文47件 — 出版ペースの急増を検出
🏦 資金集中度指数（HHI）、終了済み助成金のフラグ	NIH Grants	HHI 0.82 — 単一資金源への依存リスク

Research Integrity Screening MCP を使う理由

研究公正性の手作業による審査は時間がかかり、結果にもばらつきがあります。OpenAlex、ORCID、PubMed、Semantic Scholar、Crossref、NIH Grants を個別に確認して1人の研究者を調査するには、対象者1人あたり2〜3時間かかります。引用分布にベンフォードの法則を適用するには、ほとんどの審査員が省略してしまうような表計算作業が必要です。自動化なしで数十本の論文からペーパーミルのテンプレートを検出するのは現実的ではありません。また、手作業による審査結果は、審査者間で比較できることも、時間をおいて再現できることもほとんどありません。

この MCP はワークフロー全体を自動化します。1回のツール呼び出しで、7つのソースすべてに並列で問い合わせ、4つのスコアリングアルゴリズムを適用し、2分以内に構造化された判定を返します。MCP 形式により、AI エージェントは会話中にこれらのツールを呼び出せます。Claude に助成金申請者のスクリーニングを依頼すると、ツールを呼び出し、スコアを解釈して、別のアプリケーションを開かなくても調査結果を説明します。

• スケジュール設定 — Apify Scheduler で定期的な公正性チェックを実行し、新たな異常を自動的にフラグ付けします
• API アクセス — 標準 MCP プロトコルを使用して、Python、JavaScript、または任意の HTTP クライアントからスクリーニングを実行します
• 並列データ取得 — 7つのデータソースすべてに同時に問い合わせます。順次処理ではありません
• モニタリング — Apify ウェブフックを介して HIGH_RISK 判定が返された際に、Slack またはメールでアラートを受け取ります
• 連携 — 結果を Notion、Airtable、またはウェブフックに対応した任意の助成金管理システムに送ります

機能

• ベンフォードの法則による引用分析 — 研究者の引用データ全体にわたる先頭桁の頻度分布を計算し、期待される対数分布（数字の1は30.1%と予測されます）からの逸脱を検出します
• 変動係数の確認 — 10本以上の論文でCVが0.3未満となる、不審なほど均一な引用分布を検出します。これは、引用リングや自己引用の操作を統計的に推定する指標です
• 論文工場のテンプレート検出 — 各論文タイトルの先頭5語を抽出し、出版物全体で3回以上繰り返されるパターンを検出します
• ジャーナル集中度のスコアリング — 研究者の論文の50%超が単一のジャーナルに掲載されている場合を特定します。これは論文工場を示す既知の指標です
• 著者の多様性分析 — 全論文における著者セットの固有性比率を計算します。論文が10本以上あり、多様性が30%未満の場合はフラグを立てます
• 出版ペースのモニタリング — 1暦年に出版数が30本を超えた場合にフラグを立て、論文が10本以上ある状態で前年比が3倍以上に急増した場合も検出します
• ORCID 検証スコアリング — プロフィールの未登録、業績リストの空欄、所属記録の欠如を、身元未確認のリスクシグナルとして減点します
• 撤回と訂正の検出 — OpenAlex、PubMed、Semantic Scholar を対象に、出版物のタイトルと文書種別から「retract」「correction」「erratum」「expression of concern」のキーワードを検索します
• NIH 助成金と論文の比率 — 助成金あたりの出版数を計算します。比率が20:1を超える場合は成果の水増しの可能性を示し、1:1未満の場合は生産性の低さを示します
• 資金集中度 HHI — 資金源にハーフィンダール・ハーシュマン指数を適用します。助成金が3件以上あり、集中度が0.7を超える場合は、単一資金源への依存を示します
• 終了済み助成金の検出 — NIH の助成金記録から「terminated」「withdrawn」「suspended」のステータス表記を検索します
• 独立した4つのスコアリングモデル — 研究者のインテグリティ（最大100点）、論文工場（最大100点）、ジャーナルの品質（最大100点、肯定的な尺度）、資金調達リスク（最大100点）が、それぞれ独立したスコアを生成します
• 加重複合スコア — 4つのモデルを組み合わせます：インテグリティ30% ＋ 論文工場25% ＋（100 − ジャーナル品質）25% ＋ 資金調達リスク20%
• モデルごとの5段階判定 — 各サブモデルで、分野に適したラベルを使用します（インテグリティはCLEANからCRITICALまで、論文工場はUNLIKELYからCONFIRMED_MILLまで、ジャーナルはPREDATORYからELITEまで）
• ハードオーバーライドロジック — インテグリティレベルがCRITICAL、または判定がCONFIRMED_MILLの場合は、複合スコアにかかわらずHIGH_RISKになります
• 決定論的な必須アクション — requiredActions リストは複合スコアではなく特定のしきい値トリガーに基づいて生成されるため、総合スコアが境界線上の場合でも具体的な次のステップを提示できます

研究インテグリティ審査のユースケース

助成金交付前の審査

連邦機関や民間財団の助成金プログラム担当者は、資金を拠出する前に主任研究者を審査する必要があります。screen_researcher_integrity を1回呼び出すだけで、4つのデータベースにわたって申請者の出版記録を照合し、引用履歴にベンフォードの法則を適用し、撤回履歴を確認して、ORCID プロフィールを検証します。担当者はスコア付きの再現可能な結果を取得して申請書類に添付できます。これにより、手作業でデータベースを検索するのに何時間もかかっていた作業を、90秒のワークフローに置き換えられます。

ジャーナル投稿のインテグリティ審査

査読コーディネーターは、査読者を割り当てる前に、投稿原稿の著者リストまたはトピックを対象に check_publication_flags を実行できます。論文工場検出モデルは、タイトルテンプレートの繰り返し、著者の過去の出版記録におけるジャーナルへの過度な集中、著者グループの均一性を確認します。これらは、論文工場による出版物を示す最も信頼性の高い初期指標の3つです。論文工場スコアがPROBABLE以上の場合、通常の査読ではなくインテグリティ担当編集者に投稿が回されます。

教員採用のデューデリジェンス

候補者の審査を行う学長や学部長は、generate_integrity_report を実行して、採用オファーを出す前に包括的な全体像を確認できます。このツールは ORCID の本人確認を行い、出版速度を評価して不自然な論文発表数を検出し、撤回歴を確認し、候補者が信頼できる掲載誌を選んでいるかを評価します。これにより、3 日かかるリファレンスチェックを 90 秒で行えます。

研究機関の提携評価

提携を正式に決定する前に、コンプライアンスチームは compare_institutional_integrity を実行して、掲載誌の質と資金提供リスクについて 2 つの機関を並べて比較できます。このツールは両機関について OpenAlex と NIH Grants に同時に照会し、質の優位性を示す指標を含む構造化された比較結果を返します。提携に関する意思決定メモに役立ちます。

資金提供ポートフォリオの監査

大規模な研究ポートフォリオを管理する機関は、audit_grant_research_link を使用して、論文と助成金の比率が異常に高い、または低い助成金、終了済みの助成金、資金の集中リスクが高まっている助成金を特定できます。バッチ審査を行えば、助成金の記録を 1 件ずつ手作業で確認せずに、優先的に審査すべきリスクの高い項目を抽出できます。

引用操作の調査

引用リングへの参加が疑われる研究者が調査対象となった場合、detect_citation_anomalies は、ベンフォードの法則に基づき、1〜9 の各数字について観測割合と期待割合を比較した詳細な結果と偏差スコアを返します。これにより、研究公正委員会が正式な不正行為の手続きに進む前に必要とする統計的証拠を得られます。

この研究公正審査 MCP への接続方法

Claude Desktop

claude_desktop_config.json に以下を追加します。

{
  "mcpServers": {
    "research-integrity-screening": {
      "url": "https://research-integrity-screening-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor、Windsurf、または Cline

MCP サーバーの設定パネルで、同じ URL とトークンを使用します。サーバーは /mcp への HTTP POST を介し、標準の MCP プロトコルで通信します。

Python（requests を使用）

import requests

response = requests.post(
    "https://research-integrity-screening-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "generate_integrity_report",
            "arguments": {"entity": "Dr. Marcus Webb Global Health Institute"}
        },
        "id": 1
    }
)
result = response.json()
report = result["result"]["content"][0]["text"]
print(report)

JavaScript

const response = await fetch(
  "https://research-integrity-screening-mcp.apify.actor/mcp",
  {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    body: JSON.stringify({
      jsonrpc: "2.0",
      method: "tools/call",
      params: {
        name: "screen_researcher_integrity",
        arguments: { researcher: "Dr. Elena Sokolova 0000-0002-7831-4412" }
      },
      id: 1
    })
  }
);
const data = await response.json();
const report = JSON.parse(data.result.content[0].text);
console.log(`Integrity level: ${report.researcherIntegrity.integrityLevel}`);
console.log(`Score: ${report.researcherIntegrity.score}/100`);

cURL

# Screen a researcher for integrity flags
curl -X POST "https://research-integrity-screening-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "generate_integrity_report",
      "arguments": { "entity": "Dr. James Chen Stanford University" }
    },
    "id": 1
  }'

MCP ツール

ツール	入力	価格	返される内容
screen_researcher_integrity	researcher — 氏名または ORCID ID	$0.045	公正性スコア 0〜100、撤回フラグ、引用異常スコア、出版速度の危険信号、ORCID 確認状況、CLEAN〜CRITICAL のレベル
check_publication_flags	query — タイトル、DOI、研究者、またはトピック	$0.045	ペーパーミルスコア 0〜100、テンプレートのフラグ、掲載誌の集中度、著者の多様性、UNLIKELY〜CONFIRMED_MILL の判定
assess_journal_quality	query — 掲載誌名、トピック、または研究者	$0.045	質のスコア 0〜100、引用インパクト、オープンアクセス比率、情報源の多様性、PREDATORY〜ELITE の判定
detect_citation_anomalies	researcher — 氏名または機関	$0.045	ベンフォードの法則に基づく 1〜9 の各数字の分析：観測割合、期待割合、数字ごとの偏差。引用数の最小値／最大値／平均値
audit_grant_research_link	researcher — 主任研究者（PI）の氏名、topic — 任意の絞り込み条件	$0.045	資金提供リスクスコア、助成金一覧、論文と助成金の比率、HHI 集中度、終了済み助成金のフラグ、LOW〜CRITICAL のレベル
compare_institutional_integrity	institution_a、institution_b	$0.045	2 つの機関の掲載誌の質と資金提供リスクの並列比較、質の優位性を示す指標
generate_integrity_report	entity — 研究者、機関、またはトピック	$0.045	包括的なレポート：4 つすべてのモデルスコア、加重複合スコア 0〜100、CLEAR〜HIGH_RISK の判定、すべてのシグナル、必要な対応

ツール入力リファレンス

ツール	パラメーター	型	必須	説明
screen_researcher_integrity	researcher	string	はい	研究者名（例：「Dr. Wei Zhang Beijing University」）または ORCID ID（例：「0000-0002-1234-5678」）
check_publication_flags	query	string	はい	論文タイトル、DOI、研究者名、または研究トピック
assess_journal_quality	query	string	はい	ジャーナル名、研究トピック、または研究者名
detect_citation_anomalies	researcher	string	はい	研究者名または機関名
audit_grant_research_link	researcher	string	はい	主任研究者名または機関名
audit_grant_research_link	topic	string	いいえ	NIH の助成金検索を絞り込む研究トピック
compare_institutional_integrity	institution_a	string	はい	1つ目の機関名（例：「Stanford University」）
compare_institutional_integrity	institution_b	string	はい	2つ目の機関名（例：「Duke University」）
generate_integrity_report	entity	string	はい	複数の情報源を横断的に審査する研究者名、機関名、または論文のトピック

出力例

{
  "entity": "Dr. Marcus Webb Global Health Institute",
  "compositeScore": 58,
  "verdict": "INVESTIGATION_NEEDED",
  "researcherIntegrity": {
    "score": 42,
    "publicationCount": 89,
    "retractionFlags": 6,
    "citationAnomalies": 5,
    "velocityRedFlags": 3,
    "integrityLevel": "SUSPICIOUS",
    "signals": [
      "Retraction/correction flags detected — 6 points",
      "Citation distribution suspiciously uniform — potential citation manipulation",
      "47 publications in 2021 — suspiciously high output",
      "Publication spike: 12 → 47 papers (2020 → 2021)"
    ]
  },
  "paperMill": {
    "score": 44,
    "suspiciousPatterns": 3,
    "templateFlags": 4,
    "millLevel": "PROBABLE",
    "signals": [
      "Repeated title pattern (4x): \"role of inflammation in...\" — possible template",
      "31 papers in single journal \"international journal of molecular biology\" — over-concentration",
      "Low author diversity — same author groups across many papers"
    ]
  },
  "journalQuality": {
    "score": 34,
    "totalPapers": 89,
    "highCitationPapers": 8,
    "openAccessRatio": 0.28,
    "qualityLevel": "LOW",
    "signals": [
      "Low citation impact: avg 1.7 — possible predatory venue"
    ]
  },
  "fundingRisk": {
    "score": 38,
    "grantCount": 3,
    "flaggedGrants": 1,
    "fundingConcentration": 0.78,
    "riskLevel": "ELEVATED",
    "signals": [
      "High funding concentration — single-source dependency risk",
      "1 terminated/withdrawn grants — compliance concern"
    ]
  },
  "allSignals": [
    "Retraction/correction flags detected — 6 points",
    "Citation distribution suspiciously uniform — potential citation manipulation",
    "47 publications in 2021 — suspiciously high output",
    "Publication spike: 12 → 47 papers (2020 → 2021)",
    "Repeated title pattern (4x): \"role of inflammation in...\" — possible template",
    "31 papers in single journal \"international journal of molecular biology\" — over-concentration",
    "Low author diversity — same author groups across many papers",
    "Low citation impact: avg 1.7 — possible predatory venue",
    "High funding concentration — single-source dependency risk",
    "1 terminated/withdrawn grants — compliance concern"
  ],
  "requiredActions": [
    "Review retracted publications — determine scope of affected research",
    "Paper mill indicators — investigate authorship and submission patterns",
    "Publications in suspected predatory venues — verify journal legitimacy",
    "Review terminated/withdrawn grants for compliance issues",
    "Citation pattern anomalies — check for citation rings or manipulation"
  ]
}

出力フィールド

フィールド	型	説明
entity	string	検索対象の研究者、機関、またはトピック
compositeScore	number	加重複合インテグリティリスクスコア（0～100。値が高いほど懸念が大きい）
verdict	string	CLEAR / MINOR_CONCERNS / INVESTIGATION_NEEDED / HIGH_RISK
researcherIntegrity.score	number	インテグリティのサブスコア（0～100）
researcherIntegrity.publicationCount	number	すべての情報源で見つかった論文の合計数
researcherIntegrity.retractionFlags	number	蓄積された撤回・訂正ポイントの生の値
researcherIntegrity.citationAnomalies	number	引用異常の生スコア
researcherIntegrity.velocityRedFlags	number	出版速度に関する危険信号の生ポイント
researcherIntegrity.integrityLevel	string	CLEAN / MINOR_FLAGS / SUSPICIOUS / HIGH_RISK / CRITICAL
researcherIntegrity.signals	string[]	検出された各フラグの、人が読める説明
paperMill.score	number	ペーパーミルリスクスコア（0～100）
paperMill.suspiciousPatterns	number	不審なジャーナルおよび著者のパターン数
paperMill.templateFlags	number	テンプレート化されたタイトルの反復回数（生の値）
paperMill.millLevel	string	UNLIKELY / POSSIBLE / PROBABLE / LIKELY_MILL / CONFIRMED_MILL
paperMill.signals	string[]	フラグが付けられた具体的なパターンと件数、ジャーナル名
journalQuality.score	number	ジャーナル品質スコア（0～100。値が高いほど品質が高い）
journalQuality.totalPapers	number	ジャーナル品質の分析対象となった論文数
journalQuality.highCitationPapers	number	被引用数が10以上の論文数
journalQuality.openAccessRatio	number	オープンアクセス論文の割合（0.0～1.0）
journalQuality.qualityLevel	string	PREDATORY / LOW / MODERATE / HIGH / ELITE
journalQuality.signals	string[]	引用インパクトとオープンアクセスの透明性に関するシグナル
fundingRisk.score	number	資金提供リスクスコア（0～100）
fundingRisk.grantCount	number	見つかった NIH 助成金の数
fundingRisk.flaggedGrants	number	打ち切り、取り下げ、または停止となった助成金の数
fundingRisk.fundingConcentration	number	資金源の集中度を示すハーフィンダール・ハーシュマン指数（0～1）
fundingRisk.riskLevel	string	LOW / MODERATE / ELEVATED / HIGH / CRITICAL
fundingRisk.signals	string[]	特定された具体的な資金提供の異常
allSignals	string[]	4つすべてのスコアリングモデルからのシグナルを統合したもの
requiredActions	string[]	検出されたしきい値フラグに基づく、推奨される次の手順

研究者のスクリーニングにはいくらかかりますか？

Research Integrity Screening MCP はイベントごとの従量課金制で、ツール呼び出し1回あたり $0.045です。プラットフォームのコンピューティング費用も含まれています。

シナリオ	ツール呼び出し数	1回あたりの費用	合計費用
簡易テスト — 研究者1名のスクリーニング	1	$0.045	$0.045
インテグリティチェックと引用異常分析	2	$0.045	$0.09
インテグリティレポート全体（7つすべてのソース、4つのモデル）	1	$0.045	$0.045
助成金申請者10名のスクリーニング	10	$0.045	$0.45
月次のジャーナル投稿ワークフロー — 投稿200件	200	$0.045	$9.00

コストを管理するため、実行ごとに最大支出額を設定できます。予算に達するとアクターが停止し、パイプラインで適切に処理できる構造化エラーを返します。

Apify の無料プランには月額 $5 分のプラットフォームクレジットが含まれており、支払い情報を追加する前に100回以上ツールを呼び出せます。年間 $3,000～15,000 の機関向け研究インテグリティソフトウェアと比べてみてください。この MCP を利用するほとんどのチームは、サブスクリプション契約なしで月額 $20 未満に収まっています。

Research Integrity Screening MCP の仕組み

データ収集フェーズ

各ツール呼び出しでは、Promise.allSettled を介して、下流の Apify アクターを2～7個並列実行します。これにより、データソースが遅延したり失敗したりしても、応答が妨げられません。7つのデータソースは、信頼できる特定のアクター ID に固定されています：openalex-research-papers（AfAA3gEDtEiU9Zf5s）、orcid-researcher-search（Nuq9OYuSRgU3DKFYz）、pubmed-research-search（AwPvHhEjcgAd6hcvG）、semantic-scholar-search（LgVeUXmTsWl9Gl2Tb）、crossref-paper-search（b6ReNaLwZXInCFeMr）、core-academic-search（Jh4Y6VfuSZkxkF8eq）、および nih-research-grants（dGvWHX8Oa5vRK9pNb）です。各子アクターは、メモリ256 MB、タイムアウト120秒で実行されます。ソースに障害が発生した場合も、スコアリングフェーズでクラッシュしないよう、空の配列を返します。

スコアリングモデルのフェーズ

統合されたデータセットに対し、独立した4つのスコアリング関数が動作します。研究者インテグリティスコアラーは最大100ポイントで、すべての論文を対象とする撤回・訂正キーワードのスキャン（最大35ポイント）、引用分布のベンフォードの法則によるヒューリスティック（最大25ポイント）、業績数の急増検出（最大20ポイント）、ORCID の入力状況（最大20ポイント）で構成されます。ペーパーミル検出器では、次の項目からスコアを加算します：タイトル先頭の5語が3回以上繰り返される頻度（最大30ポイント）、単一ジャーナルへの集中度が50%を超える場合（最大25ポイント）、10件以上の論文で著者セットの多様性が30%未満の場合（最大25ポイント）、論文数が50件を超える場合の異常（最大20ポイント）。ジャーナル品質スコアラーは加点式のスコア（高いほど良好）で、論文あたりの平均引用インパクト（最大35ポイント）、オープンアクセス比率（最大20ポイント）、掲載先の多様性（最大25ポイント）、出版数の健全性（最大20ポイント）で構成されます。資金リスクスコアラーでは、論文数と助成金数の比率の外れ値検出（最大30ポイント）、資金集中度を示す HHI 指数（最大25ポイント）、終了・取り下げ済み助成金のフラグ（それぞれ8ポイント、最大25ポイント）、助成金がない場合の10ポイントの減点を用います。

ベンフォードの法則の実装

引用異常を検出するため、サーバーはゼロを超えるすべての引用数を対象に、先頭桁ごとの件数を記録する Map<number, number> を作成します。detect_citation_anomalies ツールは、各桁の完全な内訳を返します。内容は、観測割合、期待割合（桁1は30.1%、桁2は17.6%、桁9は4.6%まで）、および桁1～9それぞれの絶対偏差です。screen_researcher_integrity ツールでは、より高速なヒューリスティックを使用します。桁1の割合が15%未満または50%を超える場合、引用異常のサブスコアに5ポイント加算します。また、変動係数のチェックも行います。10件以上の論文で CV が 0.3 未満の場合、引用分布は不自然なほど均一であると判定されます。

複合スコアと判定の割り当て

最終的な複合スコアでは、4つのモデルを次のように重み付けします：Researcher Integrity × 0.30 + Paper Mill × 0.25 + (100 − Journal Quality) × 0.25 + Funding Risk × 0.20。Journal Quality は反転されるため、ジャーナルの質が低いほど全体的なリスクにプラスの影響を与えます。判定のしきい値は次のとおりです：CLEAR（複合スコアが20未満）、MINOR_CONCERNS（20～39）、INVESTIGATION_NEEDED（40～64）、HIGH_RISK（65以上）。2つの強制上書きが適用されます：研究者モデルのインテグリティレベルが CRITICAL の場合、および Paper Mill モデルが CONFIRMED_MILL の場合は、複合スコアにかかわらず HIGH_RISK になります。requiredActions リストは、特定のしきい値トリガーに基づいて決定的に生成されるため、全体スコアが境界値付近の場合でも、具体的な次のステップが示されます。

最良の結果を得るためのヒント

1. 研究者の検索には所属機関を含めてください。 「Dr. Sarah Kim」では、「Dr. Sarah Kim Yale School of Medicine」よりも精度の低い結果になります。曖昧さを解消すると、7つすべてのデータソースで同時に精度が向上します。

2. 利用できる場合は ORCID ID を使用してください。 研究者の ORCID ID（形式：0000-0002-XXXX-XXXX）がある場合は、researcher パラメーターに渡してください。ORCID アクターは名前検索ではなく、該当するプロフィールを正確に返すため、一般的な名前による誤検出を排除できます。

3. 正式な調査では、generate_integrity_report の前に detect_citation_anomalies を実行してください。 引用異常ツールは、証拠資料の作成に役立つベンフォードの法則の完全な表を返します。インテグリティレポート全体で返されるのは、要約フラグのみです。

4. 一括ワークフローには支出上限を設定してください。 助成金の申請者を50人以上審査する場合は、Apify の実行で maxTotalChargeUsd を設定し、支出を上限内に抑えてください。上限に達すると、サーバーは構造化されたエラーを返すため、パイプラインで適切に処理できます。

5. パートナーシップのデューデリジェンスには compare_institutional_integrity を使用してください。 個別に2件の完全なレポートを実行する代わりに、このツールを使うと両方の機関を並行して照会し、1回の呼び出しで左右に並べた構造化比較を返します。

6. 助成金の監査にはトピックフィルターを追加してください。 audit_grant_research_link に特定の topic パラメーターを組み合わせると、NIH 助成金の検索結果を絞り込めます。助成金ポートフォリオが大きい研究者の場合、「Elizabeth Torres CRISPR」のほうが「Elizabeth Torres」だけよりも対象を絞り込めます。

7. PROBABLE のミルレベルは、判定ではなくエスカレーションのトリガーとして扱ってください。 タイトルテンプレートのパターンは、正当な研究プログラムにも見られる場合があります。たとえば、臨床試験シリーズ、システマティックレビュー、複数パートの研究はいずれも、一貫した命名規則を使用します。ツールの出力を使って、投稿を専門の査読者に回してください。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方
研究者インテグリティチェック	個々の研究者の詳細なプロファイリングにはこのアクターを実行し、会話型 AI ワークフローや一括審査には MCP を使用します
企業の詳細調査	経営陣に学術論文の出版歴があるバイオテクノロジー企業や製薬企業を審査する際に組み合わせます
ORCID 研究者検索	インテグリティ分析に渡す前に、ORCID のプロフィールデータを直接取得します
PubMed 研究検索	フラグが付いた出版物を手動で確認するため、医学・生物学分野の文献一式を取得します
NIH 研究助成金	MCP の外部で、ポートフォリオレベルの資金分析を行うために NIH の助成金を個別に照会します
SEC EDGAR 提出書類アナライザー	上場しているバイオテクノロジー企業や製薬企業の研究者と、開示された金銭的利益相反を照合します
B2B リード評価	研究インテグリティと商業的なシグナルの両方を使って、学術界から産業界への転身候補者を評価します

制限事項

• 引用データの網羅性は、情報源のカバレッジに左右されます。 OpenAlex と Semantic Scholar は STEM 分野を幅広くカバーしていますが、人文科学と社会科学では引用のインデックス化率が低くなっています。STEM 以外の研究者のスコアは、引用活動を過小評価する可能性があります。
• ベンフォードの法則を統計的に有意な形で適用するには、引用論文が少なくとも 10 件必要です。 引用論文が 10 件未満の若手研究者では、引用分布チェックは実行されません。こうした研究者のスコアは、残りの 3 つのモデルのみで算出されます。
• 論文工場のテンプレート検出では、タイトルの先頭 5 語を照合します。 一貫した命名規則を採用する複数論文からなる臨床試験シリーズなど、正当な研究プログラムで誤検知が発生する可能性があります。検出されたパターンが研究者の実際の手法を反映しているかどうかを判断するには、必ず signals 配列を確認してください。
• NIH の助成金データが対象とするのは、米国の連邦資金のみです。 主に欧州、アジア、または民間財団から助成を受けている研究者には、「助成金が見つからない」というペナルティが適用されます。海外の研究者に対する誤検知を減らすには、audit_grant_research_link の topic パラメーターを使用してください。
• ORCID の網羅性スコアでは、情報が少ないプロフィールが減点されます。 一部の上級研究者は、意図的に ORCID プロフィールの情報を少なくしています。他のシグナルによる裏付けがない限り、ORCID のサブスコアが低いという理由だけで否定的な判定を下さないでください。
• このツールが検出するのは統計的な異常であり、不正行為ではありません。 異常なパターンには正当な説明がある場合があります。出力は人間によるレビューのためのスクリーニングシグナルであり、法医学的な判定ではありません。
• クエリの解決精度は、名前の曖昧さの解消に左右されます。 所属機関の情報がない一般的な研究者名を指定すると、複数の人物の結果が混在して返されます。人物を確実に特定するには、必ず所属機関名または ORCID ID を含めてください。
• 子プロセスのタイムアウトは 120 秒です。 データソースの応答が遅い場合はタイムアウトし、そのソースについて空の配列を返します。複合スコアは利用可能なデータから算出されます。データソースが欠落すると、リスクが低いという判定の信頼度が下がります。

インテグレーション

• Apify API — 助成金管理システムや編集ワークフローソフトウェアから、プログラムでインテグリティ審査を実行します
• Webhooks — 審査が完了した時点で、HIGH_RISK 判定を Slack、メール、またはケース管理ツールに送信します
• Zapier — Airtable や Google Sheets の助成金トラッカーに接続し、新しい申請者が追加された際にインテグリティスコアを自動記録します
• Make — 論文工場レベルの判定に基づいて、論文をインテグリティ審査キューに自動振り分けする編集投稿ワークフローを構築します
• Google Sheets — 研究者の一括審査結果を共有スプレッドシートにエクスポートし、委員会で審査できるようにします
• LangChain / LlamaIndex — LLM エージェントのパイプラインにインテグリティ審査をツールとして組み込み、デューデリジェンスのワークフローを自動化します

トラブルシューティング

著名な研究者を検索しているのに、複合スコアが0になります。 通常は、データソース間で研究者名を正しく特定できず、すべてのアクターが空のデータセットを返していることを意味します。クエリに所属機関名を追加してみてください。よくある名前の場合（例：「Wei Zhang」）、特定の研究分野を追加するか（「Wei Zhang computational biology MIT」）、ORCID IDを直接使用してください。

ツールが"error": true, "message": "Spending limit reached"を返します。 Apifyの実行が、その実行に設定された最大課金上限に達しています。実行設定のmaxTotalChargeUsdを増やすか、Apifyコンソールでプラットフォームクレジットを追加購入してください。

正当なシステマティックレビュー・プログラムなのに、ペーパーミルスコアが高くなります。 テンプレート検出モデルは、繰り返されるタイトルの接頭辞にフラグを立てます。システマティックレビューやメタ分析では、シリーズ名の慣例が正当に使われます（「XにおけるYのシステマティックレビュー：パート1、2、3」）。signalsで具体的なパターンを確認してください。研究者の既知の方法論と一致する場合は、評価の際に、これが誤検知であることを文脈とともに説明してください。

audit_grant_research_linkに、助成を受けている研究者の助成金が表示されません。 NIHのデータが対象とするのは、米国連邦政府の助成金のみです。NIH以外の資金（NSF、DOD、DARPA、民間財団、海外の資金提供機関）は表示されません。NIHの検索精度を高めるためにtopicパラメーターを追加し、評価の際にこの制限を明記してください。

子アクターのタイムアウトにより、結果が不完全になります。 詳細出力のデータ配列が空の場合、1つ以上のソースアクターがタイムアウトしたことを示します。同じクエリを再実行してください。通常、再実行では成功します。特定のソースが繰り返しタイムアウトする場合は、generate_integrity_reportの結果を部分的なものとして扱い、利用できなかったソースを明記してください。

責任ある利用

• このサーバーがアクセスするすべてのデータは、一般に公開されている学術データベースおよび連邦政府の助成金記録から取得しています。
• 研究公正性のスクリーニング結果は統計的な指標であり、法医学的な所見ではありません。独立した専門家によるレビューを経ずに、スコアを雇用、助成、出版に関する不利益な判断の唯一の根拠として使用しないでください。
• 研究者の個人情報を含むスクリーニング結果を保存または共有する場合は、適用されるデータ保護規制を遵守してください。
• スクリーニングスコアのみを根拠として、研究者への嫌がらせ、名誉毀損、差別を行う目的でこのツールを使用しないでください。
• ウェブスクレイピングとデータ利用の合法性に関するガイダンスについては、Apifyのガイドを参照してください。

よくある質問

ベンフォードの法則を用いた研究公正性のスクリーニングは、どのように機能しますか？ ベンフォードの法則によると、自然に生じる数値データセットでは、先頭の数字が1となる割合は約30.1％、数字が2となる割合は約17.6％で、数字が9の場合は4.6％です。大量の論文における被引用数は、自然にこの分布に従います。研究者の被引用数がこの分布から大きく逸脱している場合、特に数字1の割合が予想を大幅に下回る場合は、特定の被引用数が人為的に水増しされている可能性があります。detect_citation_anomaliesツールは、数字ごとに観測値と期待値を比較した結果を返すため、チームは各数字の逸脱の程度を個別に評価できます。

ペーパーミルとは何ですか。また、研究公正性のスクリーニングではどのように検出しますか？ ペーパーミルとは、出版実績が必要な研究者に販売するため、偽造または盗用された学術原稿を作成する商業サービスです。ペーパーミルの成果物には、論文間で繰り返されるタイトルのテンプレート、少数の受理ジャーナルへの過度な集中、互いに無関係な多くの論文に同じ少数の著者グループが登場するといった、共通の構造的特徴が見られる傾向があります。check_publication_flagsツールは、タイトルの接頭辞の頻度分析（5語の接頭辞が3回以上出現）、ジャーナル集中度のスコアリング（1つのジャーナルで50％超）、著者セットの固有性比率（論文が10件以上ある場合に固有の著者セットが30％未満）を用いて、これら3つのパターンをすべて検出します。 研究インテグリティのスクリーニングで、学術不正を確実に特定できますか？ いいえ。この MCP は、インテグリティ上の懸念に関連する統計的な異常や危険信号を特定します。異常なパターンにも正当な理由がある場合があります。たとえば、ある研究者が特定のジャーナルにしか論文を発表していないのは、そのジャーナルの編集者であるためかもしれません。または、適切な発表先が少ない狭い分野で研究しているためかもしれません。出力は人間によるレビューの優先順位付けに利用し、レビューの代わりにしないでください。requiredActions フィールドには、人間のレビュアーが次に行うべき具体的な確認事項が記載されています。

出版速度チェックの精度はどの程度ですか？ 速度モデルは、研究者の年間論文数が 30 件を超える年をすべて検出し、前年から 3 倍以上に増加し、かつ後年の論文数が 10 件以上の場合も検出します。これらのしきい値は、一般的な学術研究の成果（ほとんどの研究者は年間 3～8 件の論文を発表します）を基準に調整されています。大規模な共同研究プロジェクトや臨床試験コンソーシアムを主導する研究者であれば、単年で多くの論文を発表することもあります。複数年にわたって高い出版速度が続く場合は、より強いシグナルです。

一般的な研究インテグリティのスクリーニングには、どのくらい時間がかかりますか？ screen_researcher_integrity ツールと check_publication_flags ツールは、3～4 件のデータソースに並行して問い合わせ、通常 60～90 秒で完了します。generate_integrity_report ツールは、7 件すべてのデータソースに並行して問い合わせ、基盤となる学術データベースからの API 応答時間に応じて、通常 90～150 秒で完了します。

1 回のセッションで何人の研究者をスクリーニングできますか？ セッションごとの固定上限はありません。一括スクリーニングでは、クライアントの並行処理能力に応じて、ツール呼び出しを順次または並行して実行してください。各呼び出しの料金は個別に $0.045 です。200 人以上の研究者をスクリーニングする場合は、API を介して Apify の実行をスケジュールし、結果を非同期で処理することを検討してください。

研究インテグリティのスクリーニングは、iThenticate や Turnitin とどう違いますか？ iThenticate と Turnitin は、原稿のテキストを既知の情報源と比較して、テキストの盗用を検出します。この MCP は原稿のテキストを分析せず、出版物のメタデータ、引用パターン、助成金の記録、研究者のプロフィールを分析します。この 2 つのアプローチは相互補完的です。提出された原稿には盗用検出を使用し、研究者レベルのパターン分析や助成前のスクリーニングにはこの MCP を使用してください。

研究インテグリティのスクリーニングで、利益相反を検出できますか？ 直接は検出できません。資金提供リスクモデルは、助成金と出版物の関連性や資金提供の集中度を特定し、金銭的な関係を明らかにする場合があります。産業界からの支払い、株式保有、コンサルティング関係など、明示的な利益相反のスクリーニングには、財務情報開示データベースを組み合わせてください。SEC EDGAR Filing Analyzer を使用すると、上場企業に金銭的利害関係があることを開示している研究者を特定できます。

研究者のスクリーニングにこのツールを使用することは合法ですか？ 基盤となるデータソースはすべて公開されています。OpenAlex、ORCID、PubMed、Crossref、CORE、NIH Grants は、公開されている学術データベースです。研究インテグリティを目的として公開記録にアクセスし、分析することは、学術機関の運営や助成金管理における一般的な慣行です。詳しくは、より広い背景についてウェブスクレイピングの合法性に関する Apify のガイドをご覧ください。

研究インテグリティのスクリーニングをスケジュールして、定期的に実行できますか？ はい。Apify Scheduler を使用して、アクターを毎日、毎週、または毎月の頻度で実行するよう設定できます。HIGH_RISK の判定結果を通知システムに送信するよう、Webhook を設定してください。これは研究ポートフォリオを継続的に監視する場合に便利です。新しい論文が発表された後、以前は CLEAR だった研究者のスコアが INVESTIGATION_NEEDED に変わった際にアラートを送信できます。 データソースから結果が返されなかった場合はどうなりますか？ スコアリング関数は空の配列を適切に処理します。各ソースは、アクターがタイムアウトした場合や一致するものがなかった場合に、デフォルトで空の配列になります。スコアは利用可能なデータに基づいて算出されます。ORCID から何も返されなかった場合、完全性モデルは整合性サブスコアに 10 ポイントのペナルティを加算し、「ORCID プロファイルが見つかりません」というシグナルを出力します。複数のソースから空の結果が返された場合は、7 つすべてのソースに裏付けられた結果よりも慎重に扱ってください。

研究公正性のスクリーニングは、各学術データベースを手作業で検索する場合とどう違いますか？ データベースを横断して手作業で調査すると、研究者 1 人あたり 2〜3 時間かかります。この MCP は 7 つのソースすべてに 2 分以内で並列にクエリを実行し、4 つのスコアリングアルゴリズムを自動的に適用して、AI エージェントが推論に利用できる機械可読な構造化出力を返します。これにより、データベース間の転記ミスをなくし、スクリーニング対象のすべての研究者について、一貫性があり比較可能なスコアを生成できます。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行履歴の共有を有効にすると、問題をより迅速にデバッグできます。

1. アカウント設定 > プライバシーを開きます
2. 実行履歴を公開 Actor 作成者と共有するを有効にします

これにより、問題が発生した際に実行の詳細を確認できるため、より迅速に修正できます。データを閲覧できるのはアクターの開発者のみであり、公開されることはありません。

サポート

バグを見つけた場合や機能をリクエストしたい場合は、このアクターのページにあるIssues タブで issue を作成してください。カスタムソリューションやエンタープライズ向けの統合については、Apify プラットフォームからお問い合わせください。