NeurIPS 2025 受理論文にAI生成の偽引用が混入- 学術不正がコピー検出から「著者の偽装」検出へ|セキュリティとAIのニュース-セキュリティ対策Lab

投稿日時: 2026年06月26日更新日時: 2026年06月26日

2026年に発表された研究によれば、NeurIPS 2025で受理された論文の約1%にあたる53本に、AIが生成した存在しない引用が含まれていたことが確認されました。学生・研究者の80%が生成AIを学術ワークフローで日常的に利用する時代が到来するなか、学術不正の構造そのものが根本的に変質しています。従来の不正はテキストの盗用であり、類似性検索ツールで発見できる単純なコピーでした。生成AIはその前提を崩しており、今日の不正は「どこからも文章を持ってきていない完全オリジナルに見えるが、著者が一度も考えていない論文」として表れます。教育機関と企業の情報システム部門の両方が、この変質に対応した体制の再構築を迫られています。

サマリー

公開日：2026年6月23日（HackRead・Owais Sultan）
背景統計：学生・研究者の80%が生成AIを日常的に学術利用（Paperpal 2025年調査）
NeurIPS 2025の事例：受理論文の約1%（53本）にAI生成の偽引用が混入（Ansari 2026）
不正の変質：テキスト盗用（コピー）から隠れた著作・偽造引用・発明された観察結果へ
検知ツールの限界：類似性検索ツールもAI検知ツールも単独では対応不能。誤検知・見逃しの両方が発生
新たな不正形態：フルエッセイ代筆・コード生成・ラボレポート捏造・偽の文献レビュー・架空の実験観察
必要な対策：プロセス評価（草稿・注記・出典追跡・口頭弁護）・明確なAI利用ポリシー・教員トレーニング
企業への影響：学術詐欺の構造的問題は内部文書・調達資料・コンプライアンスレポートにも同様に波及

不正の形態	従来の手口	AIによる新形態
エッセイ・レポート	他者の文章をコピー	AIが一から生成（類似文なし）
引用・参考文献	存在する文献を無断転載	存在しない文献をAIが創作
ラボレポート	実験を省略して他者の結果を転用	架空の実験観察からAIが逆算生成
コード提出	オンライン回答をコピー	AIが動作するコードを生成（学生は仕組みを知らない）
ディスカッション投稿	答えを見せ合う	AIが投稿・ピアレビュー・要旨を代行生成
文献レビュー	読んでいない文献の要約を転載	読んでいない論文をAIが要約・分析

1 何が起きたか
2 概要
3 検知ツールが限界を迎えている理由
4 企業・情報システム部門への波及
5 教育機関・企業が取るべき対応
6 FAQ

何が起きたか

生成AIが教育現場に急速に浸透するにつれ、学術不正の基本的な構造が変わりました。HackReadが2026年6月23日に報じた分析では、この変質を「コピーからデセプション（欺瞞）への移行」と表現しています。

従来の学術不正はほぼ一種類でした。他者の文章を無断で転用するテキスト盗用です。Turnitinのような類似性検索ツールは、既知のソースと照合することで盗用を発見できました。チェックの仕組みは単純で、「どこかに同じ文章が存在するかどうか」を調べるだけでよかったのです。

その前提がなくなりました。AIは既存のどこにも存在しない文章を一から生成するため、類似性検索では何も検出されません。文体も整い、学術的な言語を使い、課題の要件を満たし、一見して誠実な作業に見えます。しかし著者はそのアイデアを考えておらず、証拠を確認しておらず、最終的な作業の内容を理解していない可能性があります。

問題はテキストの盗用が消えたのではなく、それに加えてはるかに発見が難しい不正が新たに加わったという点です。

概要

今日の学術不正は複数の形態をとります。

エッセイや論文の全文代筆が最も基本的な形です。学生はAIに課題の文章を生成させます。出力は流暢で学術的な文体を持ち、要件に沿った構成になっています。特定のソースから引用されているわけでもないため、類似性スキャンには引っかかりません。

偽の引用問題は特に深刻な形態のひとつです。AIが「実在するような」ジャーナル名・著者名・巻号・ページ番号付きの参考文献を生成することがあります。

NeurIPS 2025の事例のように、それが最高水準の国際会議で査読を通過した論文にすら混入していた事実は、この問題がエントリーレベルの学生教育だけでなく研究コミュニティの信頼性そのものに影響を与えていることを示しています。

理科の実験レポートも新たなリスク領域です。学生は実際には実行していない実験からAIに逆算してデータと考察を生成させることができます。教員は整った文法・論理的な構成・正確な書式を見て問題に気づかない可能性があります。

コードの提出では、AIが動作するプログラムを生成するため、提出物自体は正しく動きます。しかし学生はそれがどう動いているかを説明できません。研究課題では、学生が実際には読んでいない論文の要約をAIで生成し、引用リストに加えることができます。

検知ツールが限界を迎えている理由

類似性スキャンとAI検知ツールの両方が、AI時代の不正に対して単独では機能しきれない状況になっています。

類似性スキャンは既知のソースとの比較が原理です。

AIが生成したオリジナル文章には、どこにも「同じ文」が存在しないため、何も検出されません。

AI生成テキストを検知するツールについても問題があります。AIが生成した文章には「AIっぽい」パターンがあるとされており、それを検知しようとしますが、学生が出力を手直しするとそのパターンが崩れます。逆に、単調なテンプレートに沿って書いた真面目な学生の文章が「AIっぽい」と誤判定されるケースも起きています。

誤検知は実害を生みます。ソフトウェアの判定だけに基づいた処罰は公正さを欠き、訴訟リスクや教員と学生の信頼関係の崩壊につながります。一方で、見逃しは不公正を放置することになります。

現実的に機能する兆候は存在します。草稿の履歴に実質的な発展の痕跡がない、過去の提出物と文体が大きく変わっている、論文の重要なアイデアを本人が説明できない、引用が存在しないかその主張を支持していない、コードが動くが本人がその仕組みを説明できないといった点は、精査が必要なサインです。ただしこれらは単独では不正の証明にはならず、対話と追加確認のトリガーとして使うものです。

企業・情報システム部門への波及

学術不正の問題は教育機関だけの課題ではありません。まったく同じ構造的な問題が、企業の内部文書・調達資料・コンプライアンスレポートにも波及しています。

採用の文脈では、AI代筆で学術的な課題を突破した人材が、実際にはその能力を持っていないまま入社するリスクがあります。技術的なスキルが要求される職種で、ポートフォリオや課題提出物がAI生成であった場合、実業務でのパフォーマンスに大きなギャップが生じます。これは採用部門だけでなく情報システム部門の採用においても現実の問題です。

社内報告書・提案書・技術文書においても、担当者がAIに全文を生成させ、内容を十分に理解していないまま上司や取引先に提出するという状況が起きています。決定者が読むレポートの根拠となるデータや引用がAIの作り話だった場合、その上で行われた意思決定はリスクを抱えます。

資格・認定の信頼性の問題もあります。社員教育や外部認定試験において、オンラインのアセスメントをAIに回答させることが容易になっています。資格保有者の能力についての組織的な前提が崩れ始めている可能性があります。

教育機関・企業が取るべき対応

禁止だけでは機能しません。完全な禁止はAI利用を見えない場所に追いやるだけです。甘いポリシーは乱用を招きます。

機能するのは明確なルールと、プロセスを評価できる課題設計の組み合わせです。AIをいつどのように使ってよいか・どのように開示するか・何が不正な使用にあたるかを明文化し、そのルールを学生・社員双方が理解できるよう伝えることが出発点です。

課題・アセスメントの設計を変えることが根本的な対策です。最終的な成果物だけを評価するのではなく、プロセスを評価します。具体的には草稿・メモ・出典トレース・口頭での説明を求めることです。コードであれば、提出後に小さな変更や説明を求めるセッションを設けることで「自分のコードを理解しているか」を確認できます。

良好なポリシーが含むべき要素として、明確なAI利用ルールの各課題への明示・ソース検証のプロセス・プロセスベースの評価方法・公正なレビュー手順・AI倫理教育・教員や管理者へのトレーニングが挙げられます。