教育研究論文索引とCiNiiの重複率

江草由佳（国立教育政策研究所）

高久雅生（物質・材料研究機構）

背景

• 様々な論文データベース– 作成方針が様々

• シームレスにつなげて利用したいニーズの高まり

• 解決策：例えば、リンクリゾルバ– なかなかうまくできない現実

– 表記の揺れがあり、そのままの書誌データではうまくつなげられない

– 統一的なIDがない（IDがあればつなげるのは簡単）• すべてにIDが付与されているわけではない。

– 過去に作成した膨大なデータをどうするか？• （新しい論文はIDがついている（DOIなど）、付けられるとしてよいとしても）

目的

• モチベーション：

– 異なる作成方針のデータベースをシームレスにつなげたい

• 基礎的な調査として

– 2つの異なる作成方針のデータベースの重複率の調査

– 調査手法の確立

対象データベース(1)‐‐ 教育研究論文索引(EPI) ‐‐

• 国立教育政策研究所教育研究情報センター教育図書館（以降は教育図書館と呼ぶ）が作成

• 教育分野の研究論文や記事のみを収録

• 収録対象誌

– 教育図書館が受け入れた大学紀要すべて

– 教育関係雑誌（学協会、商業誌）約300誌

• 181,294件(2011年3月時点)

対象データベース(2)‐‐ CiNii(サイニィ) ‐‐

• 国立情報学研究所（NII）が作成

• 複数のデータベース作成機関より提供されたデータベースを統合したデータベース– 引用文献索引データベース（NII）

自然科学分野の論文の引用文献– NACSIS‐ELS（NII）

大学紀要や学協会誌など– 雑誌記事索引（国立国会図書館）

学協会誌、商業誌なども含む– J‐STAGE（科学技術振興機構）など

学協会誌

• 14,727,980件(2011/05/22 現在)

調査結果

• EPI（教育研究論文索引）

• CiNii (サイニィ) 

重複率（EPIのうち、CiNiiにもあるレコード）は：

59% ～ 64% 

EPI

CiNii

※EPI とCiNii に重複しているレコードは，EPIの164,643 件中，少なくとも97,166 件(59%)は ある。サンプル調査の結果では、64%であった。

調査方法と調査時期

• 調査方法

– 全数調査：全てのレコードを対象

– サンプル調査：サンプル1000件のレコードを対象

• 調査時期

– 第1期・・・2009年2月20日～2010年3月19日– 第2期・・・2010年3月30日～2011年2月4日

調査方法（全数調査）

EPI

TSV論文書誌

論文書誌

論文書誌

TSV

論文書誌EPI01

論文書誌EPI02

論文書誌EPI03

候補論文書誌CiNii01

候補論文書誌CiNii02

候補論文書誌CiNii03

正解

不正解

不正解

同じ論文をさす論文書誌かどうか人手判定

候補検出プログラム

全データを抽出

CiNii

一致率が著しく低下したら中止する

類似度順

相澤のiLinkageによるレコード同定の手法

本当にCiNiiにないかは不明

・・・

・・・

候補論文出力例

• EPI書誌ID: EA00000770• EPIの書誌データ: 松本昭彦 中古・中世文学に見る

「七歳」の意味 小学校満六歳入学制の淵源として三重大学教育学部研究紀要 教育科学 三重大学教育学部 59 311 320 2008

• CiNiiの書誌データ: 著者: 松本 昭彦 Matsumoto Akihiko;論題: 中古 中世文学に見る 七歳 の意味小学校満六歳入学制の淵源として; 掲載誌: 三重大学教育学部紀要 自然 人文 社会 教育科学;巻号: 59;ページ: 1‐10;発行年: 2008

• CiNiiのURL: http://ci.nii.ac.jp/naid/120001164708• 類似度: 0.150938

調査方法（サンプル調査）

EPI

TSV

論文書誌

論文書誌

論文書誌

TSV

論文書誌EPI01

論文書誌EPI02

論文書誌EPI03

候補論文書誌CiNii01

候補論文書誌CiNii02

候補論文書誌CiNii03

正解

不正解

不正解

同じ論文をさす論文書誌かどうか人手判定

候補検出プログラム

ランダムに1000件抽出

CiNii

CiNiiにあり

CiNiiになし

CiNiiにあるかどうか人手調査

相澤のiLinkageによるレコード同定の手法

EPIレコード数（予稿集：表2）

手順 第1期 第2期

データ取得 154,624 164,643候補検出 154,624 163,265

人手判定候補 154,624 68,956

人手判定 99,500 17,000

‐1,378

‐94,309

第1期ですでに判定済みのもの（当該候補CiNii 論文データが不一致と判明しているもの，もしくはすでに，EPI 論文データと一致CiNii 論文データが判明しているの）

候補がなかったもの

削除レコード1件を除き1期分をすべて含む

第1期,第2期調査のまとめ(p.128 表6)

全164,643件中（少なくとも）98,222件CiNiiと重複したレコードがあるつまり 98,222 ÷ 164,643 = 59.7%

サンプル調査結果(p.128 表7)

639 ＝

＝ ＝138 355

＝361

つまり、レコード1000件中639件CiNiiにもあるレコードである。63.9%が重複する

639

361

重複論文

重複なし

108, 17%

528, 83%

本文の有無本文あり 本文なし

8, 7% 6, 6%

95, 87%

有料 定額公開 オープンアクセス

本文の有無

※CiNiiのAPIのうち、2011年5月23日に追加された項目：「CiNii本文有無と提供条件」を使用して調査した

まとめ

• 全数調査(類似度の高いものから全て)：– 第1期は99,500レコードの人手判定– 第2期は17,000レコードの人手判定– EPI:164643件中少なくとも98,222件(59.7%)はCiNiiにもある

重複したレコード

• サンプル調査(1000件のランダム抽出)：– EPI:1000件のうち、639件(63.9%)はCiNiiにもある重複した

レコード– うち、本文があるものは108件であり、1000件のうち10.8%

は本文があった。

• この結果は教育図書館の実サービスに反映– EPIからCiNiiへのリンクが実現

謝辞

• 調査に使用した教育研究論文索引レコードに対するCiNii 論文候補検出は，相澤彰子教授

（国立情報学研究所）が開発したレコード同定システムとその同定結果をご提供いただいたものです．深く感謝いたします．

ここからは予備スライド

調査時期（予稿集：表1）

手順 第1期 第2期

データ取得 ’09年2月20日 ’10年3月30日

候補検出 ’09年3月15日 ’10年4月22日

人手判定’09年12月7日

～’10年3月19日

’10年11月25日～

’11年2月4日

第1期判定分の結果(予稿集：表4)

第2期分の判定結果(予稿集：表5)

EPIレコード例

• 書誌ID: EA00000770

• 論題名: 中古・中世文学に見る「七歳」の意味―小学校満六歳入学制の淵源として

• 掲載誌名: 三重大学教育学部研究紀要

• 巻号: 59

• 著者: 松本昭彦

• 発行日付: 2008.3

• ISSN: 0389925X

• 掲載ページ: 311-320

候補検出論文の項目

• EPIの論文書誌レコードデータ

• 対応するCiNiiの候補論文書誌レコードデータ，URL

• EPI論文とCiNii候補論文の類似度

類似度の分布（予稿集：表3）

サンプル調査結果(図3)

‐1

‐0.8

‐0.6

‐0.4

‐0.2

0

0.2

0.4

0.6

0.8

1

0 100 200 300 400 500 600 700 800 900 1000

1：CiNiiにある 0：CiNiiにない

類似度（‐1は未検出）

CiNiiに未収録の具体例 (表８）

判定の判断が難しかったレコード

• 書誌レコードを作成する際の入力ミスと推定されるもの

• EPI とCiNii のレコードの記述規則による違いによるもの

• 特集号全体と特集号の一論文など収録粒度の違いに起因するもの

レコードの人手判定

• 論文書誌情報が単に同一のものであるか否かを見るだけではない

• 粒度や，いくつかの情報源を参照しながら判定を行う

• 書誌レコードの粒度が異なる場合は異なるレコードと判定– 例：

• 特集号全体を1つのレコードとしたものと，

• 特集号の中の1 論文が1 つのレコードとなっているもの→ 異なるレコードとして判定する