卒論でLLMをテーマにする方法|分野10選・4アプローチ・テーマ例30選・NG10選

最終更新日:2026年8月6日

「LLMを卒論のテーマにしたい」「どんな分野で扱える?」「どんな研究ができる?」——このKWで検索する書き手の多くは、LLM(大規模言語モデル)を卒論テーマとして検討する大学3〜4年生・修士学生である。業界内では「情報科学で扱う」の一般論が多く、扱える分野10選、4つのアプローチ、テーマ例30選、情報源、独自視点、絞り込み5基準を体系整理した実務ガイドは極めて少ない。LLMは情報科学・自然言語処理・教育学・倫理学・法学等の主要分野で正当な研究対象として扱われている急成長領域である。

結論から言えば、LLMは情報科学(モデルアーキテクチャ)、自然言語処理(タスク性能)、教育学(学習支援)、社会学(社会影響)、倫理学(AI倫理)、法学(著作権・責任)、経済学(労働市場)、心理学(認知的相互作用)等の分野で扱える正当なテーマである。研究アプローチは「技術分析」「性能評価」「影響分析」「倫理法学」の4種があり、テーマは「モデル・タスク・分野・時代・切り口」の5軸で絞り込む。書き手は「LLMを使ってみた感想」ではなく「学術的視点でLLMを研究する」姿勢が求められる。

この記事では、分野10選、4つのアプローチ、テーマ30選、情報源、独自視点、絞り込み5基準、Before/After 8選、NG10選まで、業界内部視点で公平に整理する。LLM活用そのものは卒論のAIどこまで、書き方は卒論の書き方、テーマ全般は卒論のテーマもあわせて参照してほしい。

LLMを扱える分野10選

結論:LLMは10分野で正当な学術テーマとして扱える。書き手が分野の広さを理解することで、自分の関心に合う分野を選べる。選択肢の広さを知ることが第一歩である。書き手は視野を広く持ちたい。視野の広さは選択の質を決める。

分野	主なアプローチ
情報科学	モデルアーキテクチャ・Transformer解析
自然言語処理	タスク性能・ファインチューニング
教育学	学習支援ツール・教育効果
社会学	LLMと労働・格差・社会変化
倫理学	AI倫理・アライメント・バイアス
法学	著作権・責任・規制
経済学	労働市場・産業構造・生産性
心理学	ユーザー認知・依存・信頼
メディア研究	ジャーナリズム・情報生成
言語学	言語モデルの言語現象・多言語性

書き手は自分の所属学部・学科の慣例に沿って分野を選ぶ。「LLM」というテーマは共通でも、扱う分野で研究方法・評価基準が大きく異なる。分野選定は研究の型を決める第一歩である。書き手は分野の選択を軽視しない姿勢を持ちたい。

10分野の存在は、LLMが技術分野だけでなく社会・人文系まで含む多面的な研究対象であることを示している。書き手は「LLM=情報科学だけの領域」の思い込みを疑い、自分の学部・関心に合った切り口を探る姿勢が重要である。分野の広さを知ることで、書き手の研究への自信も生まれる。

LLM研究の4つのアプローチ

結論:LLM研究には4つのアプローチがある。書き手がアプローチを理解することで、自分に合う方法を選べる。方法の選択は研究設計の中核である。中核の決定が全体の質を左右する。書き手は中核決定に時間をかけたい。

アプローチ1:技術分析

モデルのアーキテクチャ・学習手法・推論機構を技術的に分析。情報科学・自然言語処理系で主流。Transformer構造、Attention機構、RLHF等の分析が典型である。書き手は数学・プログラミングの素養が必要である。技術的素養は書き手の分析力の基盤となる。書き手は素養を早期に鍛えたい。早期の投資は後の作業効率を高める。書き手は投資回収の視点を持ちたい。

アプローチ2:性能評価

LLMの各タスクでの性能を実験的に評価。ベンチマーク検証、プロンプトエンジニアリング効果、モデル比較等が典型である。書き手はAPI利用や実験環境の構築が必要である。実験環境の準備は早期に始めたい。準備は書き手の実行力を高める。実行力は書き手の実務能力である。実務能力は書き手のキャリア全般で活きる。

アプローチ3:影響分析(応用・社会)

LLMが教育・労働・社会に与える影響を実証的に分析。教育学・社会学・経済学系で主流。アンケート・インタビュー・データ分析等を組み合わせる。書き手は分野の方法論を身につける。方法論の遵守が学術性を担保する。書き手は方法論への敬意を持ちたい。敬意は書き手の共同体員としての基本である。書き手は敬意を持って研究に臨みたい。

アプローチ4:倫理・法学研究

LLMの倫理的・法的問題を文献・判例・事例で分析。倫理学・法学系で主流。AI倫理・著作権・責任・規制等が対象になる。書き手は倫理・法の理論枠組みを活用する。理論枠組みは分析の土台である。土台なくして分析は成り立たない。書き手は土台の整備を怠らない。土台は書き手の分析の基盤となる。

4アプローチは組み合わせも可能である。書き手は自分の関心と分野の慣例に合わせて選ぶ姿勢が実務的である。選択の質が研究の質を決める。

4アプローチは書き手の適性で選ぶ。技術分析は数学・プログラミングが得意な書き手向き、性能評価は実験設計が好きな書き手向き、影響分析は社会科学の方法論を身につけた書き手向き、倫理法学は理論的思考が得意な書き手向きである。書き手は自分の強みを活かせるアプローチを選ぶことで、無理なく研究を進められる。

LLMテーマ例30選(分野別)

結論:LLMの学術テーマは分野別に多数ある。書き手が具体例を知ることで、自分のテーマを絞り込める。具体例は書き手の想像力を広げる。想像力は書き手のテーマ発想力を高める。発想力は書き手の研究の独自性を支える。

技術系(10例)

• 1. Transformer構造とAttention機構の解析
• 2. RLHFによるアライメント手法の比較
• 3. プロンプトエンジニアリングの効果検証
• 4. Few-shot学習とZero-shot学習の性能比較
• 5. ファインチューニング手法(LoRA等)の比較
• 6. Chain-of-Thought(CoT)の推論精度への影響
• 7. LLMのハルシネーション発生要因
• 8. マルチモーダルLLMの性能評価
• 9. 量子化技術がモデル性能に与える影響
• 10. 小規模LLMと大規模LLMのタスク別性能

応用・実務系(10例)

• 11. LLMによる自動要約の精度分析
• 12. LLMを活用した教育教材の作成と効果
• 13. カスタマーサポートでのLLM活用実態
• 14. コーディング支援ツールとしてのLLM性能
• 15. 医療現場でのLLM活用と課題
• 16. 法律業務でのLLM活用の可能性
• 17. LLMによる翻訳品質の比較(従来型 vs LLM)
• 18. 日本語LLMの性能課題
• 19. RAG(検索拡張生成)の効果検証
• 20. LLMエージェントの実用性評価

社会影響・倫理系(10例)

• 21. LLMの学術利用に関する倫理指針の比較
• 22. LLMによる生成物と著作権
• 23. LLMのジェンダーバイアス分析
• 24. LLMが労働市場に与える影響
• 25. 教育現場でのLLM利用ガイドラインの分析
• 26. LLMとフェイクニュース生成のリスク
• 27. LLM規制の国際比較(EU・米国・日本)
• 28. LLMへの依存が思考力に与える影響
• 29. LLM開発の環境負荷(電力・水資源)
• 30. LLMのバイアス測定と是正手法

30例はあくまで参考であり、書き手は自分の関心と分野の適合性で選ぶ。テーマ例をそのまま使うより、参考にして自分ならではの絞り込みをする姿勢が実務的である。書き手の独自性は絞り込みの過程で生まれる。絞り込みが書き手の視点を鮮明にする。鮮明な視点は説得力を生む。書き手は視点の鮮明化を意識したい。

LLM研究の情報源

結論:LLM研究には複数の重要な情報源がある。書き手が情報源を知ることで、質の高い研究ができる。情報源の選定が研究の質を決める。書き手は情報源を大切にしたい。情報源の質が研究の質を決める。

論文プレプリントサーバー

arXiv・Papers with Code等でLLMの最新論文を確認。LLM分野は査読を待たず先行公開される論文が多く、最新動向はarXivで追う。書き手は英語論文への抵抗を減らす訓練も兼ねる。英語論文への慣れは書き手の研究の幅を広げる。書き手は英語への抵抗を減らす努力を続けたい。英語力は書き手の研究の幅を広げる。書き手は英語力を継続的に鍛えたい。

主要学会論文

ACL・EMNLP・NeurIPS・ICLR等のトップ会議の論文が中核。書き手はこれらの学会論文で査読を経た研究を参照する。査読済み論文は信頼性が担保されている。書き手は査読論文を土台にする姿勢を持ちたい。査読は学術的信頼性の担保である。書き手は査読プロセスへの敬意を持ちたい。査読は先人が築いた学術的信頼の仕組みである。

オープンモデル・データセット

Hugging Face・GitHubで公開されているモデル・データセットを活用。オープンモデル(Llama・Mistral等)は書き手が実験可能である。API課金なしで研究できる利点がある。学生の書き手には特に魅力的な選択肢である。オープンモデルは書き手の実験機会を広げる。書き手は実験機会を積極的に活用したい。実験は書き手の研究の中核である。

ベンチマーク

MMLU・HELM・BIG-bench等の標準ベンチマーク。性能評価研究では標準ベンチマークでの検証が必要である。書き手は既存ベンチマークを土台にする。標準ベンチマークは他研究との比較を可能にする。書き手は比較可能性を意識したい。比較可能性は書き手の研究の位置づけを決める。

LLM研究の独自視点

結論:LLM研究には他分野にない独自の課題がある。書き手が課題を理解することで、研究設計の質が上がる。課題への理解は書き手の学問的成熟度を示す。成熟度は書き手の生涯にわたる資産である。書き手は成熟を目指したい。

視点1:急速な変化への対応

LLM分野は変化が極めて速く、数ヶ月で最新技術が変わる。書き手は執筆時点でのモデル・技術を明示し、「〇年〇月時点」と記述する必要がある。過去の技術も「時代的位置づけ」として尊重する。時代性の明示は書き手の誠実さの表れである。誠実さは書き手の学問的資産となる。誠実さは書き手の学問的資産となる。書き手は誠実さを大切にしたい。誠実さは書き手の学問的信頼を築く。

視点2:評価の困難性

LLMの性能評価は「何を評価するか」で結果が変わる。書き手は評価軸・評価データ・評価手法を明示する必要がある。「単一の勝者」を決めるより「タスクごとの得手不得手」を示す姿勢が実務的である。多面的な評価が実態を捉える。書き手は多面性を意識したい。多面性は書き手の研究を豊かにする。

視点3:倫理課題への配慮

LLMには生成物の著作権、バイアス、ハルシネーション、悪用等の倫理課題がある。書き手はどのアプローチでも倫理課題への配慮が求められる。研究倫理審査が必要な場合もある。書き手は倫理を最優先する姿勢を持ちたい。倫理は書き手の一生の作法である。作法は書き手のあらゆる活動に及ぶ。

視点4:再現性の担保

LLMは同じ入力でも異なる出力を返す(温度パラメータ等)。書き手は複数回試行して統計処理する、シード値を固定する等の工夫が必要である。再現性の担保が学術性の基盤である。書き手は再現性への配慮を怠らない。再現性は科学の基盤である。書き手は基盤への配慮を怠らない。

4つの独自視点はLLM研究の難しさと同時に学術的魅力を示している。書き手はこれらの課題と真摯に向き合うことで、単なる「使ってみた報告」を超えた学術研究になる。急速に変化する分野だからこそ、書き手の慎重で誠実な姿勢が研究の価値を高める。

LLMテーマ絞り込みの5基準

結論:LLMテーマは5基準で絞り込む。書き手が基準を持つことで、実証可能な範囲のテーマを設定できる。基準は書き手の判断を安定させる。安定した判断が実務効率を高める。効率は書き手の生産性の基盤である。

基準1:モデル

「特定モデル(GPT系・Claude系・オープンモデル等)」に絞る。モデルによってアーキテクチャ・性能・特性が異なる。書き手は扱うモデルを明確化する。モデルの明示は分析の前提である。前提の明確化が分析の質を担保する。書き手は前提を軽視しない姿勢を持ちたい。

基準2:タスク

「翻訳」「要約」「質問応答」「コード生成」等、扱うタスクを絞る。タスクごとに評価軸が異なる。書き手はタスクを1〜2に絞る。絞り込みは深さを生む。深さは書き手の学問的貢献の基盤である。書き手は深さを追求したい。

基準3:分野

「教育」「医療」「法律」等、応用分野を明確化。分野特化の研究は独自性を出しやすい。書き手は分野への深い理解を活かしたい。深い理解は書き手の独自視点を生む。独自視点は書き手の研究の意義を高める。

基準4:時代

「〇年〇月時点」を明示し、扱う技術世代を限定。LLMは変化が速いため、時代の明示は必須である。時代の明示は書き手の学術的誠実さを示す。誠実さは書き手の一生の作法である。

基準5:切り口

「技術的」「応用的」「社会的」「倫理的」等、分析の切り口を選ぶ。同じテーマでも切り口によって異なる論述になる。書き手は自分の分野の切り口を意識したい。切り口は書き手の学問的アイデンティティを示す。アイデンティティは書き手の姿勢を安定させる。

5基準を組み合わせることで、「オープンモデルLlama系(モデル)の要約タスク(タスク)における教育応用(分野)を2025年時点(時代)で技術的評価(切り口)」等、明確なテーマになる。書き手は5基準を絞り込みのチェックリストとして活用したい。

5基準の中でLLM研究に特有なのが基準1「モデル」と基準4「時代」である。他分野では研究対象が長期的に安定しているが、LLMは半年〜1年で主要モデルが変わる。書き手は「今研究するモデルは近い将来古くなる」という時代性を意識しつつ、その時点での学術的価値を追求する姿勢が求められる。

LLMテーマのBefore/After 8選

結論:LLMテーマは書き手の意識で大きく変わる。書き手がBefore/Afterの視点を持つことで、実務的な改善力が身につく。改善事例は書き手の判断基準を作る。基準は書き手の意思決定を支える。基準がある書き手は迷わない。

改善例1:「LLMについて」→絞り込み

Before:「LLMについて」。After:「オープンモデルLlamaによる日本語要約の性能評価」。効果:実証可能な範囲になる。絞り込みは書き手の実証性を担保する。「狭く深く」は学術研究の基本原則である。書き手は基本原則を尊重したい。原則尊重は書き手の共同体員としての基本である。

改善例2:使ってみた感想→性能評価

Before:「使ってみて便利だった」。After:ベンチマーク検証で定量評価。効果:学術性が担保される。定量評価は書き手の学問的姿勢を示す。姿勢は書き手の共同体員としての基本である。書き手は共同体員として振る舞いたい。

改善例3:時代を書かず→時期明示

Before:「LLMは〜」と時代を明示しない。After:「2025年〇月時点のLLMは〜」。効果:急速な変化に対応した記述になる。時期明示は書き手の誠実さの表れである。書き手は誠実さを大切にしたい。

改善例4:1モデルのみ→複数比較

Before:1つのモデルのみを扱う。After:複数モデルを比較検証。効果:モデル特性を相対的に評価できる。比較は書き手の視野を広げる。視野の広さは書き手の学問的資産である。書き手は資産を大切にしたい。

改善例5:単一試行→複数試行

Before:1回の出力で結論。After:複数回試行して統計処理。効果:再現性が担保される。再現性は学術研究の基本原則である。書き手は基本原則を尊重したい。

改善例6:プロンプト非公開→公開

Before:使用プロンプトを記載しない。After:完全なプロンプトを付録に記載。効果:第三者が再現可能になる。再現可能性は書き手の学問的誠実さを示す。誠実さは書き手の一生の作法である。

改善例7:先行研究軽視→arXiv調査

Before:先行研究を調べない。After:arXivで最新論文を確認。効果:研究の位置づけが明確になる。先行研究への敬意は書き手の共同体員としての基本である。書き手は共同体員として振る舞いたい。

改善例8:倫理配慮なし→明示的言及

Before:倫理課題に触れない。After:バイアス・ハルシネーション等への配慮を明示。効果:研究の完成度が高まる。倫理配慮は現代のLLM研究では必須である。書き手は倫理を大切にしたい。倫理は書き手の一生の作法である。

これら8つの改善例は、書き手が意識するだけで即座に実行できる調整である。「学術研究としてLLMを分析する」姿勢が卒論の質を決める。書き手は姿勢の質を大切にしたい。

8つの改善例に共通するのは「ユーザー視点」から「研究者視点」への転換である。書き手にとってLLMは日常的に使うツールでもあるが、卒論では「対象化して分析する」視点が必要である。ユーザーとしての実感を持ちつつも、学術的距離を保つ姿勢が書き手の学問的成熟度を示す。

LLMテーマのNG10選

結論:LLMテーマには避けるべきNGパターンが10種類ある。書き手が事前に把握することで、致命的な失敗を予防できる。予防的思考は書き手の智慧である。「起きる前に手を打つ」姿勢が実務家の基本である。事後対応は事前対応より遥かにコストが高い。

NG1:感想文で終わる

「〇〇は便利だった」等の感想の羅列。学術研究として成立しない。書き手は感想と分析を区別する意識を持ちたい。区別は書き手の姿勢の基本である。姿勢は書き手の学問的成熟度を示す。

NG2:時代を明示しない

「LLMは〜」と時期を明示しない。数ヶ月で古くなる分野で致命的である。書き手は時代性への感度を高めたい。感度は書き手の研究の質を決める。書き手は感度を鍛えたい。

NG3:1回の出力で結論

1回の生成結果で一般化した結論を出す。再現性が担保されない。書き手は複数試行を怠らない。複数試行は書き手の慎重さの表れである。慎重さは書き手の学問的姿勢の総体を示す。

NG4:プロンプト非公開

使用プロンプトを記載しない。第三者が再現できず、学術性が担保されない。プロンプト公開は書き手の基本作法である。基本作法の遵守が学術性を担保する。書き手は基本作法を大切にしたい。

NG5:モデル・バージョン不明示

使用モデルの正確な名称・バージョンを記載しない。データの信頼性が疑われる。書き手はモデル情報を必ず明示する姿勢を持ちたい。明示は書き手の誠実さの表れである。

NG6:先行研究軽視

arXiv・主要学会論文を確認せず書く。既存研究との位置づけが不明確になる。書き手は先行研究の系譜を整理する姿勢を持ちたい。系譜整理は研究の位置づけを示す前提である。前提の丁寧さが結論の説得力を高める。

NG7:ベンチマーク不使用

性能評価で標準ベンチマークを使わず、独自基準で評価。他研究と比較できない。標準ベンチマークの活用は書き手の基本作法である。書き手は先人の作った評価基盤を尊重したい。尊重は書き手の共同体員としての基本である。

NG8:倫理課題の無視

バイアス・ハルシネーション・著作権等の倫理課題に触れない。現代のLLM研究では必ず言及すべき論点である。倫理課題への配慮は書き手の学問共同体員としての基本である。書き手は共同体員として振る舞いたい。

NG9:LLM出力の丸写し

LLMが生成した文章を卒論本文にそのまま使用。学術不正となる可能性がある。書き手は学術倫理を最優先する姿勢を持ちたい。最優先は書き手の姿勢を示す。姿勢は書き手の学問的成熟度を反映する。詳しくは卒論のAIどこまでを参照。

NG10:「LLMは万能」等の結論

結論が過度な礼賛・過度な批判に偏る。学術研究の中立性を損なう。書き手は中立性を保つ姿勢を持ちたい。中立性は学術研究の基本原則である。書き手は基本原則を守りたい。

これら10のNGは、業界内で実際に指摘される「よくある失敗」である。「先人の失敗を活かす」姿勢で事前に把握すれば、LLMテーマ関連の失敗を大きく減らせる。「知っているだけで防げる失敗」を予防することが、書き手の時間と評価を守る投資である。

10のNGに共通するのは「LLM分野特有の再現性・時代性・倫理性への配慮不足」から生まれる失敗である。書き手がこれらの課題に真剣に向き合えば、多くのNGは自然に回避できる。急速に進化する分野だからこそ、書き手の慎重な姿勢が研究の学術的価値を守る。

よくある質問(FAQ)

Q1:LLMは卒論テーマとして通用する?

通用する。情報科学・自然言語処理・教育学・倫理学・法学等で正当な研究対象として扱われている。「学術研究として」の姿勢で臨めば十分に成立する。姿勢が研究の質を決める。書き手は姿勢を大切にしたい。姿勢は書き手の学問的アイデンティティである。

Q2:プログラミングは必須?

アプローチによる。技術分析・性能評価はプログラミングが必要。影響分析・倫理法学は不要な場合が多い。書き手は自分のスキルに合うアプローチを選ぶ。スキルとアプローチの整合が研究を成功させる。書き手は整合性を意識したい。整合性は書き手の研究設計の質を高める。

Q3:GPU等の計算資源は必要?

API利用なら不要。オープンモデルの実行にはGPUが必要な場合もあるが、Google Colab等の無料資源で対応可能な場合もある。書き手は計算資源を事前に見積もる。事前見積もりは書き手の計画性の表れである。計画性は実務家の基本能力である。書き手は計画性を鍛えたい。

Q4:分野の進歩が速すぎて追いつかない場合は?

「〇年〇月時点」を明示することで、時代性のある研究として成立させる。全ての最新技術を追う必要はない。書き手は特定時点に焦点を絞る姿勢が実務的である。焦点を絞る判断は書き手の実務能力である。実務能力は書き手のキャリア全般で活きる。書き手は実務能力を継続的に鍛えたい。

Q5:LLM出力を研究データとして使える?

使える。ただしプロンプト・モデル・生成日時を明示し、生成物の分析であることを明記する。書き手は「LLM出力=データ」と「LLM出力=本文」の区別を意識する。区別の明確化は書き手の学術的姿勢を示す。書き手は概念の区別を大切にしたい。区別は書き手の理解の深さを示す。

Q6:LLMをどこまで卒論執筆に使える?

大学のガイドラインに従う。詳しくは卒論のAIどこまでを参照。「LLM研究の卒論」と「LLMを使って書く卒論」は別問題である。両者の区別は書き手の理解の基本である。基本理解が応用の質を決める。書き手は基本を軽視しない姿勢を持ちたい。

Q7:指導教員がLLMに詳しくない場合は?

問題ない。教員は分野の作法(情報科学・言語学等)の指導者であり、LLMの詳細を知る必要はない。書き手が学術的枠組みを丁寧に説明する姿勢が重要である。丁寧な説明は書き手の対話能力を示す。対話能力は書き手の共同体員としての基本である。書き手は対話を大切にしたい。

まとめ:LLMは「学術研究として」臨めば正当なテーマである

LLMを卒論テーマにすることについて、業界内部視点で整理してきた。要点を再掲する。

• LLMは10分野(情報科学/NLP/教育学/倫理学/法学等)で扱える正当なテーマ
• 4つのアプローチ(技術分析/性能評価/影響分析/倫理法学)から選ぶ
• 具体的テーマ例30選から自分の関心に合うものを絞り込む
• 情報源(arXiv・主要学会・オープンモデル・ベンチマーク)を組み合わせる
• 独自視点(急速変化・評価困難・倫理課題・再現性)を意識
• 絞り込み5基準(モデル/タスク/分野/時代/切り口)で明確化
• Before/After 8選で「学術研究として」の姿勢を身につける
• NG(感想文/時代不明示/プロンプト非公開/倫理無視等)を避ける

LLMは「学術研究として」臨めば正当なテーマである。書き手が「LLMを使ってみた感想」ではなく、客観的な学術分析として取り組めば、情報科学・自然言語処理・教育学等の分野で卒論として十分に成立する。「時代の最先端テーマを学問的に扱う」ことは、書き手の学問的成長の大きな機会でもある。時代の最先端で研究する経験は書き手の視野を広げる。書き手は最先端への挑戦を活かしたい。挑戦は書き手の成長機会である。

本記事で整理してきた分野・アプローチ・情報源・独自視点は、LLMに限らずAI・機械学習・情報技術を扱う卒論一般に応用できる普遍的な視点である。「一度身につけた作法は生涯活用できる」姿勢で取り組んでほしい。技術と社会の接点を学術的に扱う能力は、書き手のあらゆるキャリアで活きる基本能力である。AI時代の書き手には特に有用なスキルである。

書き手が卒論でLLMを扱う経験は、社会人になってからも「新しい技術を学術的に評価する力」として活きる。AIエンジニア・データサイエンティスト・プロダクトマネージャー・研究職・政策担当等、技術と社会の接点で働く職業では特に有用である。書き手は卒論を「卒業のための義務」ではなく「一生使える技術理解・評価スキルの訓練場」として捉える視点を持ちたい。

関連する他記事もあわせて活用してほしい。LLM活用は卒論のAIどこまで、書き方は卒論の書き方、書き始めは卒論の書き始め、テーマは卒論のテーマ、引用は卒論の引用、著作権は卒論の著作権を参照されたい。