研究論文のための出版品質の図表を作成する方法

2023年のPLOS ONE研究によると、研究者はジャーナル投稿のために各原稿のフォーマット修正に中央値で14時間を費やしており、図表の準備は一貫して最も時間のかかる作業の一つとして挙げられています。研究論文の図表をどう作成するかで苦労したことがある方は、決して一人ではありません。難解なDPI要件、一貫性のないフォントスケーリング、そして利用可能なツールの膨大さの間で、生データを出版可能なビジュアルに仕上げるプロセスは、それ自体が一つの研究プロジェクトのように感じられることがあります。

本ガイドでは、すべてのステップを詳しく説明します。ターゲットとする投稿先が求める技術的基準、それを満たすためのツール、そしてデスクリジェクトの原因となる一般的なミスについてです。NeurIPSへの初投稿を準備中の博士1年目の学生であれ、ジャーナルのリビジョンを仕上げているポスドクであれ、本ガイドを読み終える頃には、研究成果を損なうのではなく強化する図表を作成するための、明確で再現可能なワークフローを手に入れることができるでしょう。

要点まとめ

• 解像度とフォーマットは重要です：ダイアグラムにはベクター形式（PDF、EPS、SVG）を使用し、ラスター画像には少なくとも300 DPIを確保してください。線画には600 DPIが必要です。
• フォントサイズはスケーリング後も可読であること：軸ラベルや注釈は、図が最終的なカラム幅にスケーリングされた後に少なくとも8ポイント以上に設定し、文書のフォントと一致させてください。
• カラーアクセシビリティは任意ではありません：男性の約8%が何らかの色覚異常を持っています。すべての図表をグレースケールおよび色覚異常者に配慮したパレットで解釈可能なように設計してください。
• 1つの図、1つのメッセージ：図を改善する最も効果的な方法は、1つの明確なメッセージに容赦なく絞り込むことです。
• AIツールがワークフローを変革しています：PaperBananaのPaper Visualizerのようなマルチエージェントパイプラインは、ダイアグラムとデータプロットの両方を生成し反復的に改善できるようになり、手作業のフォーマット作業を何時間も節約できます。

図の品質が想像以上に重要な理由

ジャーナルの編集者に、新しい投稿を開いたときに最初に何に目が行くかを尋ねると、答えはほぼ必ず「図表」です。一段落も読む前に、レビュアーは視覚的なプレゼンテーションに基づいて論文の厳密さについての印象を形成します。ピクセル化されたアーキテクチャ図や、軸が切り詰められた棒グラフは、公平であるかどうかはともかく、不注意を示すシグナルとなります。

これは推測ではありません。Elsevierの広く引用されている「あなたの論文をリジェクトした8つの理由」というエディトリアルでは、品質の低い図表がレビュアーの信頼を損なう要因として明確に挙げられています。編集者が週に数十もの原稿を処理する中で、雑なビジュアルを持つ限界的な論文は、最もデスクリジェクトされやすいものです。

図表はまた、独自のコミュニケーション上の役割も果たします。人間の視覚システムは、構造化された画像をリニアなテキストよりもはるかに速く処理します。よくデザインされた学習曲線は、2段落の説明が必要な内容を3秒で伝えることができます。逆に、わかりにくい図表は、読者にキャプション、テキスト、ビジュアルの間でコンテキストスイッチを強い、理解の流れを途切れさせます。NeurIPS、ICML、CVPRのような競争の激しい学会では、レビュアーは本業の後にボランティアとして論文を読んでいるため、その認知的摩擦がweak acceptとrejectの分かれ目になることがあります。

その意味するところは明確です。出版品質の図表への投資は、見栄えを良くするための化粧ではありません。それは、あなたの貢献がどのように認識されるか、そして最終的に採択されるかどうかに直接影響する戦略的な判断です。

無視できない技術要件

主要な出版社や学会はすべてスタイルガイドを提供しています。詳細は異なりますが、3つの要件がほぼ普遍的に見られます：解像度、フォントサイズ、カラー処理です。

解像度とDPI

DPI（dots per inch）は、印刷時にラスター画像がどれだけ鮮明に見えるかを決定します。業界標準の最低値は、ハーフトーン画像（写真、ヒートマップ、グラデーションの多いプロット）で300 DPIです。線画---アーキテクチャ図、フローチャート、回路図---については、低い解像度ではエイリアシングされたエッジが目立つため、ほとんどの出版社は600 DPIを要求しています。

最もクリーンな解決策は、DPIの問題を完全に回避するためにベクター形式を使用することです。PDF、EPS、SVGは、形状をピクセルグリッドではなく数学的記述として保存するため、あらゆるサイズに完全にスケーリングされます。図がダイアグラム、折れ線グラフ、または棒グラフであれば、ベクター形式でエクスポートしてください。ラスター形式（PNG、TIFF）は、写真、顕微鏡画像、またはベクターレンダラーが苦手とする複雑なグラデーション塗りを含む図表のために温存してください。

matplotlibエコシステムでよくあるミスは、plt.show()を呼び出して出力ウィンドウをスクリーンショットしたり、デフォルトの100 DPIでPNGに保存したりすることです。どちらも画面上では許容範囲に見えますが、印刷では崩れます。修正は簡単です：

plt.savefig('figure1.pdf', bbox_inches='tight', dpi=300)

PDF（ベクター形式）で保存する場合でも、dpiパラメータは透明度や埋め込み画像など特定の要素のラスタライズに影響するため、明示的に設定することが良い習慣です。

可読性のためのフォントサイズ

図表のフォントサイズには落とし穴があります。matplotlibで軸ラベルを12ポイントに設定しても、図が8インチ幅から3.25インチのシングルカラムレイアウトにスケーリングされると、それらのラベルは約5ポイントに縮小されます---快適に読める閾値を下回ります。

主要な出版社における経験則は、最終的なカラム幅にスケーリングした後、テキスト要素が8ポイントを下回らないことです。これを達成するには、投稿先のカラム幅を事前に把握する必要があります：

matplotlibのfigsizeを実際のカラム幅（または使用予定の幅）に設定し、追加のスケーリングなしでそのサイズで読みやすいフォントサイズを選択してください。NeurIPSの場合、figsize=(5.5, 3.5)で10ポイントのラベルがうまく機能します。IEEEの2カラム形式では、figsize=(3.25, 2.5)で8〜9ポイントのラベルがより安全な出発点です。

また、文書の本文フォントに合わせることも重要です。NeurIPSはTimesを使用し、CVPRは同様のセリフフォントスタックを使用しています。図表のラベルがHelveticaで本文がTimes New Romanの場合、視覚的な不整合は微妙ですが目に付きます。matplotlibでは、これをグローバルに設定できます：

import matplotlib.pyplot as plt
plt.rcParams.update({
    'font.family': 'serif',
    'font.serif': ['Times New Roman'],
    'font.size': 10,
    'axes.labelsize': 10,
    'xtick.labelsize': 8,
    'ytick.labelsize': 8,
    'legend.fontsize': 8,
    'figure.figsize': (5.5, 3.5),
    'savefig.dpi': 300,
    'savefig.bbox': 'tight',
})

カラーアクセシビリティ

男性の約8%、女性の約0.5%が、何らかの程度の色覚異常を持っており、最も一般的なのは赤と緑を区別できないことです。200人の参加者がいる会場では、あなたの赤対緑のアブレーション比較が読めない人が約8人いることになります。

対策は2つあります。第一に、色覚異常者に配慮したパレットを使用してください。matplotlibのデフォルトはバージョン3.0以降大幅に改善されましたが、最も安全な選択肢はviridis、cividis、inferno、plasmaなどの知覚的に均一なカラーマップです。これらは、最も一般的な色覚異常を持つ人々にとって区別可能であり、グレースケールで印刷した場合にも適切に劣化するように設計されています。

第二に、色だけで情報をエンコードしないでください。色にマーカーの形状、線のスタイル（実線、破線、点線）、または直接の注釈を補足してください。図からすべての色を取り除いて読めなくなる場合、それはデザイン上の問題です。

この分野の重要な参考文献は、Rougier、Droettboom、Bourneによる「より良い図表のための10のシンプルなルール」で、PLOS Computational Biologyに掲載されています。ルール4---「色への注意」---はこの問題に特に焦点を当てており、全文を読む価値があります。

図表に適したツールの選択

学術図表のツールの選択肢は幅広く、適切な選択は作成する図の種類によって異なります。

データプロット向け：matplotlib、seaborn、ggplot2

matplotlibは、Pythonエコシステムにおいて依然として主流のプロットライブラリであり、それには十分な理由があります。ほぼすべてのビジュアル要素に対してほぼ無限のカスタマイズ性を提供します。欠点は冗長さです。出版品質のプロットには、rcParamsの調整や手動の微調整に40〜60行のコードが必要になることもあります。デフォルトの美観は3.0以前の時代から大幅に改善されましたが、ほとんどの学術投稿先向けにはまだ多くの調整が必要です。

このギャップを埋めるためのコミュニティプロジェクトがいくつか存在します。SciencePlotsは、主要なジャーナルや学会向けの既製のmatplotlibスタイルシートを提供しています（plt.style.use('science')）。テュービンゲン大学のtueplotsは、投稿先固有の図サイズとフォント設定を生成します。mpl_sizesは、フォントスケーリングの問題に直接取り組んでいます。これらは貴重な時間節約ツールですが、対応する投稿先はサブセットに限られ、手動の微調整は依然として必要です。

なお、matplotlibに組み込みの出版品質スタイルを求めるコミュニティからの長年の要望（GitHub issue #19028）は、最終的に「修正しない」としてクローズされ、メンテナーは外部のスタイルシートパッケージの使用を推奨しています。これは、matplotlibの出版品質スタイリングは当面の間、DIYまたはコミュニティ主導の取り組みのままであることを意味します。

seabornは、matplotlibをより高レベルなAPIでラップしており、統計的な可視化---バイオリンプロット、ヒートマップ、ペアプロット---に特に強みがあります。少ないコードで魅力的なデフォルト出力を生成しますが、その前提から逸脱する必要がある場合、より細かい制御が難しくなります。

Rエコシステムのggplot2は、多くの研究者が探索的分析においてより直感的と感じるグラフィックスの文法哲学に従っています。テーマシステムにより、一貫性のある出版可能な出力を簡単に生成できますが、LaTeX重視のワークフローとの相互運用性にはやや摩擦が生じることがあります。

ダイアグラム向け：TikZ、draw.io、Figma

TikZは、LaTeX文書におけるダイアグラムのゴールドスタンダードです。その出力は比類ないもので、文書のフォントを共有し、PDFにシームレスに統合される完璧にレンダリングされたベクターグラフィックスです。代償は、非常に急な学習曲線です。TikZ/PGFマニュアルは1,300ページを超えます。中程度に複雑なニューラルネットワークアーキテクチャ図を描くのに、経験豊富なユーザーでも数時間、初心者なら丸一日かかることがあります。

draw.io（現在のdiagrams.net）は無料でブラウザベースであり、習得が簡単です。社内向けのクイックなダイアグラムやプレゼンテーションには優れています。しかし、出版用の図表としては、エクスポート品質に限界があります---SVG出力にレンダリングの不整合が生じることがあり、美的なレベルの上限はTikZやプロフェッショナルなデザインツールよりも低くなります。

Figmaは、コラボレーションを重視する研究グループで支持を得ています。複数の共著者が同時に図を編集でき、ベクター出力もクリーンです。主な制限は、LaTeXワークフローとネイティブに統合されていないことです。SVGまたはPDFにエクスポートして結果を手動で組み込む必要があり、文書のフォントに合わせたり改訂時に図を更新したりする際に不便が生じます。

AI支援による生成

AI支援による科学図表作成の分野は急速に進化しています。BioRenderは、生物学的なダイアグラムに最適化されたテンプレートライブラリでライフサイエンス分野での地位を確立しています。FigureLabsは、AIを使用してラフスケッチをよりクリーンなイラストに変換します。

コンピュータサイエンスや機械学習の研究者にとって、PaperBananaのPaper Visualizerは異なるアプローチを提供します。単一のモデル呼び出しに頼るのではなく、7つのエージェントからなるパイプライン---Retriever、Planner、Stylist、Visualizer、Critic、Vanilla、Polish---を使用して、方法論テキストからダイアグラムを、生データからデータプロットを生成します。Criticエージェントが各生成を評価し、反復的な改善を推進することで、手作業なしに出版品質に近い出力を生成します。この差別化要因はマルチラウンドの批評ループです。一度生成して最善を祈るのではなく、複数回のイテレーションを通じてシステムが体系的に問題を特定し修正します。

これによって手動ツールが時代遅れになるわけではありません。複雑で高度にカスタマイズされた図表は、手作業で調整されたmatplotlibコードや丁寧に作り込まれたTikZの恩恵を受けることでしょう。しかし、標準的なパターンに従う80%の図表---アーキテクチャ図、学習曲線、比較棒グラフ---については、AI支援による生成が何時間ものフォーマット作業を数分に圧縮できます。研究者がAIツールをイラストレーションワークフローにどのように取り入れているかについてのより詳しい内容は、PhD研究者によるAI科学イラストのヒントをご覧ください。

ステップバイステップ：生データから出版可能なプロットへ

理論は有用です。しかし具体的なワークフローの方がより実践的です。以下は、ツールや投稿先を問わず機能する4ステップのプロセスです。

ステップ1：メッセージを定義する

ツールを開く前に、1つの質問に答えてください：「読者がこの図を見て5秒以内に何を理解してほしいか？」

1つの図は1つのメッセージを伝えるべきです。「我々の手法はすべてのベースラインよりも速く収束する」はメッセージです。「我々の手法は速く収束し、最終的なロスが低く、ランダムシード間でより安定している」は、3つのメッセージを1つの図に詰め込んでおり、読者はそのうち少なくとも1つを見逃す可能性があります。

複数のポイントを伝える必要がある場合は、共有キャプション付きのサブプロット（a、b、c）に分割するか、完全に別の図を作成することを検討してください。追加の図枠のコストは、混乱したレビュアーのコストよりもほぼ常に低くなります。

ステップ2：適切なチャートタイプを選択する

データを適切なチャートタイプにマッチングすることは、単なる美的選択ではありません。読者がどれだけ迅速かつ正確に情報を抽出できるかを決定します。

データ可視化コミュニティで広く共有されている強い見解をいくつか紹介します。3D棒グラフは避けてください（棒の高さの認知を歪めます）。3つ以上のカテゴリがある場合は円グラフを避けてください（角度の差異は長さの差異よりも認知しにくいです）。そして、絶対に必要な場合を除き、二重Y軸は避けてください（相関の誤解を招きます）。

ステップ3：ターゲット投稿先に合わせてスタイリングする

チャートタイプが決まったら、ターゲット投稿先の要件に合わせてツールを設定します。以下は、NeurIPSスタイルのシングルカラム図の最小限のmatplotlibセットアップです：

import matplotlib.pyplot as plt
import numpy as np

# NeurIPS-style configuration
plt.rcParams.update({
    'font.family': 'serif',
    'font.serif': ['Times New Roman'],
    'font.size': 10,
    'axes.linewidth': 0.8,
    'axes.labelsize': 10,
    'xtick.labelsize': 8,
    'ytick.labelsize': 8,
    'legend.fontsize': 8,
    'legend.frameon': False,
    'figure.figsize': (5.5, 3.5),
    'savefig.dpi': 300,
    'savefig.bbox': 'tight',
    'savefig.pad_inches': 0.05,
})

# Example: training loss comparison
epochs = np.arange(1, 101)
loss_ours = 2.0 * np.exp(-0.05 * epochs) + 0.1 + np.random.normal(0, 0.02, 100)
loss_baseline = 2.0 * np.exp(-0.03 * epochs) + 0.3 + np.random.normal(0, 0.02, 100)

fig, ax = plt.subplots()
ax.plot(epochs, loss_ours, label='Ours', color='#1f77b4', linewidth=1.5)
ax.plot(epochs, loss_baseline, label='Baseline', color='#ff7f0e',
        linewidth=1.5, linestyle='--')
ax.set_xlabel('Epoch')
ax.set_ylabel('Validation Loss')
ax.legend()
ax.set_xlim(1, 100)
ax.set_ylim(0, 2.2)

plt.savefig('training_loss.pdf', bbox_inches='tight', dpi=300)

これにより、\includegraphics[width=\columnwidth]{training_loss.pdf}でLaTeX文書に追加のスケーリングなしで組み込めるクリーンで正しいサイズの図が生成されます。

あるいは、AI支援のアプローチを好む場合は、生データ（CSV、JSON、またはテーブル）をPaperBananaのPaper Visualizerに貼り付け、希望するプロットの説明---「学習ロスの比較、NeurIPSスタイル、2手法、Y軸は対数スケール」---を添えると、パイプラインが適切なスタイリングと反復的な改善を施したmatplotlibベースのプロットを生成します。

ステップ4：正しくエクスポートする

最後のステップは正しく行えば簡単ですが、間違えると致命的です。

ダイアグラムと折れ線グラフの場合は、PDFまたはEPSでエクスポートしてください。これらのベクター形式は、あらゆるズームレベルで鮮明さを保ち、高解像度のラスターよりも小さいファイルサイズを生成します。

写真や複雑なラスターコンテンツ（例：顕微鏡画像、衛星画像）の場合は、300 DPI以上のTIFFを使用してください。TIFFはロスレスですが、JPEGはロスがあり、テキストやシャープなエッジ周辺で特に目立つ圧縮アーティファクトを導入します。

以下の一般的なエクスポートミスを避けてください：

• plt.show()の出力をスクリーンショットする（約72 DPIが生成され、最低基準をはるかに下回ります）
• テキストや線画を含む図にJPEGで保存する（非可逆圧縮がエッジを劣化させます）
• Google SlidesやPowerPointからデフォルトの解像度でエクスポートする（通常96 DPI）

ワークフローに複数の図が含まれる場合は、一貫した設定を適用する小さなエクスポートスクリプトを書くことを検討してください。論文内のすべての図の一貫性は、細部への注意を示すシグナルとなります。

図表がリジェクトされる5つの一般的なミス

主要なML/AI学会のレビュアーフィードバックと、Nature、PLOS、IEEEなどのジャーナルから公開されている編集ガイダンスに基づき、最も頻繁に見られる図表関連の問題を紹介します。

1. 情報過多

最も一般的なミスは、一度にすべてを見せようとすることです。12本の重なり合うラインがあるプロット、図の面積の4分の1を占める凡例、虫眼鏡が必要な軸ラベル---これは徹底性を示すものではありません。優先順位をつけることに失敗していることを示しています。

対策：二次的な比較は付録や補足資料に移動してください。本文の図は中心的な主張に焦点を当ててください。

2. 図表間のフォーマットの不整合

Figure 1はHelveticaの12ポイントで白い背景。Figure 3はArialの10ポイントで薄いグレーの背景。Figure 5はmatplotlibのデフォルトスタイルそのまま。この不整合は、図が異なる時期に異なる設定で作成され、統一されなかったことを示しています。

対策：共有のスタイル設定（matplotlibスタイルシート、Figmaコンポーネントライブラリ、またはTikZプリアンブル）を定義し、論文内のすべての図に適用してください。

3. カラムスケーリング後のラベルの判読不能

10インチ幅で図をデザインしました。ジャーナルはそれを3.25インチでレンダリングします。10ポイントのラベルは3.25ポイントになり---見えなくなります。これは、出版社のプロダクション部門からの問い合わせや修正依頼の最も頻繁に挙げられる理由の一つです。

対策：任意のサイズではなく、常にターゲットのカラム幅でデザインしてください。快適さのためにより大きいサイズでデザインする必要がある場合は、実際のカラム幅で印刷して最終的な外観を確認してください。

4. 欠落または誤解を招くエラーバー

分散なしに平均パフォーマンスを報告することは、最善の場合でも不完全であり、最悪の場合は誤解を招きます。NeurIPSやICMLなどの学会のレビュアーは、エラーバーや信頼区間の不在を日常的に指摘します。同様に問題なのは、エラーバーが標準偏差、標準誤差、信頼区間のどれを表しているかを明記せずに含めることです。

対策：確率的な結果には常にエラーバーまたは塗りつぶした信頼領域を含めてください。キャプションに、エラーバーが何を表しているか、何回の実行またはシードに基づいているかを明示してください。

5. 2Dで十分な場合の3Dエフェクトの使用

3D棒グラフ、3D円グラフ、不必要な遠近法回転は、PowerPointビジネスプレゼンテーション時代の名残です。学術図表において、3Dエフェクトは認知を歪めます。3Dチャートの奥にある棒は、同じ値を表していても、手前の棒よりも短く見えます。

対策：3次元が意味のあるデータをエンコードしている場合（例：x、y、zすべてが測定変数である3D散布図）を除き、2D表現を使用してください。チャートが本質的に2次元であれば、そのように描画してください。

PaperBananaのマルチエージェントシステムが自動化された批評と改善を通じてこれらの一般的なミスのいくつかにどのように対処しているかの詳細については、PaperBananaが学術イラストレーションをどう革新するかの記事をご覧ください。

FAQ

ジャーナル投稿時の図表のDPIはどうすべきですか？

標準的な最低値は、ハーフトーン（写真）画像で300 DPI、線画（ダイアグラム、シャープなエッジを持つチャート）で600 DPIです。PDFやEPSなどのベクター形式は解像度に依存せず、写真コンテンツを含まないあらゆる図表に推奨されます。迷った場合は、ターゲット投稿先の著者ガイドラインを確認してください---Nature、IEEE、Springerはすべて具体的な解像度要件を公開しています。

研究論文の図表にPowerPointを使用できますか？

技術的にはできますし、多くの研究者が実際に使用しています。PowerPointは馴染みがあり、コーディングが不要で、基本的な描画ツールをサポートしています。しかし、出版用の図表には重大な制限があります。デフォルトのエクスポート解像度は96 DPI（最低300 DPIをはるかに下回ります）、テキストレンダリングはプラットフォーム間で一貫せず、要素を正確に配置するのは煩雑です。PowerPointを使用する場合は、利用可能な最高解像度でエクスポートし、印刷サイズで出力を確認してください。シンプルなブロック図を超えるものについては、専用ツール---matplotlib、TikZ、あるいはFigma---の方が、より少ないフラストレーションでより良い結果を生み出すでしょう。

研究論文の図表に最適な画像フォーマットは何ですか？

コンテンツによって異なります：

• PDFまたはEPS：ダイアグラム、折れ線グラフ、棒グラフ、およびテキスト、線、図形で構成されるあらゆる図表に。これらは完全にスケーリングされるベクター形式です。
• TIFF（ロスレス）：写真、顕微鏡画像、その他の複雑なラスターコンテンツに。
• PNG：TIFFが受け入れられない場合のフォールバックラスター形式として。PNGはJPEGとは異なりロスレスです。
• JPEG：ファイルサイズが厳しい制約である写真にのみ。テキストやシャープなエッジを含む図表にはJPEGを使用しないでください。
• SVG：Web上の出版物や補足資料に。

図を1つ作成するのにどれくらい時間がかかりますか？

これは図の複雑さと作成者の経験レベルによって大きく異なります。PLOS ONEのフォーマット修正に関する研究は、図表の準備が研究者が原稿フォーマットに費やす14時間のうちのかなりの部分を占めることを示唆しています。経験的には、適切なスタイリングを施したmatplotlibの図は、経験豊富なユーザーで30〜90分。複雑なTikZダイアグラムは2〜6時間。draw.ioやFigmaでの簡単なダイアグラムは15〜30分程度です。

AI支援ツールがこれらの時間を圧縮しています。PaperBananaのようなマルチエージェントシステムは、スタイリングされたダイアグラムやデータプロットを数分で生成できます。ただし、出力は常にレビューと微調整を行うべきです。目標は人間の判断を排除することではなく、それに先立つ何時間ものフォーマットの定型作業を排除することです。

論文でAI生成の図表を使用できますか？

はい、ただし注意が必要です。AI生成のダイアグラムやデータプロットは、matplotlibやTikZの使用と同様の可視化ツールです。知的コンテンツ（データ、方法論、分析）はあなたのものであり、ツールはそれを視覚的にレンダリングするだけです。

とはいえ、ポリシーは進化しています。NeurIPS 2024のペーパーチェックリストでは、図表を含むAI支援コンテンツの開示が求められています。一部のジャーナルでは、方法セクションにAIツールの使用を認める声明が必要です。鍵は透明性です。ツールを開示し、図表がデータや方法論を正確に表していることを確認し、ターゲット投稿先のポリシーがAI支援の図表生成を許可していることを確認してください。2026年初頭時点では、主要なML/AI学会でAI生成のダイアグラムやプロットを禁止しているところはありませんが、投稿前に常に最新の著者ガイドラインを確認してください。

まとめ

出版品質の図表を作成することは、生まれつきの才能ではありません。それは、いくつかの具体的な原則の上に構築された学習可能なスキルです。ターゲットのカラム幅でデザインし、ダイアグラムにはベクター形式を使用し、スケーリング後の8ポイント最小フォントサイズを守り、色覚異常者に配慮したパレットを選択し、各図を1つのメッセージに限定してください。これらの基本をマスターすれば、あなたの図表は編集者やレビュアーが期待する基準を一貫して満たすことができるでしょう。

ツールの選択肢はかつてないほど豊富です。matplotlibとそのスタイルパッケージのエコシステムは、必要なときに完全な制御を提供します。TikZは、学習時間を投資する意欲がある方にとって、LaTeXとの統合において比類ない出力を生成します。そして、PaperBananaのPaper VisualizerのようなAI支援ツールにより、生データや方法論テキストからスタイリングされた反復的に改善された図表を、従来のわずかな時間で作成することが可能になっています。

どのツールを選択しても、原則は変わりません。明確なメッセージから始め、ターゲット投稿先に合わせてスタイリングし、正しくエクスポートし、印刷サイズで出力を確認してください。図表は多くの場合、レビュアーが最初に目にするものです。その第一印象を大切にしてください。