🔍 耿同学打假报告

论文信息

位置：表3 (Page 7)
描述：在表3展示的十折交叉验证结果中，模型在验证集上的标准差（SD）出现了反常的极低值，甚至低于训练集的标准差，这在统计学和机器学习实践中非常不寻常。
证据：
1. XGBoost MAE指标：训练集MAE为 0.025018 ± 0.001766（SD/均值 ≈ 7%），而验证集MAE为 0.118891 ± 0.0006966（SD/均值 ≈ 0.6%）。通常情况下，验证集的波动性应高于训练集，这里却低了十倍。
2. MLP-XGBoost MAE指标：验证集MAE为 0.041639 ± 0.0002792。SD精确到了小数点后7位（0.0002792），这种极低的有效数字精度通常暗示数据可能是从某次特定运行的日志中原样复制，或者是“调参调到天荒地老”得到的极其特化的结果。
3. 极其微小的R²波动：融合模型验证集R²为 0.999988 ± 0.000002。10次不同数据划分下，模型表现如此高度一致，仿佛看到了确定性的数学公式而非受随机种子影响的数据驱动模型。
严重程度：🟡

位置：公式 (19) 及其说明文字 (Page 6)
描述：公式(19)是融合模型最终预测值的重构公式，但文中的文字说明却错误地引用了定义停堆时间的公式(11)，而非定义对数残差的公式(16)。
证据：
- 文中写道：“获得残差修正值后，融合模型通过逆变换重构最终的燃耗深度预测值，结合公式(11)的定义，最终预测结果为：”
- 查看公式(11)，其定义的是归一化累积程度 $$q_1$$ 和 $$q_2$$ ，与预测值的逆变换重构毫无关系。
- 正确的引用应该是公式(16)（残差定义）或者仅解释逆对数变换。这是一个典型的“Copy-Paste”写作过程中遗漏修改的痕迹，说明作者在拼凑公式时可能没有仔细校对逻辑链条。
严重程度：🟠

位置：摘要、结论及全文结果部分
描述：论文声称提出了一个针对“复杂工况适应性不足”的预测方法，并引入了运行历史特征。然而，所谓的“运行历史扩展数据集”依然是基于SCALE程序的纯数值模拟数据，而非真实的反应堆运行数据。
证据：
- 表4和表5中，所有模型的R²均标记为 >0.999，误差极小。
- 在模拟器生成的完美无噪数据上，使用复杂的融合模型（MLP+XGBoost+贝叶斯优化+OOF策略）得到近乎完美的结果（如MAE降到0.02左右），并不能有效证明该方法在真实含有测量噪声的伽马谱数据上的有效性。
- 虽然这不算严格的造假，但属于典型的“用高射炮打蚊子”，利用模拟数据的平滑性刷性能指标。
严重程度：🟡

位置：结论部分 (Page 11)
描述：作者在结论中列举了大量误差降低的百分比，这些数据虽然数学计算大致成立，但其“整齐”的程度值得玩味。
证据：
- “MAE降低了70.19%...RMSE降低了77.71%...RRSE降低了78.00%”
- “MAE降低了76.35%...RMSE降低了76.32%...RRSE降低了76.34%”
- XGBoost对比组的三个指标降低率（76.35%, 76.06%, 76.32%, 76.34%）惊人地接近。虽然这可能是因为指标本身高度相关，但也存在人为调整模型或筛选数据以获得“漂亮”对比结果的风险。
严重程度：🟡

把随机数种子的波动性压榨到 0.0000002 的级别，果然只要数据是模拟器生成的“理想宝宝”，再复杂的模型也能给你拟合出花来。只是那个在结论里“指鹿为马”引用的公式(11)，恐怕是复制粘贴时手抖留下的蛛丝马迹吧？

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。