🔍 耿同学打假报告

论文信息

标题：A dynamic graph structure optimization diagnosis
作者：Zhiyuan Hu, Yangde Lin, Jianrong Li (✉), Juan Lyu
期刊：文本中未提供期刊名称（疑似会议论文或预印本）
DOI：文本中未提供
发表年份：文本中未明确标注，但参考文献最新至2024年（基于当前日期2026-06-01判断为近期文稿）
论文来源：2351.pdf

综合评定：🔴 实锤（确凿的造假与学术不端证据）

详细发现

发现 1：参考文献大规模伪造与复制粘贴（第六式：引用与方法学异常）

位置：References 部分 (文献 2, 11, 15)
描述：作者在引用文献时，出现了令人瞠目结舌的“Ctrl+C Ctrl+V”痕迹，且极度涉嫌AI幻觉生成的伪造文献。
证据：
1. 完全相同的文献重复引用：文献 [11] (Fu, S. et al.: Few-Shot Learning With Dynamic Graph Structure Preserving. IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).) 和文献 [15] 的作者、标题、期刊、卷号、页码完全一字不差。
2. 跨期刊的“奇迹般”撞车：文献 [2] (IEEE Transactions on Parallel and Distributed Systems), [11], [15] 分属不同的 IEEE 期刊，但它们的卷号、期号和页码竟然全部都是 2(5), 99–110。在现实中，这是绝对不可能发生的概率事件。
3. 卷期号严重违背常识：《IEEE Transactions on Parallel and Distributed Systems》创刊于1990年，2023年应该是第34卷左右；《IEEE Trans on Industrial Informatics》2023年应该是第19卷左右。所有期刊全是 "Volume 2, Issue 5"，这明显是生成式AI（如早期ChatGPT）编造参考文献时的经典“幻觉”模板。
严重程度：🔴（系统性造假，不可辩解的硬伤）

发现 2：实验数据复制粘贴，表格注水（第二式：数据造假检测）

位置：Table 1 (Page 10) & Table 2 (Page 10-11)
描述：作为核心实验结果的数据表，存在大量毫无意义的完全重复行，为了拼凑论文篇幅而强行注水。
证据：
- 在 Table 1 中，参数为 0.5, 3, 0.01, 250, 0.01, 250 的实验被原封不动地重复列出了 5次（占据了表格的近三分之一）。结果 0.8305, 0.83759 和 0.8540, 0.8665 反复出现。
- 在 Table 2 中，参数为 0.5, 3, 0.01, 250, 0.01, 250 的实验同样被原封不动地重复了 4次。
- 这种现象无法用“多次独立运行展示稳定性”来解释，因为它们连小数点后5位的数字都丝毫不差，这是典型的复制粘贴行为。
严重程度：🔴（恶劣的学术注水）

发现 3：违背常理的性能吹嘘与逻辑错乱（第二式：数据造假检测）

位置：Abstract & Section 4.4 (Page 9)
描述：作者声称 DG-SOD 模型在轴承故障诊断中“showed excellent performance”（展现了优异的性能），但紧接着给出的准确率却只有 65%。
证据：
- 摘要中写道：“The accuracy of bearing fault diagnosis increased to 65%... The above data show that the DG-SOD model has obvious advantages”（提高到65%...上述数据表明有明显优势）。
- 在现代轴承故障诊断领域（尤其是使用了深度学习和公开数据集如 CWRU 的情况下），基础的 CNN 模型都能轻松达到 95% 甚至 99% 以上的准确率。65% 的准确率甚至不如盲猜，作者却将其包装为“优异的性能”和“重大突破”，这反映了作者对该领域基础常识的严重缺失，或者是为了强行拼凑多领域应用而生编硬造出来的数字。
严重程度：🟠（核心结论毫无科学价值）

发现 4：文本高度套路化，疑似 AI 一键生成（第五式：产出异常检测）

位置：全文
描述：整篇文章的遣词造句呈现出极强的模板化和 AI 生成特征。
证据：
- 摘要、引言、方法、讨论和结论部分存在大段落的语义重复。例如“provides a new perspective”、“of great significance”、“innovatively uses”等空洞的赞美之词贯穿全文，但唯独缺乏真正的创新点细节。
- 毫无过渡地将“轴承故障诊断”和“学术文献分类”两个八竿子打不着的任务硬生生捏合在一起，强行用一个模型去套，这是典型的“为了发论文而水综合症”。
严重程度：🟡（虽不直接等同于造假，但反映出极低的学术诚意）

发现 5：图片信息缺失说明（第一式/第三式：图片检测）

位置：Figure 1-4
描述：文本中提取的论文未能提供清晰的原始图片像素信息。
证据：文本中仅包含图片的标题（如 Fig. 3 Flowchart of Bearing Fault Diagnosis Process）。由于无法获取原始图片文件，无法使用 ImageJ 或 Photoshop 检测其 Western Blot 条带是否拼接、流程图是否由多张不相干的图片强行组合。基于目前的文本，无法进行像素级实锤，但结合前文的表格注水行为，其流程图的真实性存疑。
严重程度：🟡（受限于输入材料无法完全判定）

耿同学辣评

这篇论文堪称“学术流水线上的缝合怪”。左手抄一个 AI 幻觉编造出来的假文献（三篇文献连页码都撞车，牛顿看了都得给你磕头），右手把同一个实验数据复制粘贴五次来凑表格字数。最离谱的是，一个只有 65% 准确率的轴承诊断模型，作者居然能舔着脸吹出“excellent performance（优异表现）”——兄弟，你这哪是诊断故障，你这分明是抛硬币啊！把这种垃圾数据包装成“重大突破”，工业界的老哥看了连夜扛着火车跑路！

建议后续行动

直接拒稿或撤稿（若已发表）：基于明确的文献造假（AI幻觉伪造）和数据注水问题。
向作者所在机构学术委员会举报（天津科技大学人工智能学院）：要求核查该团队是否存在滥用 AI 生成论文并批量灌水的行为。
在 PubPeer 上提出质疑，附上文献 [2][11][15] 的“连连看”截图以及 Table 1 的重复行高亮证据。
联系作者要求提供原始数据（鉴于其65%准确率的离谱吹嘘，其原始代码和数据大概率是不存在的或存在严重操纵）。

⚠️ 免责声明

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。

A dynamic graph structure optimization diagnosis