🔍 耿同学打假报告

论文信息

标题：Dance Dissected: Enhancing Labanotation Generation through Part-specific Attention with Transformers
作者：Min Li, Jing Sang, Lina Du
期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
DOI：无
发表年份：2025 (会议时间：2025年7月26-29日)
论文来源：http://poster-openaccess.com/files/ICIC2025/1893.pdf

综合评定：🟡 存疑

详细发现

发现 1：参考文献粗心大意的“复制粘贴”残留

位置：References 部分 [26] 和 [28]
描述：
1. 在参考文献 [26] 中，期刊名称被错误拼写为 IEEE Trans. Multimudias，正确应为 IEEE Transactions on Multimedia。
2. 在参考文献 [28] 中，文章标题结尾出现了一个莫名其妙的数字 1（...automatic Labanotation generation1.）。
证据：这通常是由于作者在撰写论文时，直接从网页或PDF复制了文献标题，连带复制了网页上的上标角标（如基金资助脚注“1”），且未进行清理。期刊名拼写错误更是作者写作态度不够严谨的体现。
严重程度：🟡 （不直接影响核心实验数据，但反映了论文打磨程度极差）

发现 2：实验对比基准的“薛定谔的划分”

位置：Section 4.1 (Experimental Setup) 与 Table 1
描述：在第4.1节中作者明确声明：“We divided each dataset using a portion of 50% for training and the remainder for testing.”（我们使用50%的数据进行训练，其余进行测试）。然而，在表1下方的说明中，作者又写道：“Results for existing methods on LabanSeq16 were taken directly from published work”。
证据：如果现有的基准方法在它们“已发表的工作”中使用的是不同的数据划分比例（例如80%训练/20%测试，或标准的交叉验证），那么将作者在全新划分（50/50）下跑出的结果，直接与别人在不同划分下报告的结果进行对比，在学术上是不公平且无效的。如果别人也是用50/50，那应该明确说明“遵循前人的划分”；如果前人不是，那这个SOTA（最优性能）就存在水分。
严重程度：🟠 （可能导致模型性能优于基准的结论不成立，存在夸大实验结果的嫌疑）

发现 3：“自产自销”的对比实验

位置：Table 1 及 References
描述：在 Table 1 列出的 11 个对比方法中，有 7 个方法（HMM [15], C-GRU [21], Seq2seq [22], RA-Attention [26], Fusion Feature [28], LabanFormer [27] 等）的第一作者均为本文的第一作者 Min Li。
证据：虽然在自己深耕的细分领域存在大量前期工作是合理的，但如此高密度的自我引用，且在这些自比的实验中，本文提出的模型都“恰好”取得了全面的性能提升。这表明该课题组可能在这个极窄的数据集上进行了持续的“刷点”行为，且对比方法的复现环境可能受到了污染或未进行严格的公平对齐（见发现2）。
严重程度：🟡 （没有违规，但属于典型的“仓库型”灌水研究模式）

发现 4：时间线与软硬件配置合理性

位置：Section 4.1 (Implementation Details)
描述：作者声明实验使用的工作站显卡为 RTX 3090。会议时间为 2025 年 7 月，当前时间为 2026 年 6 月。
证据：RTX 3090 发布于 2020 年，在 2025 年使用该设备进行深度学习实验完全符合时间逻辑。未发现时间线上的造假痕迹。
严重程度：✅ 清白

耿同学辣评

这篇论文堪称“引用自己的艺术”，表格里一半的 baseline 都是你们课题组自己以前的工作，这个拉班舞谱自动生成的坑是被你们组给包圆了吧？不过最秀的还是参考文献，自己发表的期刊名 Multimedia 都能拼成 Multimudias，复制粘贴别人标题的时候连后面的上标标号 1 都舍不得删。这种“佛系”写论文的态度，我是真怕你那个在 50% 划分比例下跑出来的所谓 SOTA，也是靠着玄学或者不公平对比强行凑出来的。

建议后续行动

联系作者要求提供完整的原始实验代码及 50% 划分比例的数据集索引文件
在 PubPeer 上提出质疑，询问其 Table 1 中的 Baseline 是否都是在 50/50 的划分下重新运行得出的

⚠️ 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。

Dance Dissected: Enhancing Labanotation Generation through Part-specific Attention with Transformers