🔍 耿同学打假报告

论文信息

• 论文来源：Manuscript- Sealing Polymer Materials MNPs SERS-20260602.pdf
• 标题：Sealing polymer materials are an overlooked source of micro(nano)plastics: thermomechanical release and deep learning-assisted SERS identification
• 作者：Yanbo Liang, Xin He, Wenchuan Liu, Chao Wang, Mingyuan Sun, Yunhong Zhang, Xue Zhang, Miao Huang, Wei Lu, Yunrui Han, Jun Li, Lin Han, Yu Zhang
• 期刊：Manuscript (稿件状态，推断目标为环境/材料类顶级期刊)
• DOI：未见
• 发表年份：2026 (文件日期 2026-06-02)

综合评定：🟠 高度可疑

详细发现

发现 1：第六式 - 方法学与统计学异常 (Deep Learning 的“伪科学”奇迹)

• 位置：Section 2.8 (Acquisition of the SPMs-derived MNPs Raman spectral dataset) & Section 2.9
• 描述：作者声称构建了一个深度学习模型来分类 15 种不同来源的微塑料。然而，在数据集构建部分（2.8），作者写道：“For each component type... three replicate spectra were collected.”（每种条件仅收集了3个重复光谱）。而在 2.9 节，作者使用了一个拥有 512, 256, 128 神经元全连接层的多层感知机（MLP）网络。
• 证据：
  1. 数据量严重不足：15 个类别，如果每个类别仅有 3 条光谱，总数据量仅为 45 条。即便使用了数据增强，如此少的基础数据根本不足以训练一个含有数十万参数的深度神经网络，必定会导致严重的过拟合。
  2. 模型性能违背常理：论文声称该模型在 15 个分类任务（包含 11 种混合物）中达到了 96.7% 的准确率（Section 3.3）。考虑到 SERS 信号的固有波动性和混合物光谱的重叠复杂性，在缺乏庞大训练集的前提下，这个 96.7% 的准确率是极度不真实的。
  3. 模型选择过时：对于光谱数据（一维序列），业界通常使用 1D-CNN 或具有注意力机制的模型。作者使用简单的 MLP 处理 1200 维的输入，属于技术路线上的降级，更可能是为了掩盖数据拼凑的痕迹。
• 严重程度：🔴 (核心数据逻辑断裂)

发现 2：第三式/第六式 - 文本复制粘贴错误 (Ctrl+C/V 失控)

• 位置：Section 3.2 (Poros LIG-Au NPs SERS platform...), 第19页
• 描述：论文中出现了一段明显的重复段落，属于写作过程中的复制粘贴残留。
• 证据：
  • 段落 A："Based on the ratio of the slopes obtained from SERS and normal Raman calibration curves, the SERS performance factors were calculated to be 6.81 × 10⁹ and 2.31 × 10⁹ at 774 and 1371 cm⁻¹, respectively. Using the 3σ/k criterion, the theoretical limits of detection were estimated to be 3.36 and 7.04 fM at 774 and 1371 cm⁻¹, respectively."
  • 紧接着的下一段（也在第19页）："Based on the ratio of the slopes... (内容几乎完全一致) ... 3.36 and 7.04 fM at 774 and 1371 cm⁻¹, respectively."
  • 这表明作者在修改稿件时进行了粗心的 Copy-Paste，这种对待学术论文的草率态度通常暗示着实验过程可能同样草率。
• 严重程度：🟡 (属于写作瑕疵，但降低了论文可信度)

发现 3：第一式/第六式 - 数据前后不一致 (罗生门式的特征峰)

• 位置：Section 3.2 正文 vs. Figure 4 Caption
• 描述：关于不同聚合物特征峰的选取，正文描述与图注描述存在矛盾。
• 证据：
  • 在 Section 3.2 的后半部分，作者声称评估了信号的重现性，列举的特征峰为：VMQ (1417 cm⁻¹), NBR (1458 cm⁻¹), PWB (1446 cm⁻¹), PTFE (737 cm⁻¹)。
  • 然而，在 Fig. 4 的图注 中，作者写道：“The characteristic peaks selected for quantitative analysis were 490, 1535, 735, and 1445 cm⁻¹ for VMQ, NBR, PTFE, and PWB, respectively.”
  • PWB 的峰在正文是 1446，在图注变成了 1445；PTFE 的峰在正文是 737，图注是 735。 这种关键数据在不同位置出现的不一致，通常意味着作者可能在编造数据，或者从其他草稿中复制粘贴时忘记了修改统一。
• 严重程度：🟠 (核心结论相关数据前后矛盾)

发现 4：第六式 - 产出异常与引用时空错乱 (当前日期 2026-06-02)

• 位置：References
• 描述：论文文件名显示为 2026-06-02，而在参考文献中出现了多篇 2026 年的文献。
• 证据：
  • Ref 6: Deng... Nature Reviews Gastroenterology & Hepatology 2026.
  • Ref 20: Qiu... Nature Protocols 2026.
  • Ref 40: Yang... Journal of the American Chemical Society 2026.
  • 虽然在时间逻辑上（6月引用当年早期的文献）是可能的，但如此密集地引用 2026 年刚发表的文献，且论文本身在 6 月初就已完成撰写，显示了极强的“冲量”属性。
• 严重程度：🟡 (符合学术规范，但需警惕抱团互引或学术圈利益交换)

发现 5：文本与图片验证限制

• 位置：全文
• 描述：由于当前仅提供文本模式，无法对 Western Blot、显微镜图、SERS 光谱图的背景噪点、像素重复、拼接痕迹进行视觉审查。
• 证据：虽然无法查看图片，但根据文本描述，该研究涉及大量的 SEM、光学显微镜、SERS mapping（10x10 μm²），通常这类图片是 PS 重灾区。特别是 Fig.3 提到的 SERS mapping，往往容易被人为修饰以显示“良好的一致性”。
• 严重程度：⚠️ (需要进一步获取原图验证)

---

耿同学辣评

这篇论文简直是**“Ctrl+C/V 学术流派”的集大成者**。不仅在段落书写上复制粘贴忘删重复，连核心的数据（特征峰位置）在不同地方都能“变脸”（1445 vs 1446）。最精彩的是那个**“薛定谔的深度学习模型”：用每类区区 3条 光谱的“微薄家底”，硬生生喂出了一个包含三层隐藏层、能识别 15 种混合物且准确率高达 96.7% 的“神级网络”。这不仅是过拟合，这简直是赛博朋克式的炼丹术**。建议作者去申请图灵奖，毕竟这种能在 45 个数据点上学出花来的 AI 算法，OpenAI 看了都得连夜来挖人。

建议后续行动

• 联系作者要求提供原始数据（特别是深度学习的训练集 raw spectra 和模型代码）
• 仔细核查 Fig.3 和 Fig.4 的原图是否存在 PS 拼接或局部擦除痕迹
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报（重点关注统计学方法造假及数据前后矛盾）

⚠️ 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。