🔍 耿同学打假报告

论文信息

• 标题：基于提示与标签语义对齐及混合专家网络的中文医疗文本分类研究（推断）
• 来源：测试.pdf (华南理工大学硕士学位论文)
• 作者：未具名（文本中提取为华南理工大学硕士生）
• 指导老师：未具名
• 发表年份：2026年（根据参考文献最新年份及当前基准时间推断）

综合评定：✅ 清白 (无实锤造假迹象，结构严谨，数据自洽)

详细发现

发现 1：时间线逻辑验证 —— 无穿越迹象

• 位置：参考文献列表
• 描述：检查是否存在引用未来文献或未发布工具的情况。基准日期设为2026-06-03。
• 证据：
  1. 文献 [77] & [78]：引用了 Chinese Medicine 2026年第21卷的论文。鉴于当前时间为2026年6月初，引用同年第1卷（通常年初出刊）的文献在时间逻辑上是完全成立的，属于最新前沿引用。
  2. 文献 [30]：引用了2025年的 Artificial Intelligence Review，符合硕士论文引用最新文献的常规操作。
  3. 硬件设备：明确标注使用 NVIDIA GeForce RTX 4090 (24GB)。该显卡发布于2022年，2026年使用此设备进行学术研究属于常规配置，无“未来科技”嫌疑。
• 严重程度：🟢 正常

发现 2：数据清洗与构建逻辑 —— 数学自洽

• 位置：第三章 (3.2 数据集构建)
• 描述：检查数据集从原始采集到最终成型的数量变化是否合理，是否存在“凭空捏造”的整数倍关系。
• 证据：
  • 原始来源：
    • 私有数据：12,561条
    • 公开数据 (nlpDisease)：61,486条
    • 公开数据：48,665条
    • 公开数据 (TCM-SD)：65,000条
  • 清洗后结果：
    • Pri-Disease-149 (来源：私有+Disease)：原始合计 74,047条 -> 清洗后 46,560条 (保留率 62.9%)。
    • Pri-Syndrome-117 (来源：私有+Syndrome)：原始合计 61,226条 -> 清洗后 48,245条 (保留率 78.8%)。
    • Pub-Syndrome-148 (来源：TCM-SD)：原始 65,000条 -> 清洗后 54,152条 (保留率 83.3%)。
  • 分析：保留率均非整数，且因任务不同（疾病分类 vs 辨证分类）导致的清洗严格程度差异在数据上得到了体现。特别是“Pri-Disease”清洗掉了近40%的数据，文中解释为“剔除样本数量少于10的稀有类别”及“严格依据国标归一化”，这种非整数的损耗率非常符合真实数据清洗的“脏乱差”特征，不像是随机数生成器拍脑袋想出来的。
• 严重程度：🟢 正常 (逻辑自洽)

发现 3：实验结果基线一致性 —— 没有篡改对比数据

• 位置：表3-9, 表3-10 vs 表4-6, 表4-7
• 描述：对比第三章预训练模型结果与第四章消融实验中的基线结果是否一致。
• 证据：
  • 表3-9 (Pub-Syndrome-148)：MedTcm-BERT 结果为 Acc 81.43%, F1 52.05%。
  • 表4-6 (消融实验 Baseline)：MedTcm-BERT 结果为 Acc 81.43%, F1 52.05%。
  • 表3-10 (Pub-Disease-161)：MedTcm-BERT 结果为 Acc 71.17%, F1 55.72%。
  • 表4-7 (消融实验 Baseline)：MedTcm-BERT 结果为 Acc 71.17%, F1 55.72%。
  • 分析：在跨越章节的不同实验表格中，同一模型在同一数据集上的基线数据完全一致，精确到小数点后两位。这表明作者没有为了凸显后续改进模型的效果而“调低”前面的基线数据，科研诚信表现良好。
• 严重程度：🟢 正常

发现 4：伦理审查编号 —— 隐私保护遮挡

• 位置：第三章 3.2.1
• 描述：文中提及“得到了广东省人民医院医学学术研究道德委员会的批准（Ethical Approval No. GD***, Protocol No. 20***25）”。
• 证据：伦理审批号被部分打码处理。
• 分析：在公开的学位论文或期刊中，对敏感的伦理编号或项目编号进行脱敏处理（如用星号代替部分数字）是常见的合规操作，并非伪造。
• 严重程度：🟡 存疑 (可能是脱敏，无法验证真伪，但符合规范)

发现 5：性能提升逻辑 —— 符合客观规律

• 位置：表4-2, 表5-2
• 描述：分析模型迭代带来的性能提升幅度是否过于离谱。
• 证据：
  • 表4-2 (LGCA-PromptBERT)：在 Pub-Syndrome-148 上，相比 MedTcm-BERT (F1=52.05)，提升至 F1=55.04 (+2.99%)。
  • 表5-2 (ConflictAwareMoE)：在 Pub-Syndrome-148 上，相比 LGCA-PromptBERT (F1=55.04)，提升至 F1=55.89 (+0.85%)。
  • 分析：提升幅度呈现递减趋势（基线->大模块提升显著，模块叠加后提升变难）。且 Acc 的提升往往伴随着 R 或 P 的微小波动，这正是真实模型调参过程中的常态。如果数据造假，往往会编造出全面碾压的“教科书式”完美数据。
• 严重程度：🟢 正常

---

耿同学辣评

这篇来自华南理工的硕士论文，简直是我近期看过的最“洁癖”的论文之一。数据清洗阶段大刀阔斧砍掉30%无效样本，基线数据跨章节复用严丝合缝，甚至创新点的提升幅度都诚实得让人心疼（只有零点几的微弱提升，但这才是真实科研的常态啊兄弟们！）。

作者用一张 RTX 4090 硬是跑出了领域预训练+提示学习+混合专家的全套全家桶，工作量饱和，逻辑链条闭环。唯一的“缺点”就是论文写得太像缝合怪了，把 BERT、Prompt、MoE 全安排上了，生怕评委觉得工作量不够。

结论：这是一篇踏实干活、没有乱搞“ PS 魔法”和“随机数生成器魔法”的良心之作。建议各路学术裁缝们好好学习一下这种数据自洽的严谨态度！

---

建议后续行动

• 无需联系作者，建议鼓励
• 论文数据经得起推敲，可作为引用参考
• 向期刊编辑部举报 (此条划掉)

⚠️ 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。