🔍 耿同学打假报告

论文信息

标题：混凝土坝监测数据的相似性度量与分析
作者：田甜
期刊：扬州大学硕士学位论文（全日制学术学位）
导师：李占超副教授
学院：水利科学与工程学院
答辩日期：2024年5月17日
论文来源：混凝土坝监测数据的相似性度量与分析_田甜.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据重复 / 复制粘贴错误（随机数生成器都不如）

位置：表 3-2 水位分量项D值 (第49页)
描述：在表3-2中，2016年与2019年的水位分量分形维数数据完全一致。
证据：
- 2016年数据：1.5947, 1.6051, 1.6051, 1.6051
- 2019年数据：1.5947, 1.6051, 1.6051, 1.6051
- 混凝土坝不同年份的监测数据计算出的分形维数不可能在四位小数上完全雷同，甚至连变动规律都一模一样。这极大概率是作者在填写表格时发生了复制粘贴错误，或者为了凑数据直接复制了上一行。
严重程度：🔴

发现 2：聚类指标异常巧合

位置：表 4-1 三种算法在RI指标上的对比结果 (第64页)
描述：在不同K值（K=8, K=16）的层次聚类中，CNN模型的Rand Index (RI) 指标竟然完全相同。
证据：
- K=8 时，CNN的RI值为 0.8856。
- K=16 时，CNN的RI值为 0.8856。
- 虽然层次聚类在不同K值下可能有包含关系，但在不同切分阈值下，成对样本的正确/错误分类数量通常会发生变化，RI值精确到小数点后四位保持完全一致的可能性极低。这可能暗示实验结果的统计过程存在问题，或者是编造的实验数据。
严重程度：🟠

发现 3：深度学习方法论存在硬伤

位置：4.3.1 基于CNN的无监督相似性度量算法原理 (第60-61页)
描述：作者提出了一种所谓的“CNN无监督相似性度量”方法，但其核心逻辑存在根本性谬误。
证据：
- 文中写道：“选择一个数据并赋予其标签0... 设定标签为0，则根据通过神经网络模型的输出的绝对值大小获取序列之间的相似度。”
- 打假分析：这不是无监督学习，这是强行把一个无监督问题变成了一个“过拟合单样本”的伪监督问题。如果只输入一个样本且标签为0，网络很容易直接学习到输出恒为0的映射（或退化为简单的常数映射）。利用这种网络去预测其他序列的相似度，在深度学习理论上是站不住脚的，缺乏损失函数的描述和特征空间的合理性解释。这更像是作者为了“蹭”深度学习的热点而生造的算法。
严重程度：🟠

发现 4：英文摘要疑似机翻且存在生造词汇

位置：Abstract (第III页)
描述：英文摘要中出现了明显的语法错误和疑似机器翻译的痕迹。
证据：
- “...unravexpose data correlations and variances...” -> 这里的 “unravexpose” 是一个拼接错误（Unravel + Expose），标准的英语中不存在这个词。这通常是使用翻译软件或AI生成文本时出现的常见错误。
严重程度：🟡

发现 5：文档内容提取异常（乱码水印）

位置：全文各处
描述：论文PDF转为文本后，出现了大量重复的乱码字符串 bl]ÞY'[f[fOM‹ºe‡。
证据：这种字符通常是由于PDF加密、水印干扰或特殊的字体编码未被正确解析所致。虽然这属于文档格式问题，但在正规送审或答辩的终版学位论文中出现此类密集乱码，反映出论文排版或格式转换过程中的不严谨。
严重程度：🟡

发现 6：数据集选取的“迷惑行为”

位置：4.3.3.1 数据集介绍 (第62页)
描述：为了验证CNN算法，作者“在UCR数据集Synthetic Control中任意选取13条...”。
证据：深度学习的验证通常需要较大的数据集来证明模型的泛化能力。作者从一个公开数据集中只“任意选取”13条数据来做实验，样本量极小，且“任意选取”带有强烈的选择性报告嫌疑——这通常意味着作者可能反复尝试了多次，直到选出了能让结果看起来最好的一组数据。
严重程度：🟡

耿同学辣评

这篇论文就像是把统计学、分形理论和深度学习的名词放进搅拌机里打碎了拼凑出来的。表3-2里2016年和2019年一模一样的数据，简直是上帝为你关上了创新的门，却顺手按了复制键。还有那个神乎其技的“单样本标签为0”的CNN无监督算法，我只能说，只要你敢编，网络就敢过拟合。做学术不是炒菜，不能看哪个算法热门就往锅里扔，最后端上来一看，全是夹生饭。

建议后续行动

联系作者要求提供原始数据（特别是表3-2的Excel源文件）
要求作者公开第4章CNN算法的源代码，验证其损失函数和训练逻辑
建议导师对论文所有图表数据进行抽样复核
建议学院对该论文进行学术规范谈话

⚠️ 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。

混凝土坝监测数据的相似性度量与分析