🔍 耿同学打假报告

论文信息

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：Environmental Science & Technology (ES&T) (根据文件名 Manuscript_clean_ES&T_resubmission.pdf 推断)
DOI：文本中未提供
发表年份：2026 (推测，基于参考文献最新至2026年及当前日期)

综合评定：🟠 高度可疑

详细发现

由于目前仅提供文本而无实际高清图片，本次检测跳过第一式（图片复用）与第三式（图片拼接）的像素级鉴定。但在数据逻辑、统计学和方法学维度，本文暴露出了**“人造数据”和“过度包装”**的典型痕迹。

发现 1：数据异常完美（随机数生成器都不如）

位置：3.2 节及 SERS 测量相关描述
描述：在描述实际 SPM-derived MNPs（微纳米塑料）的 SERS 测量重现性时，文本声称：“VMQ-, NBR-, PWB-, and PTFE-derived particles showed RSD values of 6.4%, 6.9%, 1.3%, and 7.9%...”
证据：
1. 在多孔 LIG 基底上检测高度非均质的微塑料颗粒，由于颗粒大小、形态、聚集状态的微小差异，SERS 信号的波动通常非常大。对于这种复杂固态样品的表面检测，RSD 低至 1.3% 在物理上是极其反常的，几乎违背了 SERS 检测的统计学常理（除非是均匀的分子溶液）。
2. 深度学习 15 分类任务的准确率精确为 96.7%。在处理 15 种复杂混合物（包括单源和多源混合）的拉曼光谱时，能得出如此干净利落的高准确率，且没有报告任何混淆类别或置信区间，高度怀疑存在数据过拟合或挑拣数据。
严重程度：🔴

发现 2：方法学存在致命的逻辑漏洞（拿着钻头做实验）

位置：2.2 节 Cyclic temperature fluctuation and mechanical wear tests of SPMs
描述：“During each cycle, controlled mechanical wear was applied to the sample surface using a metal drill bit to mimic surface deterioration...”
证据：作者为了模拟日常密封圈的磨损，竟然使用“金属钻头”在样品表面进行磨损！
1. 现实中密封圈的摩擦通常是面摩擦、压缩或流体冲刷。用高速旋转的硬质金属钻头去钻样品，这已经不是“模拟老化”，而是“机械破坏”。
2. 金属钻头与聚合物摩擦，极易在高温下引入金属催化剂降解或金属碎屑污染。更关键的是，“金属钻头”施加的力根本无法做到“受控”，这种不可控的粗暴变量与后面所谓“1.52-fold”这样精确到小数点后两位的定量结论完全不匹配。
严重程度：🟠

发现 3：深度学习模型选择与结果不匹配

位置：2.9 节 Construction of the deep learning model
描述：作者声称构建了一个多层感知机（MLP，全连接层 512-256-128）来处理包含 1200 个拉曼位移点的光谱数据，并在 15 个类别上达到了 96.7% 的分类准确率。
证据：一维光谱数据的特征提取通常使用一维卷积神经网络（1D-CNN）或结合注意力机制，因为全连接网络（MLP）会丢失光谱的序列特征且参数量巨大。使用最基础的 MLP 处理复杂的拉曼光谱，且在 15 种复杂的混合塑料分类中达到 96.7%，这在机器学习领域显得极不合理。作者很可能并未真正使用独立测试集，或者对数据进行了严重的“人工作图”式筛选。
严重程度：🟠

发现 4：参考文献管理与时间线冲突

位置：References 部分
描述：参考文献中出现了极其低级的文献管理错误。
证据：
1. Ref 4 (Visentin et al., 2025) 和 Ref 5 (Zimmermann et al., 2025) 发表于同一期刊 npj Sci. Food，不仅同年同卷同期（9, (1)），甚至连文章编号都是一模一样的 10！这在现实中是不可能的，明显是作者在用文献管理软件时发生错乱或伪造了引用条目。
2. 结合当前日期（2026-06-08），文中引用了大量 2025 年底和 2026 年刚出版的文章，虽然时间上勉强说得通，但结合上述错误，说明作者在组装这篇“大作”时非常仓促。
严重程度：🟡

耿同学辣评

好家伙，用金属钻头去摩擦密封圈来模拟日常磨损，你们是在做科研还是在搞电钻促销？SERS 测纳米塑料重现性敢写 1.3%，怕不是只挑了两个差不多的点在算标准差吧？拿个最基础的 MLP 神经网络硬套复杂的光谱数据，硬是憋出一个教科书般的 96.7%。连参考文献的页码都能复制粘贴错成一样的，你们在赶工凑这篇 ES&T 的时候，哪怕稍微花点时间编个不那么离谱的数字呢？随机数生成器看了你们的实验数据都得直呼内行！

建议后续行动

在 PubPeer 上提出质疑
联系作者要求提供原始 SERS 光谱数据、深度学习代码及独立的测试集验证结果
向期刊编辑部举报（重点关注其方法学的合理性与数据的异常重现性）

⚠️ 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。

Sealing polymer materials are an overlooked source of micro(nano)plastics: thermomechanical release and deep learning-assisted SERS identification