🔍 耿同学打假报告

论文信息

论文来源：基于GRU＿TabNet模型的城投债违约风险预警研究_张馨月.pdf
标题：基于 GRU_TabNet 模型的城投债违约风险预警研究
作者：张馨月
指导教师：危佳钦
机构/期刊：华东师范大学（硕士专业学位论文）
发表年份：2024年5月

综合评定：🟠 高度可疑（建议深入调查）

详细发现

发现 1：核心数据存在严重的数学不自洽（F1-Score 算错或造假）

位置：表 4.4（第 40 页）、表 4.8（第 46 页）及摘要
描述：在表 4.4 中，LightGBM 模型的精确率为 0.8774，召回率为 0.9894。根据 F1-Score 的数学定义（ $F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$ ），代入数据计算其 F1-Score 应为 0.9298。然而，论文中给出的 F1-Score 居然是 0.7811！
证据：随机抽查同表其他模型（如随机森林），Precision=0.9444，Recall=0.7924，计算得出 F1=0.8618，与论文一致；XGBoost 等模型也均能对上。唯独 LightGBM 的数据出现了完全违背数学公式的断裂。
严重程度：🔴 实锤级异常

发现 2：基于错误数据得出的核心研究结论（主观篡改嫌疑）

位置：摘要、5.1 论文总结（第 48 页）
描述：作者在摘要和结论中沾沾自喜地宣称：“GRU_TabNet 融合模型...相较于排名第二的模型，F1_Score 提升了 11.68%”。这个“排名第二”的模型指的就是 TabNet（F1为0.8747），计算式为 $(0.9769 - 0.8747) / 0.8747 = 11.68\%$ 。
证据：作者刻意将实力强劲的 LightGBM 的 F1 分数（本应为 0.9298）压低到 0.7811。如果使用真实计算出的 0.9298，GRU_TabNet 的 F1 提升幅度将骤降至仅仅 5.05%！这说明作者不仅不懂数学公式，更有极大嫌疑是为了凸显自己“创新模型”的优越性，而在表格中系统性篡改、压低了对比模型（LightGBM）的真实表现。
严重程度：🔴 实锤级异常

发现 3：样本量与数据维度存在无法解释的巨大缺口

位置：3.1 数据说明（第 28 页）对比表 3.2（第 31 页）
描述：3.1节正文明确写道：“最终共收集来自 4176 家城投公司的...”。但是在 3.4 节的表 3.2 中，所有公司财务信息表的维度全都是 83520*xx。
证据：如果按照文中所说的“6年数据，12个半年度期间”，4176 家公司乘以 12 等于 50112。那么 83520 这个庞大的行数是从哪里来的？（83520 ÷ 12 = 6960 家公司）。正文中的公司数量（4176）与实际建模的数据矩阵维度（对应6960家）存在严重冲突，数据清洗过程存在极大的“黑箱”与水分。
严重程度：🟠 高度可疑

发现 4：部分评价指标呈现“教科书式完美”

位置：表 4.4 及表 4.6
描述：CatBoost 模型的 Precision（精确率）和 GRU 模型的 Precision 均为绝对的 1.0000。在处理极度不平衡的金融违约数据（正负样本1:15）且未采用极为苛刻的阈值调整说明时，出现绝对的 1.0 概率极低。
证据：考虑到前面 LightGBM 数据的硬伤，这里过于“完美”的整数 1.0000 显得非常刺眼，有为了凑出“优越指标”而人工修饰数据的嫌疑。
严重程度：🟡 存疑

发现 5：引用与排版格式检查

位置：参考文献 [39]
描述：引用的 TabNet 原始文献（Arik S O, Pfister T）有两处，[32] 标注为发表在 AAAI 2021 的正式会议版本（正确），而 [39] 标注为 2019 年的 arXiv 预印本，且格式标注为 [J]（期刊）。
证据：arXiv 属于预印本，并非正式发表的期刊（Journal）。这是典型的为了堆砌参考文献而不严谨的复制粘贴。
严重程度：🟡 轻微异常

耿同学辣评

摘要里大言不惭地说“经过严格的对比分析”，结果连最基本的 $F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$ 都算不对！算不对就算了，为了证明你的融合模型天下第一，硬生生把 LightGBM 的 F1 分数从 0.93 改成 0.78，属实是把“欺负审稿人不按计算器”玩明白了。这不是统计学，这是“统计学奇迹”啊！

建议后续行动

强烈建议华东师范大学统计学院学术委员会要求该生及导师提供原始代码、验证集预测标签以及混淆矩阵原始数值。
检查其 LightGBM 的输出是否存在人为篡改 Excel 数值的行为。
在知网或相关学术监督平台上提出公开质疑。

⚠️ 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。

基于 GRU_TabNet 模型的城投债违约风险预警研究