🔍 耿同学打假报告

论文信息

• 论文来源：基于教育游戏日志挖掘的学生学习效果评估_张翊桐.pdf
• 标题：基于教育游戏日志挖掘的学生学习效果评估
• 作者：张翊桐（华东师范大学 统计学院）
• 指导教师：於州 教授
• 期刊/类别：硕士学位论文（应用统计硕士）
• 发表年份：2024年5月

综合评定：🟡 存疑（基本清白，但存在表述与排版瑕疵）

详细发现

发现 1：表格数据“完美克隆”事件（方法学异常）

• 位置：表 5.5（模型结果对比）
• 描述：在最终的模型结果汇总表（表5.5）中，Fusion Model（全阶段融合模型）在 level_group1 上的表现（AUC: 0.7312, F1: 0.6721），与 Prob-Sparse Attention+CNN (kernel size=5) 单阶段模型在 level_group1 上的表现完全一模一样，精确到了小数点后四位。
• 证据：对照表5.5第一行和倒数第一行的 Level_group1 列数据。
• 逻辑分析：这大概率不是数据造假，而是作者在写论文时的“偷懒”或注水。根据论文 5.4 节的描述，全阶段模型是靠融合多阶段表征来预测的。在预测第一阶段时，由于没有前序阶段的特征，所谓的“融合模型”实际上就退化成了第一阶段的单阶段模型本身。虽然这在代码逻辑上成立，但统计汇报时直接复制粘贴数据填满表格，缺乏严谨的学术说明。
• 严重程度：🟡

发现 2：统计系学生的“百分点”与“百分比”之误（统计学异常）

• 位置：第五章 5.5 结果对比（Page 58）
• 描述：文中写道：“相比于不加卷积块的经典Transformer在各阶段的AUC和F1值上分别提升了1.4%、1.3%、1.7%、1.7%、1.1%、1.8%。”
• 证据：计算表 5.5 的数据。例如 level_group1 的 AUC，经典 Transformer 为 0.7171，最佳模型为 0.7312。绝对差值为 0.0141（即 1.4 个百分点）。如果按相对提升率计算：(0.7312 - 0.7171) / 0.7171 = 1.96%。论文中直接将 AUC 的绝对差值称为“提升了1.4%”，这在严谨的统计学语境下是不专业的，混淆了“百分点”和“百分比”的概念。
• 严重程度：🟡

发现 3：图文交叉引用错乱（写作瑕疵）

• 位置：第四章 4.4.1 游戏阶段1重要特征分析（Page 38）
• 描述：正文写道：“由图4.4可知，对游戏阶段1学生答题表现影响最大的变量为level4关卡的游戏时间...”。然而，本节展示的明明是“图 4.3 游戏阶段 1 特征重要性（前 20）”，而图 4.4 是游戏阶段 2 的特征重要性图。
• 证据：上下图文匹配度检测。由图4.3可以明显看出排名第一的特征确实是 "duration_level4"，作者在行文时笔误写成了图4.4。
• 严重程度：🟡

无法检测的维度说明

• 第一式（图片复用）与第三式（图片拼接）：由于当前仅有文本提取内容，无法获取论文中的 Western blot、ROC曲线图、模型架构图等像素级信息，因此无法进行噪点比对、PS痕迹检测和反转复用检测。
• 第五式与第六式时间线检测：本论文使用的 "Jo Wilder and The Capital Case" 游戏数据集为 2020-2022 年的真实日志数据（该数据集曾作为知名数据竞赛的公开数据集）。引用的参考文献（如 XGBoost 2016, Informer 2021, Conformer 2020 等）均在 2024 年成文之前，时间线逻辑完全合理。

耿同学辣评

拿外企开源的真实大型数据集写毕业论文，这操作很聪明，实验绝对是亲自跑过的，工作量也相当对得起专硕的门槛！但是啊，作为堂堂华东师范大学统计学院的学生，把绝对数值的差值（百分点）当成相对增长率（百分比）来汇报，这数学语文水平多少有点儿“跨界”了；连图表序号都能抄串行，这Proofreading（校对）功夫还得练练啊！

建议后续行动

• 联系作者要求提供原始数据（数据源为公开数据集，无需核实数据真实性）
• 在答辩委员会决议中记录排版与表述不严谨的问题
• 建议作者修改论文中的错别字与统计学表述规范
• 建议作者在表5.5中增加脚注，解释为何Fusion Model在第一阶段的数据与单阶段模型完全一致

⚠️ 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。