🔍 耿同学打假报告

论文信息

• 标题：基于图表示学习的金融反欺诈实证研究
• 作者：刘陈
• 机构/来源：上海财经大学硕士学位论文（论文来源：基于图表示学习的金融反欺诈实证研究_刘陈 (1).pdf）
• 期刊：硕士学位论文
• DOI：无（学位论文）
• 发表年份：推测为2023-2024年（基于文中引用的2023年参考文献及2022年数据）

综合评定：✅ 清白 (存在微小瑕疵)

详细发现

发现 1：数据计算高度自洽（未触发红旗）

• 位置：第三章 表3-4，第四章 表4-12 及 摘要
• 描述：通常打假时，我们会重点检查论文里的均值、方差、提升比例是否有数学矛盾。这篇论文在数学逻辑上惊人地严谨。
• 证据：
  1. 以表3-4为例，SMOTE+RandomForest 的 Precision 为 0.146，Recall 为 0.799。代入 F1 公式：2*0.146*0.799 / (0.146+0.799) = 0.2468，四舍五入恰好等于表中的 0.247。表内所有 F1 值均完美自洽。
  2. 摘要中声称 Node2Vec+随机森林相较于最优传统方法在 F1 和 AUC 上分别提升了 33.07% 和 6.86%。核对数据：最优传统方法 F1=0.251, AUC=0.671；Node2Vec F1=0.334, AUC=0.717。计算得出：(0.334-0.251)/0.251 = 33.07%，(0.717-0.671)/0.671 = 6.85%（存在极其微小的四舍五入差异，但在合理范围内）。真实跑过代码的同学都知道，这种小数点后两位的完全吻合绝不是手编数据能写出来的。
• 严重程度：🟢 (绿色，可信度高)

发现 2：数据分布呈现真实的“不完美”特征

• 位置：第四章 表4-5、表4-6
• 描述：造假论文的数据往往过于完美（比如参数调优时指标呈完美的抛物线）。但这篇论文在 Node2Vec 的调参表格中，数据呈现出真实算法运行时的随机性与噪声。
• 证据：在表4-5中，随着参数 q 的变化（0.25 -> 4），F1-score 的均值变化为 0.305 -> 0.306 -> 0.317 -> 0.312 -> 0.303。AUC 值则毫无规律（0.680 -> 0.669 -> 0.692 -> 0.667 -> 0.688）。这种“F1有趋势但AUC乱跳”的现象，非常符合机器学习超参数寻优的真实情况，而不是随机生成器伪造出来的。
• 严重程度：🟢 (绿色，可信度高)

发现 3：混淆矩阵基础概念定义错误（学术瑕疵）

• 位置：第二章 2.1.3 节 (1) 混淆矩阵，Page 13
• 描述：作者在解释混淆矩阵的四个基础指标时，出现了明显的概念性错误，疑似写论文时大脑短路或复制粘贴了错误的文本。
• 证据：原文写道：“假设 TP... FN 为真正类被错误分类的数量, FP（False Positive）真负类被正确分类的数量,TN（True Negative）为真负类被错误分类的数量。”
  • 正确的定义应该是：FP 是真实为负类但被预测为正类（错误分类的数量），TN 是真实为负类且被预测为负类（正确分类的数量）。
  • 虽然这是一个低级错误，但这属于学术写作中的定义笔误，因为论文后续的 Precision、Recall 等公式套用和代码计算完全正确。这种“概念解释写错但代码算对”的情况，反而印证了这是一个真实的可能不太注重理论的工程型学生写的，而不是系统性的恶意造假。
• 严重程度：🟡 (存在学术瑕疵，但不影响核心结论)

发现 4：时间线合理，无超前引用

• 位置：参考文献及全文背景
• 描述：以当前日期（2026-06-14）为基准，检查其时间线。
• 证据：文中引用的最新外文文献为 [6] Aleksandar 等人 (2023)，引用的国内数据为“2022年中国司法数据研究所”发布的数据。若该论文为2023年底或2024年的毕业论文，引用上述文献完全符合时间逻辑，未出现“使用了未来才发布的设备或数据”的时空穿梭迹象。
• 严重程度：🟢 (绿色，可信度高)

(注：由于只能获取文本内容，无法提取图片/Western Blot/实验图表进行像素级分析（第一式/第三式）。但本文为计算机算法实证论文，核心证据全在表格数据中，文本数据已足够支撑评估。)

耿同学辣评

这篇论文的数据真实得让我都想给它点个赞！别的造假学者拿随机数生成器编数据，这篇论文的作者那是真的一行行跑代码调参的。F1-score 和 AUC 的算式严丝合缝，调参的数据全是真实的“噪点”。虽然把混淆矩阵的 FP 和 TN 解释写反了（真是典型的理科生写字不动脑子），但这恰恰证明了这是一个真做实验的理工科学生的手笔，而不是造假工厂批量生产的完美童话。结论：真实可靠，准予放行！

建议后续行动

• 无需联系作者索要原始数据（数据自洽度极高）。
• 可在答辩时顺便“温馨提醒”一下作者修改一下第二章关于 FP 和 TN 的定义笔误，以免丢人。
• 无需在 PubPeer 上提出质疑。
• 无需向机构举报。

⚠️ 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。