🔍 耿同学打假报告

论文信息

• 标题：A Lightweight Multi-Task Learning Framework for Battery Degradation Prediction with Limited Data
• 作者：Pingwei Gu, Ying Zhang, Bin Duan, Chenghui Zhang, Yongzhe Kang, Changlong Li
• 期刊：IEEE Transactions on Transportation Electrification
• DOI：10.1109/TTE.2025.3591534
• 发表年份：2025
• 论文来源：A_Lightweight_Multi-Task_Learning_Framework_for_Battery_Degradation_Prediction_with_Limited_Data.pdf

综合评定：🟡 存疑

总体而言，这是一篇典型的基于公开数据集进行算法开发的深度学习应用论文。由于未涉及自采的生物学/化学实验图（如 Western Blot 等），经典的“PS图片拼接”造假风险极低。但在时间线、公式编排和基础常识上，暴露出了诸多粗心大意“赶工”的痕迹。虽然没有发现系统性数据编造的实锤，但诸多低级失误让这篇论文的严谨性大打折扣。

详细发现

发现 1：公式编号“套娃”冲突（公式复用？）

• 位置：Section III. C 与 Section IV. A
• 描述：文章在第三部分第三节介绍“投影压缩”时，已经使用了公式 (7) 到公式 (15) 进行数学推导。然而，到了第四部分第一节介绍评估指标（MAPE, RRMSE, R²）时，公式编号竟然又从 (7) 开始了（MAPE变成了公式7，RRMSE变成了公式8，R²变成了公式9）。
• 证据：
  • 前文：“...with compression rate defined as: (15)”
  • 后文：“...Mean Absolute Percentage Error (MAPE)... (7) Relative Root Mean Square Error (RRMSE)... (8)”
• 严重程度：🟡（这属于排版和校对的严重失误。虽然大概率是直接复制粘贴了别的论文的段落而忘记更改编号，属于“无心之失”，但在学术写作中显得极度草率）。

发现 2：经典优化器引用“张冠李戴”

• 位置：Section III. D (Transfer Learning for Cross-Dataset Generalization)
• 描述：文中写道：“Furthermore, the entire network is optimized using the Adam [20] optimizer...”。根据文末参考文献列表，文献 [20] 是 Y. Liu 等人于 2025 年发表在 IEEE TTE 上的一篇关于电池寿命预测的深度学习论文。
• 证据：Adam 优化器是深度学习中最基础的算法，其本源文献应为 Kingma & Ba, 2014 (arXiv:1412.6980)。作者却将它的引用指向了一篇 2025 年的电池预测论文。
• 严重程度：🟠（引用不当。这说明作者在写 Methods 部分时，极有可能是顺手抄了参考文献 [20] 里的方法描述，甚至连优化器的原引文都没改就直接贴过来了。学术写作的基本功存在严重问题）。

发现 3：时间线与设备环境的合理性核验

• 位置：Section IV. A (Experimental Setup)
• 描述：作者声明实验环境为“MATLAB R2024a”，当前日期为 2026年，该版本软件早已普及，时间逻辑完全合理。
• 证据：结合数据集引用的最新文献（如文献 [6], [12], [33] 均为 2025 年 4 月甚至更晚的 IEEE 期刊），整体时间线完全符合 2025 年底成稿、2025 年发表的时间逻辑，不存在“使用未上市软件/试剂”的穿越问题。
• 严重程度：✅（无异常）。

发现 4：数据来源与可信度核验（防抄袭/造假核心）

• 位置：Section II. A (Experiment Dataset Description) & Table I
• 描述：作者使用的 4 个数据集（124个LFP、45个LFP、28个NMC、28个NCA）分别对应了学术界极其著名的 Severson (Nature Energy 2019)、Attia (Nature 2020) 和 Zhu (Nature Comm 2022) 的公开电池数据集。
• 证据：公开数据集透明度高，可复现。这也解释了为什么这篇论文不需要自己做电池充放电实验——全篇为纯算法验证。因此，不存在实验数据主观捏造的风险，但需警惕模型对比时挑选好结果报告。
• 严重程度：✅（数据来源真实可靠）。

发现 5：实验对比数据的统计学合理性

• 位置：Table IV (CTK and RUL prediction results under different methods)
• 描述：对比了 Ours, BiGRU, BiLSTM, CNN-BiLSTM 等模型。测试时间（如 1.88s, 2.09s, 1.29s 等）和误差指标（如 MAPE 3.81%, 5.16% 等）散乱分布，没有呈现“等差数列”或“完美整数”的特征。
• 证据：深度学习模型由于随机种子问题，小数点后两位的数据通常具有随机性，该表的数据分布符合真实训练结果的常态。
• 严重程度：✅（无异常，未触发“随机数生成器都不如”红旗）。

耿同学辣评

算法跑得挺花哨，模型压缩了 90% 确实能省点 BMS 的算力；但这公式编号“套娃”和优化器引用“张冠李戴”的功夫，也把审稿人和读者的阅读体验压缩了 90% 吧？原引文都懒得改直接 Copy-paste，这写得也太“轻量化”了！

建议后续行动

• 无需举报学术不端（未发现主观数据编造或图片造假）。
• 在 PubPeer 上提出质疑：建议指出其公式重复编号的问题，以及 Adam 优化器引用文献 [20] 的张冠李戴问题，要求作者作出澄清。
• 建议作者进行重大勘误：希望作者向期刊编辑部申请发布一份详细的 Erratum，修正公式编号和错误的引用。

⚠️ 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。