🔍 耿同学打假报告

论文信息

• 标题：Cascaded Improved Neural Network for the Reconstruction, Classification, and Unmixing of the Raman Spectra of Mixed Microplastics
• 作者：Weixiang Huang, Jiajin Chen, Hao Xiong, Ligang Shao, Guishi Wang, Kun Liu, Chilai Chen, Xiaoming Gao
• 期刊：Analytical Chemistry (Anal. Chem.)
• DOI：10.1021/acs.analchem.5c04049
• 发表年份：2026
• 论文来源：cascaded-improved-neural-network-for-the-reconstruction-classification-and-unmixing-of-the-raman-spectra-of-mixed.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：验证集与测试集数据"复制粘贴"式异常雷同

• 位置：Table 6 (Page 8020)
• 描述：在模型的光谱解混性能评估中，验证集和测试集的统计指标出现了不可思议的完全一致。
• 证据：Table 6 中，两个 component 的验证集和测试集指标高度雷同。例如 Component 1 的验证集和测试集的 \(R^2\) 均为 0.99959，MSE 均为 \(9.20 \times 10^{-7}\)；Component 2 的验证集和测试集的 \(R^2\) 也都是 0.99955。在真实的深度学习独立测试中，两个完全不同的数据集算出的核心评估指标能精确到小数点后第五位甚至完全一致，概率极低。这极大概率是作者在撰写表格时直接复制粘贴了数据，或者根本没有遵循独立的训练/验证/测试划分原则。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：极端低能量下的"AI幻觉"违背物理常识

• 位置：Table 4 (Page 8017) 及相关讨论
• 描述：模型在严重缺乏特征信号的情况下表现出了"反物理学"的分类准确率。
• 证据：在 Dataset 9 (50 mW, 1000 ms) 的条件下，样本接收的总能量仅为 50 mJ。作者自己承认，此时原始数据的分类准确率仅为 8.97%（几乎等同于盲猜）。然而，经过 CSAM-ResUNet 处理后，准确率竟然飙升至 82.51%。当原始拉曼光谱的特征峰已经被噪声彻底淹没（准确率<9%）时，神经网络根本不可能无中生有地"恢复"出真实的化学成分，这种结果高度指向模型在仿真数据上发生了严重的过拟合，或者直接对噪声数据产生了"幻觉"映射。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 3：文本排版异常导致的数值格式粘连

• 位置：Table 6 与 全文公式部分
• 描述：提取出的文本中存在大量数字与科学计数法粘连的情况（如 0.999628.60×10−7），虽然这可能仅仅是 PDF 提取或期刊排版时丢失空格所致，但在 Table 6 中由于缺乏明确的列分隔，使得数据的真实归属难以单从文本上做到 100% 像素级确认。
• 证据：PDF 文本提取结果显示数字挤在一起。这使得我们对其他数据表（如 Table 1 和 Table 2）更精细的末位数字分布规律检测变得困难。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文让我们见识了什么是真正的"赛博炼丹术"——50毫焦的能量连个光斑都快看不见了，原始数据准确率不到9%，模型居然能硬生生"脑补"出82.51%的准确率！更绝的是 Table 6 里的验证集和测试集数据，核心指标居然能做到分毫不差，不知道的还以为作者是在教大家怎么使用 Ctrl+C 和 Ctrl+V 来训练神经网络呢！

建议后续行动

• 联系作者要求提供原始数据集、训练日志以及独立测试集的详细评估脚本
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报，要求核查实验数据的真实划分情况

⚠️ 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。