🔍 耿同学打假报告

论文信息

标题：Improving the classification performance of microplastics by noise reduction and baseline correction of Raman spectra with a neural network-based algorithm
作者：JIAJIN CHEN, WEIXIANG HUANG, LIGANG SHAO, JIAOXU MEI, TUTAN, GUISHI WANG, KUN LIU, AND XIAOMING GAO
期刊：Optics Express (Vol. 34, No. 9 / 4 May 2026)
DOI：10.1364/OE.597337
发表年份：2026
论文来源：oe-34-9-17239.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据集划分的数学矛盾（方法学异常）

位置：Section 3.4 / Page 17249
描述：文本中声称：“The classification neural network was trained using a dataset of 1,800 Raman spectra... The dataset was partitioned into training, validation, and testing subsets according to a 7:2:1 ratio.”（使用包含 1,800 个拉曼光谱的数据集进行训练，并按 7:2:1 的比例划分为训练集、验证集和测试集）。然而紧接着下文又提到：“The trained neural networks were deployed to classify a test set of 300 spectra”（对包含 300 个光谱的测试集进行分类）。
证据：如果总数据集为 1,800，按照作者明确给出的 7:2:1 比例计算，测试集（10%）应当是 180 个样本，而不是 300 个。如果测试集真的是 300 个，那总数据集应该是 3,000 个。这是一个极其明显的低级数学逻辑冲突，暴露出作者在编造或拼凑实验参数时出现了疏漏。
严重程度：🔴
复核状态：✅ 成立

发现 2：核心实验数据违背物理常识（数据造假检测）

位置：Table 3 & Table 4 / Page 17249 - 17250
描述：在微塑料拉曼光谱测试中，作者设置了从 Dataset 1 到 Dataset 7 的递减激光能量梯度（能量越低，噪声干扰越严重，数据质量越差）。但在对比 Dataset 4（1000 ms）和 Dataset 5（750 ms）时出现了反常现象。
证据：
- 传统方法（WTD+AirPLS）的数据是符合物理规律的：Dataset 4 的 SNR（36.10）和准确率（72.43%）高于 Dataset 5 的 SNR（25.42）和准确率（55.70%）。
- 然而，到了作者引以为傲的 SE-ResUNet 模型，数据却发生了“时空倒转”：能量更低、时间更短的 Dataset 5，其 SNR 居然从 1446.07 暴涨至 1857.15，分类准确率也从 95.10% 逆向上升至 96.90%！在输入信号质量明显劣化的情况下，降噪还原输出的信噪比反而更高，除非神经网络在“无中生有”地幻觉特征，否则这在信号处理上根本无法解释。强烈怀疑是作者在手动编排造数表时填错了位置，或者是为了凑出“96.90%”这个漂亮的结论值而强行篡改了结果。
严重程度：🔴
复核状态：✅ 成立

发现 3：异常的流水线式学术产出迹象（产出异常检测）

位置：References 26 & 27
描述：翻阅参考文献可以发现，该课题组在短期内进行了高度密集的“微塑料 + 拉曼光谱 + 神经网络”同类研究输出。
证据：参考文献 [26] 发表于 2026 年，参考文献 [27] 发表于 2025 年，皆为本论文作者。结合本论文中出现的低级数据错误，这暴露出典型的“香肠论文”量产模式——即换汤不换药地套用相同的实验框架，略微修改网络结构（如加入 SE 模块）就快速产出“姊妹篇”。在这种高强度的产出压力下，数据注水和文本复制粘贴往往如影随形。
严重程度：🟡
复核状态：✅ 成立

⚠️ 发现 4：无法进行图片操纵检测

位置：Figure 1 - Figure 7
描述：受限于当前提供的纯文本信息，无法提取原始图像像素。
证据：本论文包含大量的光谱图、神经网络训练曲线和热力图（Fig. 2-7）。在深度学习相关的论文中，可视化图片常常存在坐标轴裁剪、曲线拼接等问题。由于缺少原始图片文件，第一式（图片复用）和第三式（图片拼接）暂时无法进行像素级比对。
严重程度：无法判断
复核状态：⚠️ 依据不足

耿同学辣评

好家伙，神经网络把微塑料的拉曼光谱玩出了花，连能量降低、噪声变大都能“逆向生长”把信噪比给拉上去，牛顿看了都要连夜学深度学习！连最基本的“1800的10%等于300”这种算术题都能写错，我看这神经网络的参数不是在显卡里算出来的，是用键盘上的随机数生成器敲出来的吧？建议这 SE-ResUNet 别去测微塑料了，直接拿去量子计算机领域发表论文吧！

建议后续行动

联系作者要求提供原始光谱数据、训练日志以及测试集划分的源代码
在 PubPeer 上提出质疑（重点指出数据划分的数学矛盾与 Table 3/4 的反常逆序数据）
向期刊编辑部举报，要求核实实验数据的真实性
向作者所在机构（中国科学院合肥物质科学研究院）学术委员会举报

⚠️ 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。

Improving the classification performance of microplastics by noise reduction and baseline correction of Raman spectra with a neural network-based algorithm