🔍 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：acs.analchem.5c04049.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：方法学与代码实现存在潜在矛盾（ECA模块参数量异常）

• 位置：Table 1 / Page 8015
• 描述：在 Table 1 中，ECA-ResUNet 的总参数量为 13.83M，竟然高于 SE-ResUNet (13.38M) 和 CBAM-ResUNet (13.82M)。然而，ECA（Efficient Channel Attention）模块的设计初衷和核心优势正是通过使用 1D 卷积取代全连接层（FC）来大幅减少参数量。
• 证据：作者在方法部分甚至自己写道："in lieu of a fully connected layer, two 1D convolutions are employed. This approach reduces the number of parameters..."。但其报告的数据却与这一公认的神经网络常识相反。这暗示作者要么在代码实现时出现了严重的 Bug，要么是直接手动编造了对比数据。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 2：光学倒易律失效还是数据人为挑选？（能量一致但结果矛盾）

• 位置：Table 4 / Page 8017
• 描述：在分类准确率的对比中，Dataset 3 (150mW, 1000ms) 和 Dataset 8 (50mW, 3000ms) 的样品接收总能量均为 150mJ。但在神经网络处理后，Dataset 3 的准确率达到 96.78%，而 Dataset 8 仅为 91.17%。
• 证据：在拉曼光谱的传统理论中，只要未达到探测器的饱和阈值，符合倒易律（Reciprocity Law），即"短时间高功率"与"长时间低功率"在总光子数相同的情况下，产生的信噪比应该是基本一致的。这里同能量下出现了超过 5% 的显著准确率偏差，既没有给出物理层面的解释（如暗电流累积差异），也违背了光谱测试的常理，存在人为调整实验参数以制造"梯度递减"假象的嫌疑。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：训练数据划分过于"完美"导致泛化性评估失真

• 位置：Table 6 / Page 8019
• 描述：在解混任务的模型表现中，Component 1 的验证集 MSE 为 9.20×10⁻⁷，而独立测试集 MSE 竟然也是精确的 9.20×10⁻⁷。Component 2 的验证集和测试集 R² 也完全一模一样（0.99955）。
• 证据：在真实的深度学习训练中，验证集和测试集即使是独立随机生成的，其评估指标的末几位小数完全相同的概率极低（除非两者实际上是同一批数据，或者数据量极大导致方差趋近于0时的舍入巧合）。这种"教科书般"的数值一致性，通常暗示作者可能没有真正划分独立的测试集，或者是直接复制粘贴了验证集的评估结果。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

算法跑得挺花哨，开源链接也挂得挺高调，结果表格里连基本的光学倒易律都守不住，所谓的"高效"注意力模块参数量还比"低效"的大。更逗的是，验证集和测试集的均方误差居然能做到小数点后一丝不差，连随机数发生器看了都得直呼内行。懂不懂什么叫降维打击啊？怕不是直接在 Excel 里给原始数据来了个"降维打击"吧！

建议后续行动

• 检查其公开的 GitHub 源代码，核实 ECA-ResUNet 的网络结构定义代码是否写错。
• 联系作者要求提供原始的拉曼光谱测试数据，重新验证同能量下不同曝光时间的分类准确率差异。
• 在 PubPeer 上提出质疑，要求作者解释验证集与测试集 MSE 高度重合的现象。

⚠️ 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。