🔍 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：🟡 存疑

详细发现

⚠️ 发现 1：文本中未提供足够的图片信息，无法进行像素级分析

• 位置：Figure 1 - Figure 8 及全文图片
• 描述：本论文为机器学习与光谱学交叉领域的学术论文，全文主要涉及神经网络结构图、光谱曲线对比图、混淆矩阵热力图和 ROC 曲线。当前输入文本仅包含论文的文字内容及表格数据，未提供原始的高清图片像素信息。
• 证据：由于缺乏图片源文件，**耿同学第一式（图片复用检测）与第三式（图片拼接检测）**无法执行有效的噪点比对、PS 痕迹分析和 Western Blot 泳道分析。
• 严重程度：🟡（无法判断）
• 复核状态：⚠️ 依据不足

发现 2：数据存在“过于完美”的模型鲁棒性，但数学逻辑自洽

• 位置：Table 3 / Table 4 (Page 8017)
• 描述：在极差的实验条件下（Dataset 9：50 mW 激光功率，1 s 积分时间，接收能量仅 50 mJ），未处理原始光谱的分类准确率已崩溃至 8.97%（接近随机瞎猜），而经过神经网络重建后的分类准确率奇迹般地达到了 82.51%。
• 证据：在原始信号几乎完全被噪声淹没的情况下，神经网络强行“无中生有”恢复出极高的准确率。这虽然高度可疑（容易让人怀疑是否模型在训练阶段过拟合，或者存在数据泄露 Data Leakage），但作者在文中后续探讨中坦诚了这一现象，并将其归结为模型对微弱特征峰的提取。此外，表格内部数学计算完全自洽（如 Table 3 中各列平均值计算准确无误），未发现随机数生成器伪造数据的痕迹。
• 严重程度：🟠（高亮提醒：建议作者公开原始测试集代码以验证是否存在 Data Leakage）
• 复核状态：✅ 成立

发现 3：实验设备与时间线逻辑完美匹配

• 位置：Page 8013 (Model Training 段落) / 文章首页接收时间
• 描述：论文于 2025 年 7 月 3 日投稿，文中明确记载使用了 NVIDIA GeForce RTX 4070 Ti Super GPU。
• 证据：耿同学第五式与第六式出击！RTX 4070 Ti Super 显卡恰好是在 2024 年 1 月正式发布的。设备上市时间早于论文实验和投稿时间，时间线逻辑严密，没有出现“穿越时空使用未来设备”的低级造假错误。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 4：代码与数据开源情况（诚信加分项）

• 位置：Page 8012 (Neural Network Structure 段落) / Page 8016
• 描述：作者不仅声称模型代码已在 GitHub 公开（https://github.com/V1S10NAL/CSAM-ResUNet），还使用了多个公开的拉曼光谱数据集（References 44-48）进行验证。
• 证据：真正的“量产型学术造假”通常对代码和原始数据遮遮掩掩。这篇论文不仅公开代码，还用 \(C_7^2 = 21\) 的严谨组合数学逻辑推演了混合微塑料的类别，方法学描述极度详实。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

耿同学辣评

这篇论文的模型简直就是个“炼丹炉”——在信噪比极低、原始数据准确率跌破 10% 的“一锅乱炖”条件下，神经网络硬是靠着脑补（啊不，是重建）把准确率拉回到了 82%！虽然这数据好得让人想报警，但人家数学公式能对上，显卡没穿越，甚至还大咧咧地把代码扔 GitHub 上让大家去验货。就冲这份底气，这篇论文大概率是个硬核的“好活儿”，不过由于目前缺乏原始图片素材的像素级复核，且极端条件下的数据表现引发了合理怀疑，整体判定为存疑。建议审稿人还是得去跑跑他们的开源代码，看看这丹药里到底有没有掺“测试集泄漏”的违禁药！

建议后续行动

• 文本和表格层面未发现系统性造假证据，常规阅读无需进一步 action。
• 建议通过 GitHub 链接获取其源码与测试集，验证 Dataset 9 极端条件下的优异表现是否由于“训练集与测试集同源”导致的高估。
• （可选）在 PubPeer 上针对“过理想化的降噪分类表现”进行学术探讨。

⚠️ 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。