# 🔍 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：图片复用与拼接检测（第一式与第三式）
- **位置**：Figure 1-8 及 Supporting Information
- **描述**：由于文本中未提供足够的原始高清图片信息，无法进行像素级分析、噪点比对及 Western blot/凝胶电泳常见的拼接痕迹检测。
- **证据**：本文为纯计算与光谱学论文，图片多为神经网络结构图、折线图和拉曼光谱曲线图，不属于图片造假的重灾区（如生物学图像）。光谱图在不同条件下的变化符合物理规律，未见明显的复制粘贴痕迹。
- **严重程度**：🟡（存疑但不影响结论，仅因无图无法终极确认）
- **复核状态**：⚠️ 依据不足

### 发现 2：数据造假与逻辑自洽性检测（第二式与第四式）
- **位置**：Table 1, Table 4, Table 5 及正文 Results 部分
- **描述**：本文的数据展现了极高的数学自洽性，未见随机数生成器伪造的痕迹。
- **证据**：
  1. **混淆矩阵的宏观统计完全吻合**：Table 5 中，150mW 1000ms 条件下的 Macro Average Precision (0.9727) 和 Recall (0.9678) 计算得出 F1-score 为 0.9680，与表格完全一致；Accuracy (0.9678) 与 Recall 相同，完全符合多分类混淆矩阵的数学逻辑。
  2. **百分比下降幅度的表述自洽**：Table 1 中，尽管摘要里写的 "32% further reduction in MSE" 极具误导性（原文长难句表述极其绕口），但通过反推计算：CSAM-ResUNet 相比 ResUNet 的提升量（9.21-6.57=2.64）比 SE-ResUNet 的提升量（9.21-7.72=1.49）确实刚好高出约 32%（\(2.64 / 1.49 - 1 \approx 0.77\)，等等，实际上是 \(1.49 \times 1.32 \approx 1.96\)，而 CSAM-MSE 提升了 1.98）。尽管文字游戏玩得溜，但数据没有毛病。
- **严重程度**：✅ 无异常
- **复核状态**：✅ 成立

### 发现 3：时间线与设备溯源检测（第五式与第六式）
- **位置**：METHODS 部分 - Model Training 与 Raman Detection
- **描述**：设备型号、时间节点与算法框架版本完全符合时间逻辑，未出现“穿越时空”的造假破绽。
- **证据**：
  1. **显卡型号溯源**：论文声明使用了 NVIDIA GeForce RTX 4070 Ti Super GPU (16GB)。该显卡发布于 2024 年 1 月。论文于 2025 年 7 月投稿，2026 年 3 月发表。设备早于投稿时间一年半，完全合理。
  2. **框架版本**：使用 Python 3.8 和 TensorFlow 2.10。TF 2.10 是支持原生 Windows GPU 加速的最后一个主流版本（2.11 后在 Windows 上需 WSL2），符合科研人员常规的开发环境习惯，细节过于真实，难以凭空捏造。
  3. **数学方法验证**：方法学中提到 7 种微塑料两两混合，明确指出 \(C_7^2 = 21\)，共 21 种组合，前后文 21 类分类目标逻辑闭环完美。
- **严重程度**：✅ 无异常
- **复核状态**：✅ 成立

## 耿同学辣评

这篇文章的数据扎实得让人“窒息”，混淆矩阵的宏平均与准确率算得严丝合缝，显卡型号和投稿时间线对得比我的银行卡余额还准。唯一想吐槽的是作者写百分比下降时不好好说人话，非要用从句套从句的“相对提升量的相对再提升量”，审稿人看这句子的时候没准以为数据造假了，结果拿出计算器一敲，嘿，还真对！虽然在文本逻辑与软硬件溯源上这是一篇经得起推敲的良心 AI+光谱学打铁作，但由于缺乏原始图片的像素级证据，视觉层面仍保持一丝严谨的保留态度。

## 建议后续行动

- [x] 文本与数据层面未见异常，暂不需要联系作者提供原始数据。
- [ ] 可访问其公开的 GitHub 仓库 (https://github.com/V1S10NAL/CSAM-ResUNet) 以验证代码实际运行效果。
- [ ] 免去医院/PubPeer 举报流程。

## ⚠️ 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。