🔍 耿同学打假报告

论文信息

位置：表 2.1 混淆矩阵（第16页）
描述：作者在展示混淆矩阵时，将“实际负例”与“预测负例”交叉的单元格标记为 FN（假反例，False Negative）。但在任何机器学习基础教材中，该位置毫无疑问应为 TN（真反例，True Negative）。
证据：原文表 2.1 中，实际类别为“负例”、预测类别为“负例”的交叉单元格明确写着 FN。这种初中级机器学习绝不该犯的致命概念错误，直接暴露了作者极度薄弱的专业基础，甚至让人怀疑作者是否亲手敲过真实的分类代码。
严重程度：🟠
复核状态：✅ 成立

位置：3.3.2 节文本 vs 表 3.5（第28-29页）；4.2.1 节文本 vs 表 4.2（第45-46页）
描述：论文中多处正文描述的实验数据与图表中展示的数据完全对不上，且呈现出极其诡异的“部分指标吻合、部分指标瞎编”的规律。
证据：
1. 表 3.5 中，Recall（召回率）在不平衡时为 0.4686，平衡后为 0.6762。而正文写道：“召回率从 43.25% 大幅提升至 61.98%”；Acc 在表内为 0.9790->0.9831，正文却写“从 97.96% 至 98.30%”；F1 分数表内为 0.5536->0.7005，正文写“从 0.5310 提升至 0.6664”。（注：正文的百分比提升幅度倒是和表格对上了，说明作者是在两套不同的基础数据上硬算提升率）。
2. 表 4.2 中，Precision 明明是 0.9046 提升至 0.9124，正文却大言不惭地写道：“精确率由 92.25% 增至 92.64%”；Recall 表内为 0.8972 提升至 0.9112，正文写“由 91.81% 上升至 92.35%”。
严重程度：🔴
复核状态：✅ 成立

位置：4.1 节个人财务数据分类情况（第41页）
描述：作者声明使用的德国信用卡数据集共有 1000 条样本，并在 2.2.3 节声称按 8:2 划分训练集与测试集。然而，在进行 KMeans 聚类分析时，作者给出的三个簇的样本数量分别为 327、224 和 429。
证据：原文明确指出“经 KMeans 聚类后形成三个分布清晰的簇，分别标记为 0、1、2，其样本数量依次为 327、224 和 429。”计算可知：327 + 224 + 429 = 980。如果是针对全量数据聚类，总和应为 1000；如果是针对训练集聚类，总和应为 800。凭空消失或凭空多出的样本量，说明作者对数据的实际操作极其混乱，存在伪造实验流程的嫌疑。
严重程度：🟠
复核状态：✅ 成立

位置：表 3.3（第26页）
描述：在模型性能对比中，多个模型的 F1-Score（精确率与召回率的调和平均数）与报告的 Precision 和 Recall 在数学上无法自洽。
证据：原文表 3.3 中，以 Baseline（基准）模型为例，表内 Precision = 0.4388，Recall = 0.5273。根据 F1 公式： $2 \times \frac{0.4388 \times 0.5273}{0.4388 + 0.5273}$ ，正确结果应为 0.4790，但表中赫然写着 0.4332。Bagging、RF 等多个模型均存在此类数学不自洽的问题。
严重程度：🟠
复核状态：✅ 成立

这篇论文的实验数据，主打一个“精神分裂”。正文和表格像是在玩“找不同”游戏，数学公式连计算器都算不出那个结果，连最基础的混淆矩阵 TN 都能写成 FN！这哪是“基于集成学习”，这明明是“基于集成编造”。建议作者在写论文之前，先买个好点的计算器，并重温一下机器学习小学一年级课本！

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。