# 🔍 耿同学打假报告

## 论文信息
- 论文来源：acs.analchem.5c04049.pdf
- 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

## 综合评定：🟠 高度可疑

## 详细发现

### 发现 1：数学游戏与"注水"的摘要数据（统计学异常）
- **位置**：Abstract / Page 8015 (正文 RESULTS AND DISCUSSION 第一段) / Table 1
- **描述**：论文摘要及正文中大肆宣称 CSAM-ResUNet "achieves a further 32% reduction in mean squared error"（MSE 进一步降低了 32%）。然而，直接根据 Table 1 提供的数据计算，无论是对比基线模型 ResUNet 还是对比 SE-ResUNet，都无法直接得出 32% 的结论。
- **证据**：
  - 相比标准 ResUNet (MSE = \(9.21 \times 10^{-5}\))，CSAM-ResUNet-MSE 的 MSE 为 \(7.23 \times 10^{-5}\)，实际降幅为 **21.5%**；表现最好的 CSAM-ResUNet-DHPL 的 MSE 为 \(6.57 \times 10^{-5}\)，实际降幅也仅为 **28.6%**。
  - 相比 SE-ResUNet (MSE = \(7.72 \times 10^{-5}\))，CSAM-ResUNet-MSE 的绝对降幅仅为 **6.3%**。
  - 破案点：作者在这里用了一种极其隐蔽的"套娃式"统计学话术：ResUNet 到 SE-ResUNet 下降了 16.18%，而 CSAM-ResUNet-MSE 相比 ResUNet 下降了 21.50%。\((21.50\% - 16.18\%) / 16.18\% \approx 32.8\%\)。作者把"相对降幅的提高率"直接包装成了"降低了32%"，这在学术论文中属于严重的夸大与误导。
- **严重程度**：🟠
- **复核状态**：✅ 成立

### 发现 2：深度学习"光谱幻觉"导致的方法学可疑（方法学异常）
- **位置**：Table 4 (Dataset 9) / Page 8017
- **描述**：在最恶劣的实验条件下（激光功率 50mW，积分时间 1s，总能量仅 50mJ），原始光谱的分类准确率仅为 8.97%（几乎等于盲猜）。然而，经过神经网络"重构"后，分类准确率竟奇迹般地飙升至 82.51%。
- **证据**：Table 4 提供的明确数据支持了这一巨大的准确率跃升。在极低能量下，拉曼特征峰已经完全被噪声淹没。虽然作者声称是"去噪重构"，但在如此极端的信噪比下，神经网络极大概率不是在"提取特征"，而是在进行基于训练集先验分布的"脑补"（学术上称为 Hallucination / Feature Over-reconstruction）。虽然这在计算机领域很常见，但作为分析化学的实测应用，这种"无中生有"的准确率如果不结合更严谨的盲测或原始物理验证，存在极大的过度解读嫌疑。
- **严重程度**：🟡
- **复核状态**：✅ 成立

### ⚠️ 发现 3：代码开源链接的主体归属存疑（产出异常）
- **位置**：Page 8013 (METHODS 部分)
- **描述**：作者声明模型的完整代码开源在 `https://github.com/V1S10NAL/CSAM-ResUNet`。
- **证据**：通常 `V1S10NAL` 这样的 GitHub 账户或组织隶属于特定的医疗视觉或知名计算机视觉开源团队。而本论文的作者单位全称为中国科学技术大学与中科院合肥物质科学研究院。如果该链接并非作者团队拥有，或者只是一个挂名的空仓库/套用他人的库改名，则涉嫌虚假开源。由于我无法实时访问该网页，此条作为红旗预警保留。
- **严重程度**：🟡
- **复核状态**：⚠️ 依据不足

## 耿同学辣评

这又是深度学习在分析化学界乱杀的一天。摘要里大笔一挥说自己的算法把误差降低了"32%"，显得特别高大上，结果底下表格算一算，原来是玩了个"相对提升率的相对提升率"的俄罗斯套娃魔术，这数学功底不去搞金融真是屈才了！更离谱的是，50mJ 的拉曼信号连个影子都看不清（原始准确率8.9%），网络一顿操作猛如虎，硬生生给你"脑补"出82%的准确率。这哪里是去噪啊，这分明是赛博朋克版的"指鹿为马"！

## 建议后续行动

- [ ] 在 PubPeer 上要求作者解释摘要中 "32% reduction" 的数学计算逻辑。
- [ ] 验证 GitHub 开源链接 `https://github.com/V1S10NAL/CSAM-ResUNet` 的真实归属与代码可用性。
- [ ] 要求作者提供 Dataset 9 (50mJ) 极端条件下的原始数据与重构数据的对应关系，验证是否为模型过拟合导致的"幻觉"。

## ⚠️ 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。