🔍 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. 2026, 98, 8010−8022)
• DOI：10.1021/acs.analchem.5c04049
• 发表年份：2026
• 论文来源：cascaded-improved-neural-network-for-the-reconstruction-classification-and-unmixing-of-the-raman-spectra-of-mixed.pdf

综合评定：🟡 存疑

详细发现

发现 1：违背物理学常识的"无中生有"（数据造假与方法学异常）

• 位置：Table 4 (Page 8017)
• 描述：在最恶劣的实验条件下（Dataset 9: 50 mW 激光功率，1000 ms 积分时间，样品仅接收到 50 mJ 能量），原始光谱的分类准确率仅为 8.97%（接近随机瞎猜），经过传统算法（SG+AirPLS 或 WTD+AirPLS）处理后，准确率也仅有 15.40% 和 17.03%。然而，经过本文提出的 CSAM-ResUNet 神经网络重建后，分类准确率竟突增至 82.51%。
• 证据：当原始信号的特征峰完全被随机噪声淹没（传统滤波器也宣告失效）时，神经网络绝不可能从纯噪声中"无中生有"地恢复出原本不存在的化学键信息。出现如此夸张的提升，只有三种可能：1. 数据集发生严重泄露（测试集参与了训练）；2. 神经网络在对特定噪声模式进行"死记硬背"并输出伪造特征；3. 数据完全是由代码反向生成拼凑的。这在光学与信号处理领域是严重违背物理常识的。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：典型的"学术灌水套娃"行为（产出异常）

• 位置：METHODS - Raman Detection (Page 8014) & 参考文献 43
• 描述：文章在描述实验仪器时写道："The Raman instrumentation configuration utilized in this work is consistent with the system employed in our previous work. [43]"。而参考文献 [43] 指向的是作者团队于 2025 年发表在 Talanta 期刊上的另一篇文章。
• 证据：本文的第一作者和通讯作者与文献 [43] 完全重叠，且极其诚实地承认连实验设备配置都是直接搬过来的。结合本文仅仅是把 2025 年文章中的普通 CNN 换成了加上注意力机制的 ResUNet，且仅仅是处理了多几种塑料的混合光谱，这属于典型的"一招鲜，吃遍天"，通过微调模型结构强行制造一篇高水平论文（从 Talanta 升级到 Anal. Chem）。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

深度学习不是炼丹炉，神经网络也不是许愿池里的王八！原始数据只有 8.97% 的准确率，连特征峰都淹没在噪声里了，丢进你那个黑盒子里转一圈出来就变成 82.51%？怎么着，你的神经网络不仅能去噪，还能顺便跨界搞"显影"啊？真实的物理信号如果没采集到，神仙来了也复原不出来，除非你的代码会"无中生有"编造特征。另外，连实验设备都直接照搬前作，换个模型结构就开始收割顶刊，把 Analytical Chemistry 当水会了？

建议后续行动

• 联系作者要求提供原始光谱数据（.txt 原始文件）及代码运行 log，核查是否存在测试集泄露。
• 要求作者提供 Dataset 9（8.97% 提升至 82.51%）中，被成功复原的那部分光谱的原始记录与网络输出对比图，验证是否为"幻觉"生成。
• 在 PubPeer 上提出质疑，重点探讨从纯噪声中恢复化学物理特征的合理性。

⚠️ 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。