🔍 耿同学打假报告

论文信息

标题：PriorRG: Prior-Guided Contrastive Pre-training and Coarse-to-Fine Decoding for Chest X-ray Report Generation
作者：Kang Liu, Zhuoqi Ma, Zikang Fang, Yunan Li, Kun Xie, Qiguang Miao
期刊/会议：AAAI 2026 (Copyright © 2026, Association for the Advancement of Artificial Intelligence)
DOI：未提供
发表年份：2026 (ArXiv 提交日期：2026年1月4日)

综合评定：🔴 实锤

详细发现

发现 1：违背基本数学常理的指标数据（随机数生成器都不如）

位置：Table 1 (MIMIC-CXR 数据集结果)
描述：在 Table 1 中，PriorRG (Ours) 模型在 MIMIC-CXR 上的 BLEU 分数呈现极其反常的数学规律。
证据：
论文报告 PriorRG 的 BLEU 分数为：B-1 = 0.290, B-2 = 0.220, B-3 = 0.175, B-4 = 0.189。
在自然语言处理中，BLEU-n 分数是基于 n-gram 的累乘精度，数学上 BLEU-4 绝对不可能大于 BLEU-3。该模型 B-3 为 0.175，而 B-4 居然反常地升至 0.189。这属于“教科书级别”的数据造假低级错误，极大概率是手工编造数据或从不同实验组胡乱复制粘贴所致。
严重程度：🔴
复核状态：✅ 成立

发现 2：摘要/正文与表格数据的严重割裂

位置：Abstract & Section 4.2 (Main Results) vs Table 1
描述：作者在摘要中声称取得了温和的提升（3.6% 和 3.8%），但表格中的数据却展现出如同“开了挂”一般的离谱跨越。
证据：
1. 摘要声称：“achieving a 3.6% BLEU-4 and 3.8% F1 score improvement on MIMIC-CXR”。
2. 然而，在 Table 1 中，目前 SOTA (如 SEI) 的 BLEU-4 约为 0.135，F1 约为 0.460。如果 PriorRG 的 B-4 达到了表中所写的 0.189，实际提升幅度高达 40%！
3. 表中 PriorRG 的 METEOR (MTR) 达到了 0.324，ROUGE-L 达到了 0.541，而其他所有基线模型的 MTR 普遍在 0.15-0.17 之间，R-L 在 0.28-0.30 之间。PriorRG 的指标几乎比其他所有模型翻了一倍，这在医疗报告生成领域是完全不符合常理的突变。摘要中的“3.6%提升”彻底出卖了作者——作者连“伪造”的提升百分比都算错了。
严重程度：🔴
复核状态：✅ 成立

发现 3：数据列错位与无脑复制粘贴痕迹

位置：Table 3 vs Table 1
描述：作者在组装消融实验表格时，发生了严重的列对齐错位，暴露出不经大脑的复制粘贴行为。
证据：
Table 3 的列头是 B-2 | B-4 | MTR。PriorRG 在 Table 3 中的数据填的是 0.290 | 0.175 | 0.189。
对比 Table 1 中 PriorRG 的数据序列（B-1=0.290, B-2=0.220, B-3=0.175, B-4=0.189）。作者直接把 Table 1 中的 B-1 (0.290) 当成了 B-2 填进了 Table 3，把 B-3 (0.175) 当成了 B-4，把 B-4 (0.189) 当成了 MTR！连小数点后三位都一模一样的错位，实锤了数据的拼凑过程。
严重程度：🔴
复核状态：✅ 成立

发现 4：大面积的表格留白与正文文本残缺（量产型学术）

位置：Table 2, Table 4, Table 7, Table 9 / Section 4.1
描述：论文在关键实验部分存在大量未完成的“半成品”现象。
证据：
1. 空表格：Table 2（消融实验）、Table 4（Prior knowledge 消融）、Table 7（参数对比）、Table 9（性能对比）中，PriorRG 相关的核心数据行完全是空白的！只留下了表头和基线数据。
2. 残缺正文：Section 4.1 (Implementation details) 中赫然写道：“the number of latents to, the maximum generation length to beam size to 3...”。连最基本的 Batch Size 等关键超参数数值都缺失，语法不完整。
  这显示出该论文可能是从某个未完成的 LaTeX 草稿或模板中强行扒下来凑数投稿的，严谨性极差。
严重程度：🟠
复核状态：✅ 成立

发现 5：方法学描述存在严重的文本断层

位置：Section 3.2 / Section 4.1 等多处
描述：论文正文中存在大量丢失主语或断句的段落。
证据：例如 3.2 节中：“To account for such projection-specific variations, we introduce a learnable view-position embedding...”，紧接着下一句直接变成了没有主语的动词开头：“ text encoder CXR-BERT (Boecking et al. 2022), followed by a projection head.”。类似的无头句子在全文（如 Datasets, Evaluation metrics 段落）中比比皆是，说明经过粗暴的文本删改或 AI 生成后未做校对。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

这篇论文简直是“薛定谔的表格”——你以为它在报告 SOTA，其实它在报告搞笑。Table 1 里 BLEU-4 居然比 BLEU-3 还高，这是直接违背了自然语言处理的基本法啊！更绝的是，摘要里吹牛说提升了 3.6%，表格里的数据却直接起飞翻了倍，甚至把上一个表的 B-1 错位粘贴成了下一个表的 B-2。半数的核心表格还是空白！怎么着，这是 ArXiv 挂号占座就算发表了，剩下的数据打算让我们读者用想象力来补全吗？

建议后续行动

联系作者要求提供原始数据（虽然连表格都填不满，大概率提供不出）
在 PubPeer 上提出质疑
向 AAAI 2026 组委会及期刊编辑部举报
向作者所在机构（西安电子科技大学）学术委员会举报

⚠️ 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。

PriorRG: Prior-Guided Contrastive Pre-training and Coarse-to-Fine Decoding for Chest X-ray Report Generation