🔍 耿同学打假报告

论文信息

• 标题：Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for CheXray Vision-Language Pre-training
• 作者：Anonymous Author(s)（匿名作者，目前处于双盲评审阶段，Submission Id: 3264）
• 期刊/会议：MM '25（ACM Multimedia 2025）， Dublin, Ireland
• DOI：XXXXXXX.XXXXXXX（暂未分配，当前为会议预印本/投稿状态）
• 发表年份：2025
• 论文来源：3264_Pathology_Aware_Reconstru (1).pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据异常与“完美”的重复值（随机数生成器都不如）

• 位置：Table 1 (Page 5/6)
• 描述：在 CheXpert (CXP) 数据集的线性分类结果中，本文方法在 1% 和 10% 训练数据比例下的 AUC 指标竟然完全一致，均为 89.5%。巧合的是，基线模型 MRM 在该数据集的 1% 和 10% 数据比例下也出现了完全一致的结果，均为 88.5%。
• 证据：在真实的深度学习实验中，随着训练数据量从 1% 增加到 10%（通常是几十张到几百张图片的差异），评估指标出现丝毫不变的情况极不符合常理。这说明要么是作者在填表时发生了低级的复制粘贴错误，要么是某些实验并未真正跑完，直接拿前者的数据进行了填充。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 2：引用张冠李戴（引用与方法学异常）

• 位置：Section 2.1 (Page 2, 第191行附近)
• 描述：在探讨基于对齐的预训练方法时，文中写道：“MedUnic [23] integrates multimodal medical data from different languages...” 将跨语言多模态的工作归为了参考文献 [23]。
• 证据：仔细核对文末的参考文献列表，[23] 实际上是 Bo Liu 等人发表的关于 SAT (Semantics-Aware Triage) 的论文。而真正关于 Med-UniC 的论文是文献 [33]（Zhongwei Wan 等人发表于 NeurIPS 2024 的文章）。这种同一章节内甚至前后脚引用同一篇文献却标错序号的行为，属于典型的学术写作极度敷衍。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 3：部分消融实验结果选择性强（统计学异常检测）

• 位置：Section 5.3.1 / Table 4 (Page 7)
• 描述：消融实验展示了不同模块组合在 ChestX-ray14 上的表现。无任何模块基线得分为 79.1%，加上 PAR 模块后下降到了 78.9%，加上 DKBA 模块提升至 81.0%，而 PAR+DKBA 双管齐下时得分为 80.8%（低于单独使用 DKBA）。
• 证据：尽管作者在文字中极力圆场，称 PAR 对细粒度任务更有效，但在分类任务上，实验数据直观表明 PAR 模块其实起到了“负作用”。这说明论文的核心创新点之一（PAR 模块）在部分主要任务上缺乏普适性的增益，作者在行文时存在选择性掩盖数据劣势、强行解释结论的嫌疑。
• 严重程度：🟡
• 复核状态：✅ 成立

(注：受限于当前仅有纯文本输入，第一式、第三式等需要图片像素级比对的检测维度无法进行实质性分析，无法排除存在图片一图多用或 PS 痕迹的可能。)

耿同学辣评

经过复核确认，这篇论文可谓“水分”与“马脚”并存。实验数据卡得比你的工资发放日还准（1%和10%的数据量AUC一模一样），参考文献能把自己的“同行”认成“路人”（[23]和[33]傻傻分不清），甚至核心模块在主打的分类任务上起了负作用也要靠文字游戏强行挽尊。虽然搞AI的代码跑起来经常玄学，但写论文可不能纯靠 Ctrl+C 和 Ctrl+V 啊！吃相如此难看，不得不把评级上调至“高度可疑”。

建议后续行动

• 强烈建议联系作者要求提供原始数据（特别是 CheXpert 数据集在 1% 和 10% 数据划分下的完整训练日志，以查证是否伪造或复用了数据）。
• 在 PubPeer 或相关学术监督平台上提出明确质疑。
• 提请 ACM MM 2025 的程序委员会/评审主席注意此篇投稿的数据可靠性、实验严谨性及引用规范问题。

⚠️ 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。