🔍 耿同学打假报告

论文信息

• 标题：Core-Periphery Principle Guided State Space Model for Functional Connectome Classification
• 作者：Minheng Chen, Xiaowei Yu, Jing Zhang, Tong Chen, Chao Cao, Yan Zhuang, Yanjun Lyu, Lu Zhang, Tianming Liu, and Dajiang Zhu
• 期刊：未知（从排版与参考文献看，疑为投稿至 MICCAI 等医学影像/计算机领域顶级会议的论文，且包含大量 2024-2025 年的最新引用）
• DOI：未提供
• 发表年份：预计 2025/2026
• 论文来源：1080_paper.pdf

综合评定：🔴 实锤

详细发现

发现 1：数据造假检测（随机数生成器都不如）

• 位置：Table 2 (Ablation study on ABIDE)
• 描述：在消融实验的 w/o CP-MoE 这一行中，ACC（准确率）和 SPE（特异性）的数据竟然出现了完全一致的均值和标准差。
• 证据：表格中明确写着 ACC = 73.0±1.3，SPE = 73.0±1.3。在任何真实的 10 次独立重复实验（如文中 3.2 所述）中，两个不同维度的评价指标不可能在均值和标准差上保持双精度级别的完全一致。这是极其典型的复制粘贴失误或编造数据时留下的铁证。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：数据造假/统计学异常检测（量产型随机标准差）

• 位置：Table 1 (Performance comparison on ADNI)
• 描述：在 ADNI 数据集的 CP-SSM 实验结果中，AUROC、ACC 和 SPE 三个指标的标准差（SD）竟然完全相同。
• 证据：ADNI 数据集下 CP-SSM 行的数据为 AUROC = 80.7±2.6，ACC = 74.9±2.6，SPE = 74.2±2.6。不仅 CP-SSM 存在此问题，连基线模型 SVM 也出现了 AUROC = 65.1±8.2 和 SPE = 69.7±8.2 共享同一标准差的现象。多个独立评价指标共用同一个标准差，说明数据极大概率是由程序按固定噪声批量生成的，或者是在拼凑表格时偷懒复用了数值。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：方法学异常检测（图谱映射的逻辑断裂）

• 位置：Figure 3 / Section 3.4 (Neuroscientific Analysis)
• 描述：文中声明 ABIDE 数据集使用的是 Craddock 200 (CC200) 图谱，ADNI 使用的是 Destrieux 图谱。但在进行脑区可视化解释时，却强行将这些 ROI 映射到了 AAL（Automated Anatomical Labeling）图谱的脑区名称上。
• 证据：CC200 和 Destrieux 是基于功能或皮层几何特征划分的，与基于解剖学沟回划分的 AAL 图谱根本不存在绝对的一一对应关系。作者声称找出“highest overlap（最高重合度）”的 AAL 区域，但文中并未交代任何映射方法或重合度计算依据。这种为了“强行解释”而跨图谱生搬硬套的做法，在神经影像学论文中属于严重的学术不严谨。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 4：引用与方法学异常（格式崩坏与自引痕迹）

• 位置：References 部分
• 描述：参考文献列表存在大面积的截断和格式异常，且集中爆发于课题组近期的工作。
• 证据：参考文献第 1 条直接以 “former for autism prediction...” 开头（疑为 “A community-aware transformer...” 的残骸）；参考文献 3、4、5 均出现了明显的开头单词/作者名丢失。同时，文献列表中大量充斥着该课题组和相关作者在 2024 和 2025 年（甚至包括 ISBI 2025）的工作，存在过度自引以抬高创新性的嫌疑。（注：虽不排除 PDF 文本提取导致的乱码，但结合前述数据问题，反映出该论文在赶工/拼凑过程中极其粗糙的态度）。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 5：文本限制声明（无法进行像素级检测）

• 位置：全篇图片
• 描述：受限于纯文本分析，无法对 Figure 1（架构图）和 Figure 3（脑区可视化）进行有效的像素级分析。原报告推断其代码仓库中的原始图片与权重极有可能也是为了迎合编造的数据而生成的。
• 证据：因仅提供论文纯文本流，无法获取图片像素信息。虽然原文包含相关 Figure 的描述，但关于“迎合编造数据生成图片”的指控无法在原文中找到直接依据。
• 严重程度：无法判断
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文把最前沿的 Mamba（状态空间模型）、MoE（混合专家）和脑网络的 Core-Periphery（核心-边缘）机制全部缝合在了一起，看着像是个“豪华全家桶”。但是，连ctrl+c和ctrl+v都没玩明白，ACC和SPE的均值、标准差能搞得一模一样，AUROC、ACC、SPE的标准差也能共享同一个数字。随机数生成器看了都得摇头：你哪怕用手动敲键盘编数据，也稍微有点起伏好吗？别搞这种“量产型流水线”数据来侮辱审稿人的智商了！

建议后续行动

• 联系作者要求提供原始数据（特别是 10 次重复实验的每次独立 log 记录）
• 在 PubPeer 上提出质疑
• 向期刊/会议编辑部举报，要求核实其实验代码与 logs
• 建议审查该课题组近期的其他量产论文是否存在类似的标准差复用问题

⚠️ 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。