🔍 耿同学打假报告

论文信息

• 论文来源：Manuscript_V2.0.pdf
• 标题：Durability-aware recovery of operating-point utilization: a hardware-calibrated closed-loop human-generator model with model-based transfer to renewable harvesters
• 作者：Qirui Ding, Lili Zeng, Changhui Song, Jiacheng Liu, Weicheng Cui
• 期刊：未明确标明（当前为预印本或手稿状态，V2.0）
• DOI：未提供
• 发表年份：2026 （基于文内引用“Ding Q, et al. JoVE. 2026”及当前日期判定）

综合评定：🟠 高度可疑

详细发现

发现 1：数据分布异常整齐（递减规律过于完美）

• 位置：Table 5 (Closed-loop conversion in the hardware-calibrated human-generator plant)
• 描述：不同控制器的“Delivered energy (kJ)”一列中，报告的标准差（SD）呈现出极度可疑的线性递减规律。
• 证据：观察原文表格各组数据的 SD 值：Incremental conductance (\(\pm3.1\)) \(\rightarrow\) Perturb-and-observe (\(\pm3.0\)) \(\rightarrow\) Variable-step P&O (\(\pm2.9\)) \(\rightarrow\) PSO-MPPT (\(\pm2.8\)) \(\rightarrow\) RL-MPPT (\(\pm2.8\)) \(\rightarrow\) MPC-MPPT (\(\pm2.7\)) \(\rightarrow\) CP-cap (\(\pm2.7\)) \(\rightarrow\) SAIR (\(\pm2.6\))。真实物理实验中，不同算法产生的离散度不可能像走台阶一样如此完美地依次递减。这高度像是在 Excel 里手动向下拉拽生成的伪随机数或人为强行添加的误差。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：“全知全能”却不带误差的 Oracle（基准线异常）

• 位置：Table 5
• 描述：Full-information oracle（全信息参考基准）的 Final reserve、Mean reserve 和 Input CV 的标准差被报告为完美的 0.000。
• 证据：论文原文 Table 5 中明确写着该基准线的 Final reserve 为 1.000±0.000，Mean reserve 为 1.000±0.000，Input CV 为 0.038±0.000。论文声称统计单元是 7 个人类参与者。即便算法是拥有“上帝视角”的 Oracle，只要它作用于 7 个生理参数完全不同的人，其输出的统计方差绝对不可能是绝对的 0.000。只有在纯粹无干扰的数学解析解中才会出现 SD=0，这与论文宣称的“硬件标定”和“包含人类疲劳等真实动态”严重自相矛盾。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：人类闭环数据缺乏生理随机性

• 位置：Table 5
• 描述：SAIR 算法的 Input CV 报告为 0.041±0.001。
• 证据：原文 Table 5 中 SAIR 行确实显示 Input CV 为 0.041±0.001。样本量仅为 7 人。在如此小的样本量下，将人类踩脚踏板（涉及复杂的肌肉疲劳、发力习惯改变）的控制输入变异度做到小数点后三位（仅为 0.001 的极微小误差），在生理学实验中几乎是不可能的。这种精度连机械臂都很难做到，更何况是“Human-powered”实验。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 4：缺失的统计学变异（“克隆人”数据）

• 位置：Table 6 (Micro-hydro 部分)
• 描述：不同高级算法在微水力发电模型上的 Output CV 表现出了极其刻意的数值阶梯，且完全没有标准差。
• 证据：原文 Table 6 中 Micro-hydro 部分的 Output CV 列数值排布确为：0.3, 0.3, 0.298, 0.298, 0.297, 0.297, 0.297, 0.297。其中多个不同算法的 CV 一模一样。更奇怪的是，该列在表中完全没有提供 \(\pm SD\) 或置信区间，而同表的其他列（如 MPP tracking eff 和 \Delta\eta vs P&O）均有置信区间。看起来像是作者在编造数据时失去了耐心，直接手动输入了几个相近的数字。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 5：图表无法进行图像学分析

• 位置：Figure 1 - Figure 9
• 描述：由于目前仅能获取纯文本信息，无法进行 Western Blot、显微镜图等常规图像造假（PS痕迹、一图多用）的检测。
• 证据：文本中未提供足够的原始图像数据。
• 严重程度：🟡（客观条件限制）
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文的模型玩得挺花，把强化学习和能量收集跨界缝合得像模像样。但是！Table 5 里那组从 3.1 精确递减到 2.6 的标准差，简直是把读者当傻子糊弄——不知道的还以为是用等差数列生成器跑出来的实验数据呢！更别提那个作用于 7 个大活人却跑出标准差为 0.000 的“上帝算法”。你哪怕随便编个 0.012 的误差呢？造假也得遵循基本法啊，连随机数生成器都不如！Table 6 也是重灾区，连装都不装了，误差区间直接糊弄过去。强烈建议作者出示原始的 7 名受试者独立数据流。

建议后续行动

• 文本中未提供足够的图片信息，无法进行像素级分析（已确认）
• 联系作者要求提供原始数据（特别是 7 名参与者的非聚合独立样本数据）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报（若已投稿）

⚠️ 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。