🔍 耿同学打假报告

论文信息

• 标题：Rational Design of High-Performance Nanozymes via Machine Learning for Smartphone-Based Quercetin Sensing
• 作者：Liping Sun, Rui Dong, Cheng Le Li, Jili Hu, Hongxing Kan
• 期刊：ACS Appl. Nano Mater. 2026
• DOI：10.1021/acsanm.6c01897
• 发表年份：2026
• 论文来源：rational-design-of-high-performance-nanozymes-via-machine-learning-for-smartphone-based-quercetin-sensing.pdf

综合评定：🔴 实锤

详细发现

发现 1：文本与表格数据的“平行宇宙”

• 位置：Section 2.7 (Methods) / Section 3.5 (Results) / Table 2
• 描述：作者在实际样品（菊花提取物）的加标回收实验中，正文描述与最终数据表格呈现的浓度出现了根本性冲突。在方法部分（2.7）明确写道加入了浓度为“0, 1, 5, 10, and 25 μM”的槲皮素标准品；在结果部分（3.5）也信誓旦旦地宣称“加标浓度为 1−25 μM 时，回收率为 92−105%”。然而，Table 2 中的实际加标浓度却是 1、20、50 μM！
• 证据：对 Table 2 的数据进行简单逆运算即可验证表格内部的自洽性（以加标 20 μM 为例：测得总量 23.169 - 本底 1.690 = 21.479，21.479 ÷ 20 × 100% = 107.40%，与表格给出的回收率完全吻合）。这说明表格是根据 1、20、50 生成的，而作者在写正文时却习惯性地写上了 1-25。这种“正文说一套，数据做一套”是典型的造假或极度草率的铁证。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：随机数生成器都救不了的统计学翻车

• 位置：Table 2. Accuracy and Reliability...
• 描述：表格中报告的“均值 ± SD（标准差）”与“RSD（相对标准偏差，%）”在数学上发生严重冲突，根本无法对应。
• 证据：
  • 加标 1 μM 组：报告测得值为 2.632 ± 0.076。按此计算，RSD 应该是 (0.076 / 2.632) × 100% = 2.887%，但作者在表格最后一列填写的 RSD 居然是 2.212%。
  • 加标 20 μM 组：报告测得值 23.169 ± 0.217。实际 RSD 应为 0.936%，作者却写成了 0.753%。
  • 加标 50 μM 组：报告测得值 47.721 ± 0.088。实际 RSD 应为 0.184%，作者写成了 0.135%。
    这说明报告的标准差与报告的 RSD 根本不是同一组真实数据计算出来的。高度怀疑作者为了让数据“看起来真实可信”，手动编造了 SD 和 RSD，却连最基本的数学换算都没做对。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：违背化学常识的“逆向氧化”铁价态

• 位置：Section 3.2 / Figure 4 (F-H) 描述
• 描述：作者通过 XPS 表征得出的 Fe3O4 纳米酶表面 Fe²⁺/Fe³⁺ 比例严重违背化学常识。作者声称 E10、E20、E30 的 Fe²⁺/Fe³⁺ 比例分别为 2.01:1、1.53:1 和 2.39:1。
• 证据：纯正的 Fe3O4（四氧化三铁）的理论化学计量比 Fe²⁺:Fe³⁺ 应该是 1:2（即 0.5:1）。在实际的纳米材料合成中，由于表面极易被氧化，通常 Fe²⁺ 的比例只会更低。但这篇论文中，作者竟然算出了 Fe²⁺ 是 Fe³⁺ 的两倍多（2.39:1）！这种成分已经不是 Fe3O4，而是近乎 FeO（氧化亚铁）了。这极大概率是因为作者在分峰拟合 XPS 数据时，为了强行拼凑不同尺寸纳米酶表面价态不同的“故事”，随意拉伸或调整峰面积，导致基础化学常识被完全破坏。
• 严重程度：🟠
• 复核状态：✅ 成立

耿同学辣评

好家伙，这篇论文简直是“左手画圆，右手画方”的典范。正文里信誓旦旦说加了 1 到 25 μM 的标品，表格里却堂而皇之地算起了 1、20、50 μM 的回收率，真当审稿人和读者不认字儿啊？最离谱的是，连 Excel 随手一拉就能算对的 SD 和 RSD 的换算，竟然能驴唇不对马嘴！合着标准差是随机编的，RSD 是另一个随机数生成器跑出来的？还有那 Fe3O4 的 XPS 分峰，Fe²⁺ 居然比 Fe³⁺ 还多两倍，你这不是四氧化三铁，你这是氧化亚铁成精了啊！用机器学习的皮，包着随心所欲捏造的数据，属实是把“炼丹术”玩明白了！

建议后续行动

• 联系作者要求提供原始数据（大概率给不出合理的解释）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 向作者所在机构学术委员会举报

⚠️ 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。