正在加载...
请稍候

基于知识图谱的农药复配智能决策方法研究——整合IRAC分类、STRING蛋白互作网络与分子指纹聚类的多维决策框架

2026-08-06 15:10

🔍 耿同学打假报告

论文信息

  • 标题：基于知识图谱的农药复配智能决策方法研究——整合IRAC分类、STRING蛋白互作网络与分子指纹聚类的多维决策框架
  • 作者：未提供（论文来源：202607.00006v1.pdf）
  • 期刊：ChinaXiv 预印本
  • DOI：ChinaXiv:202607.00006v1
  • 发表年份：2026年

综合评定：🔴 实锤

详细发现

发现 1：表格内部数学逻辑严重崩塌（基础数据捏造嫌疑）

  • 位置：3.5 节，表 4（基线方法定量对比）
  • 描述：作者在对比 KG 方法与 IRAC 基线时，表格中的准确率与假阳性/假阴性数量出现了极其低级的数学不自洽。
  • 证据：作者在表 4 中写道“IRAC基线 准确率 50.0%（6/12），假阳性 2，假阴性 2”。但是，在一个 12 样本（n=12）的二分类验证中，如果假阳性（FP）为 2，假阴性（FN）为 2，那么预测错误的样本总数就是 4。12 个样本错 4 个，准确率理应是 8/12（即 66.7%），根本不可能是作者声称的 6/12（50%）。作者显然是为了强行凸显 KG 方法（75%）比 IRAC 基线（50%）具有压倒性优势，随意捏造了几个互不匹配的数字。
  • 严重程度：🔴
  • 复核状态：✅ 成立

发现 2：为凑“75%准确率”强行篡改假阳性（FP）定义（选择性报告/结果操纵）

  • 位置：3.5 节，验证集数据列表（#1-#12）及第 4.2.1 节
  • 描述：作者自称该模型达到 75%（9/12）的准确率，且“仅有3个误判均为安全方向的假阳性”。但仔细核对 12 组验证数据列表，发现作者对“误判”的定义采用了极其荒唐的“双重标准”。
  • 证据：作者在第 2.4 节明确定义：“假阳性（KG标记为Caution但实验为相加/协同）”。但在验证集中：
    • 第 #6、#7、#8 组：KG 预测为 Caution_Mild，实验结论为加和作用（ADDITIVE），作者判定为 假阳性（误判）。
    • 第 #1 组：KG 预测为 Caution_Mild，实验结论为协同作用（SYNERGISM, CTC=239.38），作者却打上了 ✓（判定为预测正确）。
    • 第 #9 组：KG 预测为 Caution_Mild，实验结论为协同作用（SYNERGISM），作者也打上了 ✓（判定为预测正确）。
      按照作者自己定下的规矩，第 1 组和第 9 组明明与第 6-8 组一样，都是把好的复配预测成了“需谨慎”，这同样是妥妥的假阳性！如果如实计算，准确率根本不是 75%（9/12），而是骤降至 58.3%（7/12）。作者通过暗改判定标准，硬生生把准确率拔高了近 17 个百分点。
  • 严重程度：🔴
  • 复核状态：✅ 成立

发现 3：基线方法对比结果涉嫌凭空捏造

  • 位置：3.5 节，表 4 及前文文字描述
  • 描述：为了证明自己提出的“KG方法”优于传统的“纯IRAC基线”，作者不仅算错了账，还涉嫌直接虚构了 IRAC 基线的预测成绩。
  • 证据：纯IRAC基线的规则是“同组输出Avoid，不同组输出Recommend”。回顾作者列出的 12 组验证集：
    • #4（同为G5组）、#11（同为G4组）、#12（同为G2组），IRAC 基线必然预测为 Avoid，实验结论也是危险/避免，这说明 IRAC 最少 能猜对 3 个。
    • 在不同组的复配中，#2、#6、#7、#8、#10 的实验结论均为不同形式的“安全/加和/协同”，IRAC 基线预测为 Recommend，最少 也能猜对 5 个。
    • 这就意味着，IRAC 基线在这个验证集上的真实理论表现最少是 8/12（66.7%）。但作者在表 4 中竟然将其贬低为 6/12（50%），并声称其“仅正确预测了 Avoid 案例和少数跨组组合”。这种为了突出自己算法而强行篡改对照组成绩的行为，性质极为恶劣。
  • 严重程度：🔴
  • 复核状态：✅ 成立

发现 4：严谨统计学的“伪装色”

  • 位置：3.5 节（统计学补充分析）
  • 描述：作者在论文中煞有介事地计算了精确二项检验（p≈0.073）和 95% 置信区间（Clopper-Pearson精确法）。经过验算，这些统计值本身在数学上是完全正确的。
  • 证据：然而，结合上述“发现1”和“发现2”，作者实际上是建立在一个被篡改、注水的“9/12正确率”基础之上算出的这些高级统计指标。用最严谨的统计公式去包装人为操纵的虚假基础数据，是典型的学术伪装手段。
  • 严重程度：🟠
  • 复核状态：✅ 成立

耿同学辣评

这篇论文给我们生动演示了什么叫“只要我的标准够灵活，准确率想要多少就有多少”。作者为了硬凑 75% 的漂亮数据，对同一个错误结果一会儿算对、一会儿算错；为了衬托自己的方法牛，连小学减法（12减4等不等于6）都能装瞎。用最先进的统计学公式，去包装最粗暴的数据操纵，这种挂羊头卖狗肉的行为，连随机数生成器看了都得连夜买站票走人！

建议后续行动

  • 联系作者要求提供原始数据（尤其是他们如何手动界定 9/12 正确率的笔记）
  • 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。

返回报告库