🔍 耿同学打假报告

论文信息

标题：基于两类机器学习算法的车辆换道行为识别与轨迹预测
作者：李展菲（指导教师：张光晨副教授）
期刊/来源：北方民族大学 2026届硕士学位论文（基于两类机器学习算法的车辆换道行为识别与轨迹预测_李展菲.pdf）
DOI：无（学位论文）
发表年份：2026年05月

综合评定：🟠 高度可疑

详细发现

发现 1：总体指标数学计算错误与统计学异常

位置：表 4-3（第42页）及正文相关描述
描述：作者在汇报基础 SVM 模型的总体指标时，出现了严重的统计学计算错误与不自然的数值分布。根据表 4-3 中 SVM 单项数据计算：宏平均精确率 = (0.9993 + 0.9719 + 0.9581) / 3 = 0.9764（非 0.9821）；宏平均召回率 = (0.9637 + 1.0000 + 0.9987) / 3 = 0.9875（非 0.9815）；宏平均 F1-score = (0.9812 + 0.9857 + 0.9780) / 3 = 0.9816（非 0.9815）。
证据：最可疑的是，SVM 模型的召回率、F1-score 和准确率在表格中诡异地完全一致，全部都是 0.9815。但在真实的三分类多分类任务中，由于样本类别不平衡，宏平均 F1 不可能等同于准确率。作者疑似为了凑出整齐的数据，直接将几个指标统一填成了同一个数字，导致整个表格数据丧失了数学自洽性。
严重程度：🔴
复核状态：✅ 成立

发现 2：对比模型评价的主观双标与夸大

位置：第四章第三节（第44页）
描述：作者在分析对比模型时，存在明显的“踩一捧一”行为，评价标准自相矛盾。在描述 MLP-SVM 模型时，作者称其“对 LCL 和 LCR 类的召回率均达到 1.00 无漏检情况发生, 但代价是产生了较高的误检 (LCR 类精确率仅为 0.98)”；而反观作者自己提出的 SMC-SVM 模型，各项指标也都在 0.99~1.00 之间，数据好得像教科书一样完美（如精确率 0.9958，召回率 0.9995）。
证据：在极其复杂的真实高速公路换道场景下，机器学习模型的召回率和精确率双双逼近 0.999 是极度反常的（接近“白盒开挂”级别）。并且，作者竟然将 MLP-SVM 高达 0.98 的精确率贬低为“较高的误检”，这违背了基本的学术客观评价常识。
严重程度：🟡
复核状态：✅ 成立

发现 3：视觉图片分析受限说明

位置：论文全篇图表
描述：由于当前提供的文本/PDF切片中未包含任何可供像素级分析的实验图表（如 Western Blot、显微镜图、可视化原图等），仅存在被系统提取的文本和表格。
证据：依据“论文图片视觉分析摘要”，所提供的图片均为论文封面、目录及正文页面，无法进行图片复用（一图多用）和 PS 拼接痕迹的检测。因此第一式与第三式未能触发红旗。
严重程度：无
复核状态：✅ 成立

耿同学辣评

这篇论文就像是一个化了“完美妆容”的网红——表面上看模型精度飙到了 0.99，又是滑模控制优化，又是 Seq2Seq，实际上连最基础的平均值怎么算都没搞明白。把 0.98 的精确率硬黑成“高误检”，还给 SVM 模型的各项总体指标强行统一分配了“0.9815”的整齐数值，属实是把掩耳盗铃玩明白了。算法再花哨，也掩盖不了底层数据逻辑的一地鸡毛！

建议后续行动

联系作者及导师要求提供原始数据（特别是表4-3的底层数据矩阵及混淆矩阵具体数值）
要求作者公开代码，验证 SMC-SVM 真实运行是否能跑出如此“完美无瑕”的 0.999 准确率
建议盲审专家或答辩委员会对论文统计学方法的基础常识进行严格质询
在知网等平台保持关注（如该文后续衍生发表期刊论文）

⚠️ 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。

基于两类机器学习算法的车辆换道行为识别与轨迹预测