🔍 耿同学打假报告

论文信息

论文来源：基于深度学习的情感分析方法研究_孔浩.pdf
标题：基于深度学习的情感分析方法研究
作者：孔浩
期刊：辽宁工业大学硕士学位论文
DOI：无
发表年份：2026年6月

综合评定：🔴 实锤

详细发现

发现 1：基线模型数据跨数据集高度雷同（实锤复制粘贴）

位置：表 3.4 (在 IMDB 数据集上模型对比实验结果) 与表 3.5 (在 MR 数据集上模型对比实验结果)
描述：论文中两个完全不同的数据集（IMDB为长文本电影评论，MR为短文本电影评论）在相同基线模型上的实验数据出现了极其荒谬的高度重合。
证据：
- CNN模型在IMDB上的四项指标为(0.836, 0.842, 0.838, 0.841)，在MR上竟然是(0.836, 0.842, 0.837, 0.841)；
- TEXT CNN在IMDB为(0.840, 0.847, 0.842, 0.845)，在MR上为(0.840, 0.846, 0.841, 0.845)；
- LSTM、BiLSTM、BERT-LSTM、BERT-BiLSTM等模型在这两个数据集上的各项指标也均呈现高度一致的异常现象（绝大多数仅在小数点后第三位有微小差异）。
- 真实的模型在不同分布、不同长度的数据集上运行，绝不可能产生如同复制粘贴般的相似数据。这违背了基本的统计学与机器学习常识。
严重程度：🔴
复核状态：✅ 成立

发现 2：恶意压低基线模型性能（数据造假）

位置：表 3.3 (Amazon), 表 3.4 (IMDB), 表 3.5 (MR)
描述：为了凸显本文提出模型的优越性，作者对经典预训练模型（特别是BERT）的性能进行了严重且不合理的压低。
证据：
- 在 IMDB 数据集上（表 3.4），作者报告的 BERT 准确率仅为 0.805 (80.5%)。在当前的自然语言处理领域，BERT 在 IMDB 这种标准情感分类数据集上的准确率通常在 90%~93% 左右。80.5% 的准确率甚至低于很多传统机器学习方法，明显违背学术常识。
- 同样在 IMDB 数据集上，普通的 LSTM 和 BiLSTM 准确率竟然超过了 BERT（LSTM 为 0.842，BiLSTM 为 0.846），这在深度学习发展时间线上是完全本末倒置的。
严重程度：🔴
复核状态：✅ 成立

⚠️ 发现 3：参考文献与引用严重错乱（虚构或张冠李戴）

位置：4.3.4 节及参考文献列表
描述：论文在第四章引入了 Qwen2.5-1.5B 大模型，但在正文标注和参考文献中出现了极其混乱的错误，存在伪造或乱引的嫌疑。
证据：
- 正文 4.2 节提到引入 Qwen2.5-1.5B 替代 BiGRU，但原报告指出参考文献 [77] 指向的并非官方技术报告。
- 由于本次提供的论文原文截断至第 55 页（缺少参考文献列表部分），无法直接核对原报告中关于参考文献 [77]、[59]、[74] 的具体标题错乱情况，但根据正文行文逻辑确有引用混乱的嫌疑。
严重程度：🟠
复核状态：⚠️ 依据不足

发现 4：表格计算存在数学不自洽

位置：表 3.3 (Amazon 数据集上模型对比实验结果)
描述：评估指标 F1-Score 的数值与报告的 Precision 和 Recall 无法在数学上对应。
证据：F1-Score 的标准计算公式为 2*P*R/(P+R)。以表 3.3 中本文模型为例，Accuracy=0.961, Precision=0.962, Recall=0.960。计算其 F1 应为 2*0.962*0.960/(0.962+0.960) = 0.96099，保留三位小数应为 0.961，但论文中写的是 0.960。同样的计算错误在 LSTM（F1计算为0.713，表中写0.709）等多组数据中反复出现。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

好家伙，这哪是做深度学习实验，这分明是在玩连连看啊！把 IMDB 和 MR 两个截然不同的数据集跑出几乎一模一样的基线数据，连小数点后两位都懒得改一下，随机数生成器都不敢这么偷懒。为了让自己的模型看起来有优势，硬生生把 BERT 在 IMDB 上的成绩按在地上摩擦到了 80.5%，BERT 听了都要连夜买站票找你要个说法。连 F1 分数都算不对，这波操作属实是“Ctrl+C”和“Ctrl+V”的集大成者，学术造假堪称肆无忌惮。

建议后续行动

联系作者要求提供原始实验数据与训练日志
在 PubPeer 等学术监督平台上提出公开质疑
向相关数据库申请撤稿（如已入库）
向作者所在机构学术委员会举报（辽宁工业大学电子与信息工程学院）

⚠️ 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。

基于深度学习的情感分析方法研究