🔍 耿同学打假报告

论文信息

• 论文来源：2356.pdf
• 标题：A New Bibliometrics Analysis Method for Imbalanced Classes and New Classes in the Domain of Biomedical Literature
• 作者：Yangde Lin, Zhiyuan Hu, Xiaoran He, Sujuan Liu, Jianrong Li
• 期刊：未明确标明（从排版格式判断为计算机领域国际会议论文集，如 Springer LNCS 系列）
• DOI：文本中未提供
• 发表年份：未明确标明（从参考文献多引用2023-2024年文献推断，写作时间应在2024年及之后）

综合评定：🔴 实锤

详细发现

发现 1：图片拼接/素材严重错用（图文严重不符）

• 位置：Figure 1 / Page 4
• 描述：Figure 1 的标题声称展示了“GNN（图神经网络）研究领域的发展过程”（Fig. 1. shows the development process of GNN research field）。但根据图片视觉分析摘要，该图实际列出的模型架构（Neocognitron, LeNet, AlexNet, VGG, ResNet, Inception, R-CNN 等）全部属于计算机视觉（CV）领域的卷积神经网络（CNN）发展史，与本文的主题“图神经网络（GNN）”完全无关。
• 证据：原文中明确给出了“Fig. 1. shows the development process of GNN research field”的图注，而视觉分析确证其为CNN模型图。作者极有可能从网络随意下载了一张介绍 CNN 发展史的图片，未经核实直接粘贴到论文中充当“GNN发展史”。这在学术写作中属于极度敷衍的图片伪造/挪用行为。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：图片复用/人工修饰痕迹（一图多用）

• 位置：Figure 4 / Page 8
• 描述：Figure 4 旨在展示 GAT（Graph Attention Network）的机制图表（Fig. 4. The diagram of GAT）。视觉分析表明，该图的子图、(c) 呈现出高度相似的节点拓扑结构和颜色分布，仅连线权重或方向存在细微差别。
• 证据：原文中存在该图的描述及图注。极度一致的节点布局违背了独立绘制不同机制示意图的常理。这暗示作者可能是将同一张底图进行简单的复制、旋转或微调来拼凑版面，存在明显的人工伪造/复用嫌疑。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：文本逻辑与数学描述自相矛盾

• 位置：Abstract（摘要）与 Section 4.5（Results of the experiments）
• 描述：摘要中大言不惭地声称：“the accuracy of the framework improves by up to 89%... compared to existing techniques（与现有技术相比，准确率提高了高达 89%）”。但在 4.5 节正文中又写道：“BDGNN model achieves an accuracy of 89.62%... surpassing the 70% accuracy of existing methods by nearly 20%（达到了89.62%的准确率，比现有方法的70%提高了近20%）”。
• 证据：逐字核对原文，摘要确实写着“improves by up to 89%”，而正文确实写着“achieves an accuracy of 89.62%”和“surpassing the 70%... by nearly 20%”。这是典型的文字游戏或低级撰写失误，89.62% 是绝对准确率，作者在摘要里直接将准确率数值当成“提升幅度”来夸大宣传，属于主观夸大。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 4：方法学前后矛盾（缺失逻辑链）

• 位置：Section 4.1 与 Section 4.7
• 描述：在 4.1 节介绍 Baseline model（基线模型）时，作者介绍了 GCN、GAT 和 GraphSAGE（Graph Sample and Aggregate Networks）。然而到了 4.7 节进行架构性能比较时，对比对象却变成了“GCN, GAT, and GIN”。
• 证据：原文 4.1 节确实详细介绍了 GraphSAGE，且全文未提及 GIN 的定义；而 4.7 节确实突然写明了“we compare the performance of several GNN architectures, namely GCN, GAT, and GIN”。GraphSAGE 离奇消失，未介绍过的 GIN 突然空降，这是典型的文献拼凑、复制粘贴其他论文段落时未修改完全导致的系统性露馅。
• 严重程度：🟠
• 复核状态：✅ 成立

耿同学辣评

把 CNN（卷积神经网络）的发展史硬说成是 GNN（图神经网络）的演进过程，连 AlexNet 和 VGG 都分不清就敢出来做图神经网络的研究，这已经不是学术造假了，这是在侮辱审稿人的视力！更搞笑的是，前脚刚在基线模型里介绍 GraphSAGE，后脚结论就变成了 GIN，写论文像是在玩“盲盒”吗？连摘要里的数值提升都能瞎吹一通。这种东拼西凑的“缝合怪”论文，实锤造假没得洗！

建议后续行动

• 联系作者要求提供原始数据及模型训练日志
• 在 PubPeer 上提出质疑
• 向期刊/会议编辑部举报（强烈要求核实其图片来源与实验真实性）
• 向作者所在机构（天津科技大学）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。