🔍 耿同学打假报告

论文信息

• 标题：基于数据挖掘的制造业上市公司财务危机及风险预警研究
• 作者：李一凡
• 期刊：内蒙古财经大学硕士学位论文（指导教师：王彪 教授）
• DOI：无（硕士学位论文）
• 发表年份：2026年6月

综合评定：🟡 存疑

详细发现

发现 1：方法学的“缝合怪”与反常识降维

• 位置：第 3.4.3 节 基于 PCA 的文本特征降维处理（第 56 页）
• 描述：作者使用 BERT 模型提取了年报文本的高维语义向量（768维），随后使用 PCA（主成分分析）将其降维，并设定 k=1。作者在文中声称：“仅保留第一主成分作为文本语义的低维表示”，且“一维主成分具有较强的解释性，可被理解为文本风险倾向、语调强度与不确定性表达的综合刻画”。
• 证据：BERT 输出的 768 维向量包含了极其丰富的上下文及深层语义结构，将其压缩到 1 个维度的实数，信息损失率极高。这种做法在 NLP 领域是极其反常识的，极大概率是为了强行让时序模型的输入特征维度对齐，或者纯粹是“为了用算法而堆砌算法”。
• 严重程度：🟠
• 复核状态：✅ 成立

耿同学辣评

这篇论文在文本特征处理的方法上存在明显的“缝合怪”嫌疑。既然用 BERT 提取了 768 维的深层语义向量，转头却用 PCA 暴力压缩成 1 维来“保留核心信息”，这就好比把一本长篇大论的年报直接总结成了一个标点符号。信息丢失极其严重，在自然语言处理领域属于十分反常识的操作，有为了堆砌算法模型而强行凑数之嫌。

建议后续行动

• 建议指导教师或评审专家重点关注该文的降维处理逻辑，要求作者解释将高维语义特征极度压缩至 1 维的科学合理性与必要性。
• 建议作者补充对比实验（如保留更多主成分维度），证明 k=1 确实是模型性能最优的选择，而非为了迎合其他特征维度而做出的妥协。

⚠️ 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。