🔍 耿同学打假报告

论文信息

• 标题：统计学习和感觉-运动联结：婴儿语音感知的双重路径 / Statistical Learning and Sensorimotor Coupling: Dual Pathways Underlying Infant Speech Perception
• 作者：肖容, 梁丹丹（南京师范大学文学院）
• 期刊：ChinaXiv 预印本
• DOI：未提供
• 发表年份：2026（预印本 posted 2026-08-06）
• 论文来源：202608.00003v1.pdf
• 伦理审批号：NNU2023060022
• 基金：国家社会科学基金重点项目 22AYY013

综合评定：🟡 存疑

本论文为婴儿语音感知的行为实验研究（2×2×2 设计 × 2 个实验），主要疑点集中在方法学层面与摘要措辞层面——关键三阶交互仅达边缘显著（p=0.055）却被摘要描述为"significantly"，且被试年龄范围跨越 8 月龄/ɖ/-/d̪/感知调谐下降的关键窗口。程序化图像取证信号（copy-move、噪声方差）受良性解释（统一导出、规则重复元素）影响较大，且原文未提供图像内容描述以排除良性解释；统计取证（Benford/末位数字）在婴儿注视时间这类受测量精度约束的数据上适用前提不完全满足。以下逐条汇报。

详细发现

发现 1：实验 2 关键三阶交互仅达边缘显著（p=0.055），与摘要/讨论中的"结论性"陈述不匹配

• 位置：实验 2 结果部分、表 8、讨论 4.1、英文摘要
• 描述：实验 2 的核心结果——"允许运动组在辅音条件下呈现交替优势，而运动抑制组未呈现相应模式"——依据的是试次类型×组别×刺激类型三阶交互，F(1,554.00)=3.71, p=0.055（边缘显著），b=−0.27, SE=0.14, 95%CI [−0.55, 0.01]（CI 包含 0）。论文中文摘要明确表述"允许运动组在辅音条件下呈现交替优势"，英文摘要表述 "infants demonstrated significantly longer looking times to alternating speech streams"（用了"significantly"）。但实际主分析 p=0.055，仅简单效应的简单-简单比较 p=0.005（允许运动组辅音条件下交替 vs 相同），属于多重比较校正后的局部显著。
• 证据：摘要用"significantly"描述了实际仅为边缘显著的高阶交互模式，夸大结论强度。同时论文讨论中也坦承"关键三阶交互仅达到边缘显著水平，因此该结果更适合被视为趋势性证据"。摘要/讨论之间存在不一致。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 2：被试年龄范围跨越 8 月龄/ɖ/-/d̪/感知调谐下降窗口

• 位置：实验 2 被试信息；实验 1 被试信息
• 描述：允许运动组月龄范围 7m23d8m30d（均值 8.15 个月），最大值 8 个月 30 天接近 9 个月。抑制运动组 7m29d8m19d（均值 8.14 个月）。实验 1 也存在类似情况：单峰组 7m30d8m22d（均值 8.13），双峰组 7m24d8m23d（均值 8.16）。论文声称选择 8 月龄"该月龄处于/ɖ/-/d̪/感知调谐的关键窗口内"，但样本实际年龄跨度最大超过 1 个月，且最大值已接近论文引用的 6~10 月龄调谐下降的边界（Werker & Tees, 1984），可能引入额外的年龄混淆。
• 证据：原文实验 1 被试部分"单峰接触组的月龄范围为7个月30天至8个月22天(M=8.13个月)，双峰接触组为7个月24天至8个月23天(M=8.16个月)"；实验 2 被试部分"抑制口腔运动组月龄范围为7个月29天至8个月19天(M=8.14个月)，允许口腔运动组为7个月23天至8个月30天(M=8.15个月)"；论文引言部分"6个月婴儿仍能区分/ɖ/-/d̪/,而10个月后其敏感性显著下降"。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 3：测试阶段时长与试次数学不自洽

• 位置：实验 1、实验 2 程序描述
• 描述：实验 1 测试阶段每个试次时长 10 秒，共 16 个试次，纯刺激时长 160 秒（≈2.7 分钟），论文声称"测试总时长平均约为 10 分钟"。实验 2 测试阶段"实验总时长约 10 分钟"，同样 16 个试次 × 10 秒。两个实验测试阶段设计相同，16 试次 × 10 秒 = 160 秒纯刺激，加上注视定位、试次间隔、组块间休息、校准等流程可推高到 5~8 分钟，但声称的"约 10 分钟"明显偏长。
• 反方论证：眼动实验包含大量校准、注视吸引、被试调整时间，加上注视定位、试次间隔、组块间休息、校准等流程，10 分钟属合理范围。论文中并未精确说明"测试总时长"是仅指纯刺激播放时间还是包含全部流程时间，存在术语解释空间。
• 严重程度：🟡
• 复核状态：⚠️ 存在良性解释（眼动实验含校准/注视定位/被试调整等大量额外流程，10 分钟为合理上限）

发现 4：统计学习方法学的多重比较与 p-hacking 风险

• 位置：实验 1 简单效应分析（结果 2.2）、表 3
• 描述：实验 1 中先做三阶交互的简单-简单效应分解，再做"在双峰组-交替试次中"的前后半段定向比较（"先验假设的定向探索性比较"），并采用 Bonferroni 校正。结果中出现了多个 p 值落在 0.04~0.05 附近（如试次类型×组别×刺激类型三阶交互 p=0.043、试次类型×刺激类型 p=0.044、组别×刺激类型 p=0.049），刚好越过显著性门槛。
• 反方论证：论文已明确采用 Bonferroni 法进行多重比较校正，多个 * 级别 p 值挤在临界点附近属于正常的统计波动范围，不必然表明 p-hacking。论文在方法部分也声明了效应量假设（f=0.15~0.20）和先验效能分析，样本量设计有理论依据。
• 证据：原文表 3 显示：试次类型×刺激类型 p=0.044，组别×刺激类型 p=0.049，三阶交互 p=0.043；表 8 显示实验 2 三阶交互 p=0.055（边缘显著）。原文方法部分声明："显著性检验由lmerTest包基于Satterthwaite自由度近似提供……采用Bonferroni法进行多重比较校正。"
• 严重程度：🟡
• 复核状态：⚠️ 存在良性解释（已使用 Bonferroni 校正，p 值临界聚集属正常统计波动）

耿同学辣评

这篇论文听上去很"心理语言学正规军"——80 名 8 月龄婴儿、Tobii 眼动仪、lme4 混合效应模型、Bonferroni 校正——包装很到位。但复核后耿同学发现，真正站得住脚的疑点集中在方法学与措辞一致性上。

第一，实验 2 的关键三阶交互 p=0.055（95% CI 包含 0），英文摘要却用"significantly"描述，属于典型的"摘要放大"操作。讨论里老实承认是"趋势性证据"，摘要里却升格为结论强度——这种前后不一致在任何期刊审稿中都会被要求修改。

第二，被试年龄范围最大值 8 个月 30 天（允许运动组），跨入了论文自己引用的调谐下降窗口（"10个月后其敏感性显著下降"），存在年龄混淆的设计缺陷。

不过耿同学也得说句公道话：程序化图像取证虽然抓到了若干 copy-move 匹配块，但论文中只有图 1~图 8 的 caption 而没有可供人工审查的图像内容，且语谱图/统计图本身就是规则重复元素密集的图类（坐标轴刻度、多面板边框），单独的水平偏移匹配块不足以定罪。Benford 检验在婴儿注视时间这类受 Tobii 采样精度（20ms）约束的数据上不满足"自由取值"的适用前提，因此统计取证信号也无法直接采纳。

建议后续行动

• 联系作者要求提供每个被试各试次的原始注视时间数据，验证表 1、表 6 中描述性统计的真实性
• 对实验 2 的三阶交互（p=0.055）要求作者报告主效应模型的所有简单效应表（含 CI），核查摘要"significantly"的措辞依据
• 要求作者公开样本排除标准与每个被试的精确月龄分布，核查 7.5~9 月龄跨度对/ɖ/-/d̪/感知调谐窗口的潜在影响
• 要求作者说明"测试总时长约 10 分钟"的具体计算方式（纯刺激播放 vs. 含流程），并提供各被试的实际测试时长分布

⚠️ 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。