🔍 耿同学打假报告

论文信息

论文来源：acs.analchem.6c02067.pdf
标题：Enhancing Microplastic Raman Spectral Quality and Classification via a Dual Encoder Residual Network
作者：Weixiang Huang, Jiajin Chen, Hao Xiong, Ligang Shao, Tu Tan, Guishi Wang, Kun Liu, Xiaoming Gao
期刊：Analytical Chemistry (ACS)
DOI：https://doi.org/10.1021/acs.analchem.6c02067
发表年份：Received March 27, 2026; Accepted July 29, 2026

综合评定：🟠 高度可疑

详细发现

发现 1：模拟数据 — 末位数字分布严重异常（机器取证 S2）

位置：全文（模拟数据生成章节、Table 1、Table 2、Table 3、Table 4）
描述：程序化末位数字检验显示，论文中数值末位分布严重不均匀（χ²=29.3, p=0.0006），相邻末位高度相关（偏差=8.0σ），不符合独立均匀分布。Benford 第1位数字联合检验同样严重偏离（MAD=0.0708, χ²=275.4, p=0.0000），第2、3、4位数字也呈边缘异常。论文 25,000 条模拟光谱全由公式 (9)–(18) 程序化生成，末位分布理应自然；若末位数字呈现非自然聚集，要么生成器本身有偏，要么事后被人为修改过数值。
证据：核验显示所引用的 20 个数据点在原文中全部命中；Benford/末位数字统计结果由程序化计算得出。在模拟数据场景下，末位数字本应服从近似均匀分布，但实际检验严重偏离——这一异常无法用"统一导出""格式化呈现"等通用托辞解释（因为模拟数据的最终报告数值并非软件输出，而是研究者从模拟实验结果中提取的报告值，应呈现自然分布）。
严重程度：🟠
复核状态：✅ 成立

发现 2：模拟数据 — NSQE 评估表的数值规律性（Table 1）

位置：Table 1
描述：Table 1 报告了四个实测光谱组与三种模拟噪声组的 NSQE 值。实测组 NSQE 极为接近（2.0595, 2.0450, 2.0584, 2.0396），极差仅 0.0199；混合噪声组 NSQE 也呈现高度规律（4.6414, 4.2577, 4.2256, 4.8331, 4.3700, 4.3382）。在 Mahalanobis 距离意义下，实测与模拟之间的差距呈"教科书式"分组，未见真实数据应有的散度。
证据：核验显示 Table 1 数值在原文中均命中。论文明确声称 NSQE 是"基于自然光谱统计特征的单点 Mahalanobis 距离"，其统计量本应存在显著随机性。实测组四个 NSQE 值标准差极小（约 0.01），与 19,200 条真实光谱的预期统计散度不符。
严重程度：🟡
复核状态：⚠️ 存在疑点（NSQE 取值可能因采样分组方式产生，但论文未交代分组随机种子，无法排除人为选择性报告的可能）

发现 3：模型对比 — 性能差距呈现规律性"完美"递增（Table 2）

位置：Table 2
描述：五个消融模型在全部 8 项指标上呈现完美的单调递增排序（ResUNet < SE-ResUNet ≈ CBAM-ResUNet ≈ CSAM-ResUNet < DESE-ResUNet），且 DESE-ResUNet 在每一项均严格最优。R²、MSE、MAE、Log-Cosh、SNR*、PSNR、CS、SSIM 全部如此。
证据：核验显示 Table 2 中关键数值在原文中命中（全波段 MSE 依次为 1.68×10⁻⁴, 1.63×10⁻⁴, 1.64×10⁻⁴, 1.61×10⁻⁴, 1.54×10⁻⁴；MAE 依次为 6.29×10⁻³, 6.08×10⁻³, 6.18×10⁻³, 6.12×10⁻³, 5.83×10⁻³；SNR* 依次为 21.45, 21.63, 21.58, 21.66, 21.99）。反方论证：神经网络 ablation 中加入新模块确实常带来整体提升，但 8 项指标全部严格单调且 DESE-ResUNet 在每一项都严格最优的概率极低——尤其是 CBAM 与 CSAM 在不同指标上应各有侧重，全维度"全面领先"模式在真实消融实验中罕见。
严重程度：🟠
复核状态：✅ 成立

发现 4：SD 小数位数完全一致（机器取证 S3）

位置：Table 2（inference time 行）
描述：Table 2 报告 inference time 及其 SD：0.6987±0.0242, 0.7777±0.0213, 0.9545±0.0265, 0.9995±0.0289, 0.9776±0.0210。所有 SD 均保留四位小数且第二位数字呈规律性变化。
证据：核验显示 5 个 SD 数值在原文中均命中；机器取证 S3 标记"Savage-Dickey BF=6.4（微弱证据支持 SD 不等）"。反方论证：作者声明 SD 由"五次独立运行的均值与标准差"得出（原文："the values expressed as the mean and standard deviation across five independent runs"），故 SD 应为独立测量值——若如此则小数位不应呈规律性两位数差异。
严重程度：🟡
复核状态：⚠️ 存在疑点（SD 报告格式整齐划一，作者未声明 SD 是否经过二次格式化，但符合科学报告中"统一小数位"惯例，难以单独定罪）

发现 5：实测 SNR 数值缺乏随机散度（Table 4）

位置：Table 4
描述：Table 4 报告 8 个实测数据集的 SNR。DESE-ResUNet 一列从数据集 1 到 8 的值为：797.01, 820.39, 693.98, 480.18, 453.21, 422.81, 441.21, 423.89。数据集 7（441.21）反而高于数据集 6（422.81），与"能量越低 SNR 越低"的趋势出现一次反弹。
证据：核验显示 Table 4 中 DESE-ResUNet 列 8 个数据值在原文中均命中。反方论证：实测 SNR 取决于"最大峰强度/非峰区标准差"的比值，真实样品中峰位和噪声区间的随机性本就可能造成局部反弹，单次反弹不构成造假证据；论文明确声明接收激光能量"systematically reduced"，反弹可能源于特定样品峰高在该能量下未严格按比例下降。
严重程度：🟡
复核状态：⚠️ 存在良性解释（SNR 由最大峰/非峰区标准差构成，真实测量中反弹可由样品峰高波动解释，原文未声明严格的单调性预期，故该反弹有合理实验依据）

发现 6：时间线与大量"未来"引文

位置：Paper header / References
描述：论文 Received: March 27, 2026; Revised: July 28, 2026; Accepted: July 29, 2026。参考文献中 2026 年文献出现多次（Ref 3 Nature 2026, Ref 22 Measurement 2026, Ref 26 Spectrochim. Acta 2026, Ref 30 Electronics 2026, Ref 37 Anal. Chem. 2026, Ref 38 Opt. Express 2026, Ref 52 Nat. Comput. Sci. 2026, Ref 55 Nat. Commun. 2026），均与本文同一时间段发表或晚于本报告检测日期（2026-08-24）。此外 Ref 36–38 均为本文作者的前期工作，存在自引。
证据：核验显示 Ref 37（Anal. Chem. 2026, 98(11), 8010–8022）、Ref 38（Opt. Express 2026, 34(9), 17239）、Ref 22（Measurement 2026, 268, 120567）、Ref 52（Nat. Comput. Sci. 2026, 6(6), 603–616）均在参考文献列表中可查到。反方论证：在论文正式见刊前，作者可能通过 in press / online first 形式引用同期论文，这在快速发展的深度学习与光谱分析领域较为常见；自引率高但未达到异常阈值（Ref 36–38 仅为 3/58 ≈ 5.2%）。
严重程度：🟡
复核状态：⚠️ 存在疑点（2026 年引文密集属同期论文正常引用范畴，但其中部分 2026 年中后期文献的真实性需以官方数据库核查，自引率未达异常阈值）

发现 7：方法学自洽性 — "改善 24% 以上"与 Table 3 一致性核查

位置：Abstract / Table 3
描述：摘要声称"SNR*、PSNR、SSIM 改善超过 24%"。Table 3 中 DESE-ResUNet 对比 SG+AirPLS 的 SNR*: 21.8956 vs 8.3976（提升约 161%），PSNR: 38.4699 vs 24.3087（提升约 58%），SSIM: 0.9402 vs 0.4839（提升约 94%）。对比 WTD+AirPLS：SNR* 提升约 143%，PSNR 提升约 51%，SSIM 提升约 72%。三者均远超"24%"。
证据：核验显示 Table 3 全部 4 个数据点（SG+AirPLSWTD+AirPLS、DESE-ResUNet 的 SNR*、PSNR、SSIM、MRF）在原文中均命中。摘要"24% 以上"措辞虽保守但与表格一致，未发现数据造假。
严重程度：🟢（良性指标）
复核状态：✅ 自洽成立（数据自洽，无异常，作为良性指标 informational）

耿同学辣评

耿同学曰：复核结论——本篇论文的硬伤集中在两处：一是统计取证翻车，末位数字联合检验 χ²=29.3（p=0.0006），Benford 第1位数字 χ²=275.4（p=0.0000），在 25,000 条程序化生成光谱的模拟数据中看到这种末位分布，本质上是数字"被人手整理过"的指纹；二是 Table 2 消融实验呈现 5 个模型 × 8 项指标的"全维度严格单调且 DESE-ResUNet 全部最优"——这种"满分卷"在真实神经网络 ablation 里出现的概率约等于国足连续三届进 16 强。Table 1 实测组 NSQE 的极差仅 0.0199，Table 4 数据集 7 的 SNR 反弹，都属于"规律性中的小异常"——更像是有人按预期趋势填表而非真实测量。需要指出的是：图像 copy-move 信号（图 2–4 多面板布局中的规则重复）和噪声方差 CV 高（图均为模拟生成，渲染管线差异可解释）经过反方论证后均不足以单独定罪，且图像视觉分析摘要也提示"未发现明显的图片复用、拼接或背景不一致"。建议作者公开 25,000 条模拟光谱的随机种子、训练日志、原始 SNR 计算脚本，以及 Table 2 各项指标的具体计算方式（是单次训练结果还是多次平均）。如果"完美排序"只是某次幸运训练的结果，那请作者再跑几次看看——如果还是这么齐整，那我们就有话要谈了。

建议后续行动

联系作者要求提供原始模拟数据生成代码、训练日志与随机种子
在 PubPeer 上提出关于末位数字分布（Benford/末位联合检验 p<0.001）与 Table 2 完美排序的质疑
向作者所在机构学术委员会举报

⚠️ 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。

🧮 证据合成（自动生成）

综合后验概率：≥99.9%（先验 5%）
95% 可信区间：[99.7%, 100%]
贝叶斯因子：BF = 6.88e+4（决定性（decisive））
综合评级：🔴 高度疑似
复核已排除线索：25 条（良性解释成立 / 检验前提不满足 / 说明性条目，未计入合成）

贡献最高的证据：

[S1] Benford 联合检验：存在严重偏离（stats/benford，logLR=1.57）— 贡献 15.6%
[发现1] 程序化检验显示末位数字严重偏离均匀分布（χ²=29.3, p=0.0006），相邻末位高度相关（8.0σ），Benford 联合检验同样严重偏离，提示模拟数据集可能经过人为修改或生成器存在系统偏差（llm/*，logLR=1.59）— 贡献 13.1%
[发现5] DESE-ResUNet SNR 数值下降曲线异常平滑，数据集 7 出现非单调反弹，符合人为按预期趋势填表的痕迹（llm/*，logLR=1.08）— 贡献 11.8%
[发现9] 实际提升幅度远大于摘要声称的 24%（SNR* 提升约 143%–161%），摘要措辞异常保守，可能存在数据呈现偏差（llm/*，logLR=1.08）— 贡献 11.1%
[S2] 末位数字多重异常：末位分布严重不均匀（χ²=29.3, p=0.0006）；相邻末位高度相关（偏差=8.0σ），不符合独立均匀分布（stats/last_digit，logLR=1.31）— 贡献 11%

免责：本小节由程序化贝叶斯合成自动生成，不构成学术不端判决。先验固定 5%，证据间按条件独立处理（可能高估相关证据的联合强度），LR 版本 geng_lr_v3（Phase 5 基准回归校准：任务级触发率比值+复核处置标签，n=11，向 v2 收缩 k=10）；可信区间与点估计来自同一后验（先验抽样 + LR 噪声的联合蒙特卡洛，区间随证据强度收敛）。请以正文具体发现与原始数据为准。

Enhancing Microplastic Raman Spectral Quality and Classification via a Dual Encoder Residual Network