昨天，有一位中学生朋友问我一篇发表在Cancer research（癌症研究）上的文献，一听我就怀疑论文的结果有问题。于是，我告诉她：现在很多有关癌症研究的论文都是论文工厂（Paper Mill）虚构出来的，千万不要轻信！
谁知道！今天，就看到一篇发表在顶级医学期刊BMJ上的重磅论文，它用机器学习技术对海量癌症研究论文中疑似由论文工厂创作的作品进行了系统筛查，结果正如我说的那样，令人震惊 ！
论文工厂是指商业化运作的“合同作弊”组织，它们为付费客户批量生产、伪造研究手稿。这些手稿往往使用模板化语言、重复的实验描述，甚至伪造数据和图像。癌症研究领域因其高影响力、高经费和“成果导向”压力，成为论文工厂重点“攻克”的目标。Wiley等出版社曾一次性撤稿上万篇疑似论文工厂作品，损失惨重。
研究人员训练了一个基于双向转化编码器（BERT）的机器学习文本分类模型，仅使用论文的标题和摘要就能区分“论文工厂风格”与真实研究文章。
其中，训练数据来自的2 202篇已撤稿的确认论文工厂论文。然后在独立图像完整性专家标记的数据上验证，模型准确率达到91%。
模型训练好后，他们对PubMed中1999-2024年间2,647,471篇原创癌症研究论文进行了全面筛查。结果，模型标记出261 245篇（9.87%, 95% CI 9.83-9.90%）论文在文本特征上与已知论文工厂产物高度相似。
从时间趋势上看，从1999年的不到1%，到2022年前后接近15%，呈现显著上升趋势。即使在2023-2024年仍有较高水平。即使是影响因子前10%的顶级期刊，标记比例也在上升，并非低影响因子期刊独有。
至于地理分布17万篇，占中国癌症研究论文的约36%
研究领域则包括基础研究、癌症分子生物学领域更多；胃癌、骨癌、肝癌、食管癌、卵巢癌等特定癌种被标记比例较高。
几乎所有主要出版社都有大量被标记论文。
不过需要注意的是：模型标记的是文本相似性，是筛查信号而非直接定性为造假。最终判断仍需专家人工审查图像、数据和原始记录。但这一规模已足以敲响警钟。
鉴于此，建议以后当你阅读、引用或基于这些论文设计实验时，可能无意中引入不可靠的结果，浪费时间和资源，甚至误导后续研究方向。
另外，审稿人需要提高警惕，关注异常一致的表述、缺乏具体方法细节或“完美”但可疑的结果。
这篇论文本身展示了AI在维护科研诚信上的强大潜力，不过同时也提醒我们，论文工厂也在利用类似技术“升级”。
正是：
癌症文献堆成山，
AI BERT来把关。
九万八千多篇“厂货”，
标题摘要露马脚。
工厂模板满天飞，
胃肝骨癌特别“美”。
高IF期刊也中招，
中国论文占比高。
真金不怕火来炼，
假货早晚现原形。
科研诚信靠大家，
莫让工厂毁前程！
热门跟贴