癌症科学中的欺诈性研究规模可能比之前估计的要大得多。来自昆士兰科技大学、悉尼大学和法国CNRS的研究团队应用了一种微调的BERT语言模型，筛选了1999年至2024年间发表的2,647,471篇癌症研究论文。结果：261,245篇论文（9.87%）显示出论文工厂特有的写作模式，，论文工厂是大量生产伪造或剽窃手稿并出售给研究人员的商业运作。
这项发表在《英国医学杂志》上的研究，代表了对癌症文献中论文工厂污染的最大规模系统筛查。随着时间的推移，这一比例急剧上升，从2000年代初的约1%上升到2022年超过16%的峰值，然后在2023-2024年略有下降。
检测的工作原理
该模型基于谷歌的BERT base uncased（1.1亿参数），在Retraction Watch数据库中标记为”论文工厂”的2,202篇已撤回论文上进行了微调。这些作为阳性示例，，其写作风格、结构和措辞模式与基于模板的手稿工厂输出相匹配的论文。对于阴性对照，团队从高影响力期刊和论文工厂代表性低的国家（瑞典、芬兰、挪威、台湾）选择了2,202篇论文。
该模型逐句阅读标题和摘要，为每个句子生成概率分数。最终分类是所有句子级分数的平均值。在内部验证中，该模型达到了91%的准确率、87%的灵敏度和96%的特异性。针对由图像完整性专家独立标记的3,094篇论文的外部验证集，准确率上升到了93%。
地理和出版商模式
被标记的论文分布并不均匀。按第一作者国家划分，中国占177,907篇被标记论文，，占所有中国第一作者癌症论文的36%。其次是伊朗（20%）、沙特阿拉伯（16%）、埃及（15%）和巴基斯坦（13%）。美国有10,511篇被标记论文，约占其癌症产出的2%。
按出版商划分，最高比例集中在较小的机构：Verduci Editore（约67%的论文被标记，主要在《欧洲医学与药理科学评论》），International Scientific Literature（45%，主要在《医学科学监测》），以及Spandidos Publications（38%，即19,043篇）。在主要出版商中，Springer Nature、Elsevier和Wiley各自约有10%的癌症论文被标记，尽管绝对数量很大，，仅Springer Nature就有40,293篇。
按癌症类型划分，胃癌研究以22%的比例最高，其次是骨/骨肉瘤（21%）和肝癌（20%）。基础癌症生物学比临床领域污染更严重：生存、流行病学和健康政策研究的标记率低于2%。
三家期刊已在测试
一家主要出版商的三家期刊已经将该模型集成到其在线投稿系统中，用于实时筛查癌症相关手稿。期刊名称未被披露，，作者有意隐瞒，以防止论文工厂调整其模板。
“这是统计筛查，而非对不当行为的归因，”作者在论文中警告。鉴于文献中估计的真实患病率约为10%，大约30%被标记的论文将是误报。
重要注意事项
该模型在过度代表中国作者撤回论文的Retraction Watch数据上进行训练，这可能会引入地理偏见。此外，由于该模型是一个深度神经网络，它检测到的具体特征无法直接解释。作者承认，该模型可能会惩罚非母语者的公式化英语，可能将语言模式与欺诈模式混淆。
还有一个军备竞赛问题：随着检测工具的改进，论文工厂将调整其模板。作者指出，生成式AI的兴起进一步模糊了真实文本和伪造文本之间的界限。
来源
- Scancar B, Byrne JA, Causeur D, Barnett AG。”Machine learning based screening of potential paper mill publications in cancer research: methodological and cross sectional study。” The BMJ 392:e087581，2026。DOI：10.1136/bmj-2025-087581
- 昆士兰科技大学新闻稿 via ScienceDaily
婷 翻译