|
癌症科学领域欺诈性研究的规模可能远大于此前的估计。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个经过微调的BERT语言模型，筛查了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%）显示出论文工厂的典型写作模式——这些商业化运营机构大量生产捏造或抄袭的手稿，出售给研究人员。
这项发表在《The BMJ》上的研究，是迄今为止对癌症文献进行的最大规模论文工厂污染系统性筛查。该比率随时间急剧上升，从21世纪初的约1%攀升至2022年超过16%的峰值，随后在2023-2024年略有下降。
检测原理
该模型基于Google的BERT base uncased（1.1亿参数）构建，在Retraction Watch数据库中标记为”论文工厂”的2，202篇被撤稿论文上进行了微调。这些作为阳性样本——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。作为阴性对照，团队从高影响力期刊和论文工厂代表性较低的国家（瑞典、芬兰、挪威、台湾）选择了2，202篇论文。
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%的敏感性和96%的特异性。针对外部验证集——由图像完整性专家独立标记的3，094篇论文——准确率上升至93%。
地理和出版商分布模式
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%。伊朗（20%）、沙特阿拉伯（16%）、埃及（15%）和巴基斯坦（13%）紧随其后。美国有10，511篇被标记论文，约占其癌症研究产出的2%。
按出版商划分，最高比率集中在小型机构：Verduci Editore（约67%的论文被标记，主要发表在《European Review for Medical and Pharmacological Sciences》上）、International Scientific Literature（45%，主要发表在《Medical Science Monitor》上）和Spandidos Publications（38%，即19，043篇论文）。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，尽管绝对数量可观——仅Springer Nature就有40，293篇。
按癌症类型划分，胃癌研究比率最高达22%，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：生存率、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将该模型集成到其在线投稿系统中，实时筛查癌症相关手稿。期刊名称尚未披露——作者有意隐瞒以防止论文工厂调整其模板。
“这是一种统计筛查，而非对不当行为的认定，”作者在论文中提醒道。鉴于文献中估计的真实患病率约为10%，大约30%被标记的论文将是假阳性。
重要注意事项
该模型使用的Retraction Watch数据过度代表了中国作者被撤稿的情况，这可能会引入地理偏差。此外，由于该模型是一个深度神经网络，它检测的具体特征无法直接解释。作者承认，该模型可能对非英语母语者的公式化英语产生不利影响，可能将语言模式与欺诈模式混淆。
此外还存在军备竞赛问题：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的崛起进一步模糊了真实文本与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