鉴 明鉴 学术监督公开平台
Data Forensics

论文数据核验

把论文里的数据粘进来,平台会跑多项独立的统计检验,输出可读的风险提示。 工具只提示哪些地方值得进一步核查,不判定数据真假—— 统计异常有大量合法来源,这一点在每个结果页都会再次说明。

图像取证

上传论文中的图像,检查元数据痕迹、误差水平、 局部复制粘贴与 JPEG 压缩网格一致性; 多张一起上传还能两两比较是否重复。

前往核验 →

参考文献真实性核验

整段粘贴参考文献列表,逐条查询 Crossref: DOI 是否有效、题名是否对得上、 以及这篇文献是否已被撤稿。 后者对学术监督尤其重要。

前往核验 →
使用前请先读这段。 本工具基于统计规律提示异常,而统计异常有大量合法来源:数据本身经过取整或分档、 样本量偏小、指标为比值或百分比、数值受物理或制度约束、以及合法的数据清洗与变换。 工具的输出不是造假认定,也不得作为认定学术不端成立的依据。 任何结论都必须回到原始记录、仪器输出与实测复现。
适用条件

每项检验都有适用前提,不满足就不硬算

统计规律不是万能的。平台在每项检验前先判断前提是否成立, 不成立时明确告诉你「不适用」并说明原因,而不是给出一个看起来吓人的数字。

检验项 适用模式 需要的条件 主要局限
首位数字分布(Benford 定律) 数据 ≥ 30 个数值,且跨度 ≥ 1 个数量级 不适用于百分比、量表分、体温等取值范围受限的数据。
前两位数字分布 数据 ≥ 300 个数值,且跨度 ≥ 1.5 个数量级 样本量不足时真实数据也会出现显著偏离。
末位数字均匀性 数据 ≥ 30 个精度一致的数值 仪器按固定精度读数、人工记录取整都会造成末位偏好。
取整与精度分布 数据 ≥ 10 个数值 取整本身不是问题,需结合论文声称的测量精度判断。
重复值分析 数据 ≥ 10 个数值 量表分、计数指标天然大量重复。
等差与等距规律 数据 ≥ 12 个不同取值 固定刻度读数与分档记录会形成规则间隔。
均值一致性(GRIM) 报告值 样本量、均值、小数位数 样本量报告有误、数据非整数时都会不通过。
标准差一致性(GRIMMER) 报告值 样本量、均值、标准差 判定「不一致」可靠;判定「一致」只表示未发现矛盾。
13
累计核验次数
535
累计分析数值个数
8
检验项
这些检验的原理

首位数字定律。自然形成的、跨多个数量级的数据,其首位数字服从 P(d) = log₁₀(1 + 1/d):1 出现约 30%,9 只占约 4.6%。 人为编造数据时往往让各数字均匀出现,因而偏离该分布。

末位数字均匀性。真实测量值的末位数字应当均匀分布。 若末位集中在某几个数字上,可能是取整或凑数的痕迹。

GRIM / GRIMMER。若每个观测值都是整数,则总和必为整数, 于是「均值 × 样本量」必须是整数。报告的均值经过四舍五入, 因此只有当某个整数总和能落在报告值允许的区间内时,该均值才可能成立。 GRIMMER 把这一推理扩展到标准差。

为什么不能据此判定造假

统计异常 ≠ 造假。一个分布偏离 Benford 定律的数据集, 完全可能来自真实实验——只要它的取值范围受限,例如浓度有上限、 量表只有 1–7 分、或者数值本身就是百分比。

反过来也成立。精心编造的数据可以通过所有这些检验—— 只要造假者用随机数生成器并刻意贴合目标分布。

真正有力的证据是原始记录。仪器输出文件、实验记录本、 未裁剪的图像、可复现的分析代码。工具的作用是帮你决定「先去查哪里」。

工具的定位:把「感觉数据不对」 变成「有具体位置和统计依据的疑点」,让后续的核查有的放矢。

核验出疑点之后

可以把核验报告作为举报材料的附件提交,报告编号可直接被案件关联。