謝賽寧是真倒霉！為了避免被LLM審稿「誤上」，他領導的實驗室投稿的一些論文中暗藏了系統提示詞，被??網友當中「處刑」！

跟剛剛《Science》爆出的科研圈兩大丑聞，就是小巫見大巫，不值一提。

這次，頂刊《Science》連發兩條新聞，曝光了科研圈的兩大「陋習」：

（1）論文工廠肆虐，論文造假已形成產業鏈，全球科學期刊被系統性滲透；

（2）ChatGPT入侵學術圈，20%計算機論文已現AI痕跡。

如果說第一條是實錘了科研界早有的惡習，那第二條絕對是科研圈新的「壞現象」。

而且，這次是實打實的科學研究，研究非常系統，證據充足，扒下了科研圈「皇帝的新衣」。

科研欺詐形成產業鏈

多年來，專門研究科學不端行為的專家一直在警告：制造虛假科研論文的產業不僅規模龐大，而且手法日益復雜。

如今，一項大規模的調查提出了確鑿證據。

論文鏈接:https://www.pnas.org/doi/10.1073/pnas.2420092122

這項研究分析了數千篇論文以及它們的作者和編輯，發現「科學詐騙」已經形成了產業鏈。

整個產業錯綜復雜、相互勾連，「論文工廠」只是其中的一部分，還涉及出版商、期刊和中介等多個環節。

西北大學從事元科學（metascience）研究的Reese Richardson等指出，已有作者與編輯組成關系網，合謀發表質量低劣甚至完全造假的論文。

他們還發現一些大型機構在期刊上批量投放虛假論文，懷疑中介機構起到了牽線搭橋的作用。

同時，研究顯示，盡管目前虛假論文在科研文獻的比例仍不算高，但增長速度遠超學術出版物整體的增長趨勢。

柏林自由大學的Anna Abalkina說道：「這項研究表明，學術不端行為已經演變為一項產業?！?/span>

她長期研究學術腐敗。雖然沒有參與這次研究，的Richardson和他的同事希望，這項覆蓋廣泛的調查能引起廣泛關注，并推動學術出版體系的改革。

這些編輯撤稿率高得不正常

這次的分析從識別涉嫌腐敗的編輯入手。

研究團隊選擇PLOS ONE作為重點調查對象，因為大型期刊不僅便于獲取大規模的元數據，還會公開處理每篇論文的編輯姓名。由于該期刊每年發表數千篇論文，這些特性使得研究人員無需內部數據也能識別出潛在的異常情況。

他們首先篩選出所有曾被撤稿或在PubPeer上收到評論的論文，隨后進一步追蹤這些論文的責任編輯。

在線平臺PubPeer允許研究人員對已發表論文提出質疑

總的來說，有33位編輯處理的論文，被撤稿或受質疑的頻率遠高于正常的統計概率。

Richardson表示：「其中一些人屬于極端異?！埂＠?，有一位編輯 PLOS ONE審理的79篇論文中，竟有49篇被撤稿！雖然這些被識別的編輯只負責了截至2024年所發表論文的1.3%，但卻涉及了幾乎三分之一的撤稿論文。

研究團隊還發現，這些編輯與某些作者之間的互動頻率異常高。有些編輯經?；ハ鄬徃澹@種關系令人懷疑。Richardson指出，一些編輯可能是收受了賄賂，但「也可能只是同事之間的一種私下安排」。

Hindawi旗下的10本期刊中也出現了類似的可疑編輯行為。在收購后，由于該期刊頻繁出現論文工廠操作而被迫暫停運營。

科研也是生意

相關領域的學者早已懷疑編輯和作者之間存在勾結。

西班牙維戈大學的文獻計量學家Domingo Docampo表示，這項新研究為這一長期猜測提供了「確鑿證據」。

他補充道，雖然目前發現的問題集中在少數期刊，但其他出版物很可能也存在類似現象。

就在上周，Retraction Watch報道稱，出版商Frontiers因發現在同行評審中，作者與編輯組相互勾結，未披露利益沖突，已開始撤回122篇論文。

根據聲明，這一關系網共計35 人，還在其他7家出版商的期刊上發表了超過4000篇論文，目前也正在接受進一步審查。Frontiers表示，他們計劃將相關信息分享給其他受影響的出版商。

Richardson團隊發現，這一問題的根源遠不止是個別作者與編輯之間「互幫互助」。他們發現，存在系統性「串通」操作，專門將大量可疑的論文集中發表。

研究人員分析了2000多篇在PubPeer上被標注為圖像重復的論文，并識別出多個彼此共享圖片的論文集。這些論文通常在同一時間段集中發表，且集中出現在少數幾個期刊中。

Abalkina指出，通過圖像重復來追蹤潛在的造假網絡是一種「真正具有創新性」的方法，「此前從未有人嘗試過」。

有些案例可能源于單一論文工廠滲透的多個期刊，但研究團隊也認為，有些集群可能是「中介」操控的結果——這些中介充當論文工廠與被攻陷期刊之間的橋梁。

研究團隊進一步調查了總部位于印度金奈的Academic Research and Development Association（ARDA）。

這家機構提供的服務包括「論文撰寫」和「期刊發表」，涵蓋數十本期刊。

團隊發現，ARDA提供的期刊名單在過去幾年中不斷更替：有新刊物加入，也有因被數據庫除名而被移除的期刊。

Richardson指出，這些期刊經常刊登明顯存在問題的論文，ARDA向研究團隊提供的報價大約在250到500美元之間。該網站要求作者自行提交論文，這說明ARDA本身不是論文工廠，而是一個中介平臺。

美國貝魯特大學的信息科學家Lokman Meho表示，像ARDA這樣的機構常以「編輯服務」為幌子公開運營。

雖然這些行為可能違反科研倫理，對學術界造成嚴重危害，但由于「開展這類業務在法律上并不違法」，它們并不避諱。

科研造假，貽害無窮

Richardson團隊記錄的問題正在迅速加劇。

他們發現，這類可疑論文每1.5年翻一番，增長速度是整個科研文獻的10倍，雖然總體比例仍不算高。

同時，被撤稿的論文和在PubPeer上被標注的論文數量也在快速上升，分別每3.3年和3.6年翻番，但遠遠追不上造假論文的增速。

Abalkina指出：「這說明虛假科學的比重正在上升?！顾貏e警告，醫學等領域尤為敏感，這些假論文可能被納入系統綜述和Meta分析，從而誤導人們對藥物和治療的認知。

萊頓大學的科學研究學者Wolfgang Kaltenbrunner指出，科學研究本身的快速擴張也是助長這一問題的因素之一。

論文工廠的產物往往被埋藏在影響力較低的期刊中，目的就是避免引起注意。在小型學術圈，這些問題更容易暴露，但隨著某些領域日益龐大且缺乏透明度，這些論文更容易逃避審查。

他補充道，隨著科研人員數量激增，許多機構愈加以論文數量作為評價標準，一些研究者因此轉向論文工廠以快速積累「成果」。

國內亦有教授指出：

扭曲的激勵機制、虛高的評價指標、「非發即亡」的文化氛圍，以及對低質量研究的普遍縱容，都為論文工廠的繁榮提供了土壤。

Richardson也指出，在競爭壓力下，一些年輕研究人員可能被迫購買論文工廠服務，避免被同行淘汰。

這項研究中的許多現象其實早已廣泛猜測，但此次提供了有力的實證。

Kaltenbrunner說道

在問題規模和真相曝光方面，我們已經遠遠落后了。

這項研究最重要的啟示就是：問題的規模遠比我們想象的要嚴重。

Docampo補充說，除非出版商、科研資助機構以及招聘與晉升決策者真正采取行動并追責，「否則這一現象將持續擴散，而且還在迅速惡化?！?/span>

ChatGPT污染學術圈

自從2022年ChatGPT橫空出世以來，科研圈使用人工智能撰寫論文的頻率持續飆升——如今，這股潮流已跨越多個學科，正在深刻重塑科研寫作。

在一些領域，使用生成式AI撰寫稿件已經幾乎成了「標準操作」：在計算機科學領域，22%的論文被發現含有大語言模型（LLM）生成內容的痕跡。

研究團隊分析了2020年至2024年間超過100萬篇科學論文和預印本，重點聚焦摘要與引言部分，通過識別AI常用詞匯，追蹤語言風格的變化軌跡。研究結果令人震撼。

論文鏈接：https://www.nature.com/articles/s41562-025-02273-8

最終這項研究發表于《自然·人類行為》（Nature Human Behaviour）。

研究顯示：到2024年9月，22.5%的計算機科學摘要顯示出LLM修改的證據，電氣系統和工程科學緊隨其后，而數學摘要僅為7.7%。生物醫學和物理學等學科的比例較低。

美國路易斯維爾大學的Alex Glynn表示：「這次研究非常有分量?！?/span>

他指出，在像計算機科學這樣與AI高度相關的學科中，大語言模型的滲透程度如此之高，這一發現或將為監管和檢測提供重要線索。

他補充到：「也許我們要重新思考，這場關于AI的對話，應主要聚焦在哪些領域?！?/span>

ChatGPT潛入科研圈

ChatGPT剛上線時，各大學術期刊如臨大敵，紛紛出臺限制使用AI撰寫論文的政策，試圖防止「AI水軍」泛濫。

但很快，研究者就開始發現，大量提交的論文和評審報告中，出現了如「regenerate response」（重新生成回答）或「my knowledge cutoff」（我的知識截止時間）等「AI味」十足的短語。

圖盧茲大學計算機科學家Guillaume Cabanac等人開始整理包含這些「確鑿證據」的論文清單。

自2024年3月起，Glynn一直在維護Academ-AI數據庫，記錄科學論文中涉嫌使用AI的案例

Glynn說：「乍一看確實有些好笑，但深層含義卻令人憂心?！?/span>

有些論文赤裸裸地自述：「我是一個AI語言模型。」甚至會勸讀者去找更靠譜的信息來源。

問題是，LLM不僅可能胡編亂造「幻覺信息」，更可怕的是經過多輪同行評審后依然「混進」正式期刊，直接挑戰科研論文質量底線。

更麻煩的是，隨著技術升級，使用者掩蓋痕跡的能力也越來越強。

為此，科學家們開始尋找更微妙的LLM使用跡象。

上個月，《科學進展》（Science Advances）發表了一項研究。

論文鏈接：https://www.science.org/doi/10.1126/sciadv.adt3813

這項分析了2010年至2024年間PubMed索引的1500多萬篇論文，尋找ChatGPT發布后頻率異常升高的「過量詞匯」（excess vocabulary）。

2024年頻率增加的詞匯

由圖賓根大學數據科學家Dmitry Kobak領導的研究顯示，2024年約七分之一的生物醫學研究摘要可能由AI撰寫。

斯坦福大學計算生物學家James Zou采取了類似方法，調研多個領域。

論文鏈接:https://www.nature.com/articles/s41467-025-58551-6

他采取了類似方法：先找出ChatGPT發布前的論文段落，再用大語言模型對其進行摘要，再讓AI根據摘要生成完整段落，最終訓練出一套能識別AI文風的統計模型。

這個模型對「pivotal」（關鍵的）、「intricate」（復雜精細的）、「showcase」（展示）等原本罕見于科研寫作的詞語非常敏感。

研究團隊將模型應用于2020年1月至2024年9月間的112萬篇論文，包括arXiv、bioRxiv等預印本平臺以及15種《自然》系列期刊。

結果顯示，從ChatGPT于2022年11月發布起，不到數月，大語言模型生成內容的比例就出現劇烈飆升。

要知道，寫一篇論文往往需要好幾個月甚至幾年。這說明從一開始大家就迅速開始用了。

不同學科增長速度不一。James Zou認為，這與研究人員對AI技術的熟悉程度有關。

但Zou強調：「大語言模型，無論是好是壞，成為科研過程不可分割的一部分?！?/span>

Kobak指出，實際AI使用頻率可能更高，因為作者可能已開始刪除「標志性」詞匯以規避檢測。

雖然研究主要聚焦于摘要和引言，Kobak擔心未來由LLM生成內容訓練新LLM的「惡性循環」。