7.9

知識(shí)分子

The Intellectual

圖源：Pixabay

撰文 | 張?zhí)炱?/strong>

Scientific Reports的副主編、英國(guó)薩里大學(xué)數(shù)據(jù)科學(xué)家馬特·斯皮克（Matt Spick）注意到，一批垃圾論文正以每天一篇甚至兩篇的速度，在迅速涌入他工作的期刊。

它們選題各異，套路卻驚人地一致。有的研究血清維生素D與抑郁癥的關(guān)系，有的分析碘攝入與糖尿病，有的考察炎癥指數(shù)與睡眠質(zhì)量，總之就是考察一個(gè)變量對(duì)一種疾病的影響。只需一份標(biāo)準(zhǔn)化的數(shù)據(jù)集、一段回歸模型腳本，再得出一個(gè)統(tǒng)計(jì)顯著的結(jié)果，這類論文就能迅速成文。換個(gè)變量，又是新的一篇。

這種沒(méi)有信息含量的垃圾論文數(shù)量在迅速膨脹。2024年，僅1月至10月，全球就發(fā)表了190篇這類基于美國(guó) NHANES 健康數(shù)據(jù)庫(kù)的“單因子關(guān)聯(lián)研究”，幾乎是2014至2021年間年均發(fā)表數(shù)量的五十倍。

01

國(guó)產(chǎn)垃圾論文攻陷國(guó)外期刊

更引人注意的是，垃圾論文數(shù)量的激增幾乎完全集中在中國(guó)。2021至2024年間，全球共發(fā)表了316篇此類論文，其中有292篇的第一作者來(lái)自中國(guó)單位，占比超過(guò)92%。而在2014至2020年的25篇中，這一數(shù)字僅為2篇[1]。

這組數(shù)據(jù)來(lái)自于斯皮克和他合作者今年發(fā)布的一項(xiàng)研究。為了系統(tǒng)性地研究這一現(xiàn)象，斯派克和他的合作者在PubMed和Scopus等學(xué)術(shù)數(shù)據(jù)庫(kù)中，使用精確的關(guān)鍵詞組合進(jìn)行檢索，篩選出過(guò)去十年間所有使用NHANES數(shù)據(jù)、且研究設(shè)計(jì)為單因素關(guān)聯(lián)的論文。經(jīng)過(guò)篩選，他們最終確定了341篇符合條件的論文作為分析對(duì)象。

這些論文大多采用相同的方法框架：使用 logistic 回歸模型，研究一個(gè)健康變量與一種疾病或生理狀態(tài)之間的統(tǒng)計(jì)關(guān)聯(lián)，最多控制三五個(gè)協(xié)變量，結(jié)論集中在“顯著相關(guān)”這一層面。研究的問(wèn)題不同，結(jié)構(gòu)幾乎不變。

在對(duì)這三百多篇論文進(jìn)行分析后，研究團(tuán)隊(duì)發(fā)現(xiàn)，它們普遍遵循一套高度重復(fù)的寫(xiě)作腳本。研究者從數(shù)據(jù)庫(kù)中選取一個(gè)預(yù)測(cè)變量，比如某種維生素水平，再選擇一個(gè)健康結(jié)果，比如抑郁癥，通過(guò)標(biāo)準(zhǔn)化的統(tǒng)計(jì)流程將兩者建立關(guān)聯(lián)，最終得出一個(gè)簡(jiǎn)單的結(jié)論，A 與 B 相關(guān)。在最極端的情況下，研究者甚至只需顛倒自變量和因變量的位置，就能生成另一篇論文，無(wú)需任何生理學(xué)依據(jù)或理論假設(shè)，便可無(wú)限擴(kuò)展變量與結(jié)局的組合方式。

為了進(jìn)一步說(shuō)明這類研究存在的問(wèn)題，研究團(tuán)隊(duì)使用了網(wǎng)絡(luò)分析方法，把所有論文中提到的預(yù)測(cè)變量和疾病之間的配對(duì)關(guān)系畫(huà)成圖表。結(jié)果顯示，像抑郁癥這樣的復(fù)雜疾病，被幾十個(gè)毫無(wú)關(guān)聯(lián)的變量分別單獨(dú)研究過(guò)一次。圖中呈現(xiàn)出一種“一個(gè)變量對(duì)應(yīng)一個(gè)疾病”的稀疏結(jié)構(gòu)，揭示出這類研究往往忽視疾病背后的多重因素，只是簡(jiǎn)單地找出某種單一因素與某個(gè)結(jié)果之間的聯(lián)系。

團(tuán)隊(duì)以抑郁癥為例，檢驗(yàn)這些論文是否可靠。他們統(tǒng)計(jì)了所有聲稱與抑郁癥顯著相關(guān)的研究，一共28篇，并使用一種叫“錯(cuò)誤發(fā)現(xiàn)率”（FDR）的統(tǒng)計(jì)方法，對(duì)這些結(jié)果重新進(jìn)行了校正。FDR 用來(lái)處理多個(gè)變量同時(shí)檢驗(yàn)時(shí)容易出現(xiàn)的假陽(yáng)性問(wèn)題。結(jié)果發(fā)現(xiàn)，這28項(xiàng)中有15項(xiàng)在校正后不再顯著，說(shuō)明很多看起來(lái)有效的結(jié)果，其實(shí)可能只是偶然波動(dòng)造成的。

研究人員進(jìn)一步發(fā)現(xiàn)，不少論文在數(shù)據(jù)使用上存在操縱的嫌疑。NHANES 是一項(xiàng)跨年滾動(dòng)調(diào)查，覆蓋數(shù)十年的連續(xù)數(shù)據(jù)，供研究者完整調(diào)用。但在大部分論文中，作者卻在沒(méi)有提供任何解釋的情況下，僅選取了其中一小段年份區(qū)間進(jìn)行分析。這種精心挑選數(shù)據(jù)的做法，很難不令人懷疑其動(dòng)機(jī)是為了篩選出p值最低、結(jié)果最漂亮的組合來(lái)發(fā)表。

將所有線索串聯(lián)起來(lái)，一條AI論文流水線已經(jīng)顯示地非常清晰了。一個(gè)對(duì)AI開(kāi)放的數(shù)據(jù)庫(kù)作為原料，輔以自動(dòng)化的分析腳本，再套用高度公式化的研究設(shè)計(jì)，最終得以在短期內(nèi)以指數(shù)級(jí)速度產(chǎn)出大量雷同的論文。這套流程完美地契合了AI輔助的工作模式，正如報(bào)告作者所言，這種生產(chǎn)力的提升，對(duì)“旨在通過(guò)提供低質(zhì)量或偽造稿件來(lái)牟利的論文工廠尤其具有吸引力” 。

02

論文工廠用上AI了

這一切的起點(diǎn)，是龐大的公共健康數(shù)據(jù)庫(kù)NHANES。這是由美國(guó)官方主導(dǎo)的一項(xiàng)長(zhǎng)期項(xiàng)目，旨在評(píng)估美國(guó)成人和兒童的健康與營(yíng)養(yǎng)狀況。該調(diào)查每?jī)赡赀M(jìn)行一次，招募約1萬(wàn)名參與者，通過(guò)結(jié)合訪談、體格檢查和實(shí)驗(yàn)室檢測(cè)，收集了涵蓋疾病、風(fēng)險(xiǎn)因素、營(yíng)養(yǎng)指標(biāo)等超過(guò)700個(gè)變量的綜合數(shù)據(jù)。

造成這一局面的部分原因，在于NHANES 本身高度結(jié)構(gòu)化的數(shù)據(jù)形式。它的數(shù)據(jù)可以通過(guò)API直接導(dǎo)入Python或R語(yǔ)言環(huán)境，一系列標(biāo)準(zhǔn)庫(kù)（如 nhanesA、pynhanes、NHANES pyTOOL 等）支持自動(dòng)搜索、清洗、建模與輸出。過(guò)去需要團(tuán)隊(duì)手動(dòng)完成的數(shù)據(jù)整理和圖表繪制，如今可在更短時(shí)間內(nèi)借助腳本工具實(shí)現(xiàn)。

更關(guān)鍵的是，NHANES是一個(gè)AI就緒（AI-ready）的數(shù)據(jù)集。 這意味著，研究者可以通過(guò)應(yīng)用程序編程接口（API）輕松地、自動(dòng)化地提取和分析數(shù)據(jù)。 這種設(shè)計(jì)本意是為提高科研效率，但它也為“數(shù)據(jù)挖掘”和批量生產(chǎn)論文打開(kāi)了方便之門。

斯皮克團(tuán)隊(duì)認(rèn)為，他們的研究結(jié)果很可能嚴(yán)重低估了問(wèn)題的規(guī)模。他們的檢索范圍局限于符合利用NHANES的單因子研究。但更寬泛的搜索顯示，僅在一年之間，使用 NHANES 數(shù)據(jù)發(fā)表的論文數(shù)量就從2023年的4926篇增長(zhǎng)到了2024年的7876篇。

來(lái)自美國(guó)西北大學(xué)的研究者瑞茲·理查森（Reese Richardson）一直關(guān)注論文工廠的動(dòng)向。他在一次快速檢索中，就發(fā)現(xiàn)了5篇未被斯皮克團(tuán)隊(duì)納入的 NHANES 論文，這些文章與某個(gè)可疑論文工廠有關(guān)聯(lián)。它們的寫(xiě)作結(jié)構(gòu)與斯皮克所識(shí)別出的論文非常相似，同樣是圍繞 NHANES 數(shù)據(jù)中的單一變量與某種疾病的簡(jiǎn)單相關(guān)性展開(kāi)，例如電子煙使用與肺部疾病之間的關(guān)聯(lián)[2]。

以“臨床公共數(shù)據(jù)庫(kù)挖掘”為關(guān)鍵詞，在中國(guó)社交媒體平臺(tái)上不難搜到大量提供服務(wù)的公眾號(hào)。其中除了本文提到的 NHANES 數(shù)據(jù)庫(kù)，GBD（Global Burden of Disease，全球疾病負(fù)擔(dān)研究）等數(shù)據(jù)庫(kù)也頻繁出現(xiàn)在這些平臺(tái)的推文和案例中，成為熱門的數(shù)據(jù)來(lái)源。

這類公眾號(hào)大多提供多種模式的服務(wù)，例如：根據(jù)研究主題協(xié)助下載公開(kāi)數(shù)據(jù)，完成統(tǒng)計(jì)分析，撰寫(xiě)數(shù)據(jù)分析報(bào)告，或在已有數(shù)據(jù)和主題的基礎(chǔ)上提供論文思路和寫(xiě)作指導(dǎo)。一些平臺(tái)還進(jìn)一步打出“全流程陪跑”的口號(hào)，從選題、分析到英文潤(rùn)色，覆蓋論文寫(xiě)作的各個(gè)階段。

在一些平臺(tái)的廣告中，造假的暗示已非常露骨。例如有平臺(tái)寫(xiě)道：“因公共數(shù)據(jù)庫(kù)的開(kāi)放性，我們提供的統(tǒng)計(jì)服務(wù)可不斷更換研究主題，挖掘數(shù)據(jù)，直至分析出發(fā)表級(jí)的統(tǒng)計(jì)分析結(jié)果，并可提供中英文的方法和結(jié)果。”換句話說(shuō)，就是以發(fā)表為目標(biāo)，圍繞數(shù)據(jù)庫(kù)中的變量反復(fù)組合、拆解、篩選，直到跑出一組足夠顯著的結(jié)果。

參考文獻(xiàn):

[1]Suchak, T., Aliu, A. E., Harrison, C., Zwiggelaar, R., Geifman, N., & Spick, M. (2025). Explosion of formulaic research articles, including inappropriate study designs and false discoveries, based on the NHANES US national health database. PLoS Biology, 23(5), e3003152.

[2]O’Grady, C. (2025, May 14). Low-quality papers are surging by exploiting public data sets and AI. Science.