夜雨聆风BMJ 2026 · 论文工厂文本筛查 · 预警不等于定罪
一台只读标题和摘要的机器，扫过 1999-2024 年间 2647471 篇癌症论文，给其中 261245 篇亮了红灯：9.87%。数字很适合做成“癌症论文塌房近一成”的标题，可这篇 BMJ 真正说的是“文字像已撤回的疑似论文工厂文章”，不是“实验已经被查实造假”。少看这半句话，安检门立刻就会被写成审判席。
模型叫 BERT。研究者用 2202 篇被 Retraction Watch 标注为论文工厂、且已经撤回的癌症论文训练它，再拿独立的研究诚信专家数据做外部验证。它没看原始数据、蛋白条带、患者记录或实验试剂，只在题目和摘要里找反复出现的语言模式。说白了，它闻的是“模板味”，不是给实验真伪验 DNA。
最让震惊的是时间趋势。2000 年代初，被标记论文约占每年癌症研究的 1%；到 2020 年代早期已经超过 15%，2022 年单年达到 26457 / 171656。此后两年略降，作者没急着庆功：可能是期刊开始反击，可能是论文工厂换了模板，也可能只是 PubMed 收录滞后。连这条下降线，都还不能放心地叫“好消息”。
图 1：蓝柱是年度标记篇数，2022 年达到 26457 篇。上涨代表模型红灯变多，不能直接改写成已证实造假变多。
但安检门不是法庭
这台安检机也不算随便抓阄：内部验证准确率 91%，外部验证准确率 93%；两套验证的敏感性都是 87%，特异性分别为 96% 和 99%。这说明它确实能从既有样本中捞出相似文本，也会放过一部分已知问题论文。表格很漂亮，但漂亮的验证分数不能自动解决真实世界里“问题论文到底占多少”的难题。
表 2：模型在两套验证集上表现稳定；这里验证的是分类能力，标签本身仍来自撤稿记录、诚信专家清单和代理对照。
作者做了一个很关键的换算：假设癌症研究中真正的论文工厂产品占 10%，按这套模型的敏感性和特异性，被标记论文的阳性预测值约为 0.7，也就是红灯里大约三成可能是误报。真实比例如果不是 10%，这个数字还会继续变。于是 9.87% 最稳妥的读法只能是“值得复核的文本信号比例”，不能偷换成论文工厂的实锤流行率。
最危险的一张图，是国家分布
按第一作者机构所在国家统计，中国论文有 177907 / 497672 篇被标记，比例 36%；伊朗为 20%。美国只有 2%，但绝对数仍有 10511 篇。这里最省事也最糟糕的写法，是把 36% 直接翻译成“中国 36% 的癌症论文造假”。图里没有实验核查，也没有作者意图，更没有国家层面的造假率；它只有一个受训练数据、语言和研究主题共同影响的文本分类结果。
图 2：按第一作者机构国家计算的文本标记比例。高标记率不等于该国论文造假率，也不能用于给单篇论文定性。
研究团队并非没看到偏差风险。他们在对照组中加入了 101 篇中国机构发表于四本高影响力期刊的论文，以及 600 篇台湾高被引论文；其余对照大量来自北欧机构和少数顶刊。作者也承认，这些只是“高质量代理”，不是随机抽到、逐篇证实为真实的全球对照。中国机构作者又占已知问题论文假阴性的 90%，高于验证集中的 47%；这削弱了“模型只会把中国论文判红”的简单指控，却仍不能替代按国家、语言背景分别核算假阳性率。
大门牌也没有自带消毒灯
出版商分布同样刺眼：Verduci Editore 旗下相关癌症期刊约 67% 被标记，International Scientific Literature 约 45%，E-Century 约 44%，Spandidos 约 38%。Springer Nature、Elsevier 和 Wiley 的比例约在 10% 左右，却因为盘子大，分别贡献约 40293、39753 和 28330 篇标记论文。这不是出版商“犯罪榜”，更像一张告诉编辑部该先翻哪几摞稿件的报警热区图。
图 3：展示标记篇数最多的 25 家出版商，再比较各自比例。比例与绝对数量是两回事，这也不是对出版商的事实裁决。
癌种和研究方向也有“重灾区”：胃癌 22%，骨癌 21%，肝癌 20%；肿瘤生物学、基础研究、治疗开发和诊断预后都超过 10%，生存照护、流行病学和卫生政策则低于 2%。这可能映出论文工厂爱挑容易复制的机制故事，也可能混入中国的疾病负担、研究投入、误认细胞系和主题词分布。看到集中，应该追问原因，不该顺手给整个癌种贴“水”的标签。
别把高影响因子当免检牌。2022 年，影响因子排在当年前 10% 的癌症期刊里，也有 3383 / 28991 篇被标记，超过 10%。名刊能提高曝光和引用，不能给每张图、每组数据和每条试剂序列装上防伪芯片。
图 6：蓝线是前 10% 期刊中的标记比例，黄线是进入前 10% 的影响因子门槛。两条线同时上升，不代表二者互为因果。
这项研究真正推进的，是把“论文工厂可能很大”变成了一个可用于编辑分诊的量化信号。模型已经接入一家大型出版商的 3 本期刊，但论文明确说，稿件不会只因红灯被拒，最后要靠人工、图像、数据、统计和试剂等多种核查。它证明了文本筛查能把可疑稿件先挑出来；它没有证明 261245 篇都来自论文工厂，更没有证明某个作者、国家或期刊有罪。好工具的价值，是让复核更快，不是让定罪更省事。
评论区补上的一根刺
论文发表后的 BMJ Rapid Responses 不是同行评议结论，但它们把语言偏差的问题追得更紧。2026 年 1 月 31 日，Vihaan Sahu 质疑这套“疑似论文工厂文本对精英期刊英文”的训练对比，可能把偏离精英学术英语的写法一起判红；2 月 26 日，Yao Wang 用国家层面数据与英语熟练度指数做了事后相关分析，报告 Pearson r=-0.77、Spearman ρ=-0.87。这个生态相关不能证明模型存在语言歧视，却足以提醒：国家比较不能只看总准确率，必须补做分地区、分语言背景的盲法人工核验和假阳性率。
所以，36% 可以是审计的起点，不能是舆论的终点。把文本模型与图像重复、核酸序列、细胞系、原始数据和统计核查叠在一起，它会是一把好筛子；把它单独拿来画国家黑名单，它就会从反论文工厂工具，变成另一台批量制造误伤的机器。
原文：BMJ 2026;392:e087581，DOI 10.1136/bmj-2025-087581。延伸评论：Vihaan Sahu，BMJ Rapid Response，2026-01-31（bmj.com/content/392/bmj-2025-087581/rr）；Yao Wang，2026-02-26（bmj.com/content/392/bmj-2025-087581/rr-11）。Rapid Responses 为读者评论，并非同行评议研究。