中國論文工廠，已經用AI批量生產垃圾論文了？
7.9
知識分子
The Intellectual
圖源：Pixabay
撰文 | 張天祁
● ● ●
Scientific Reports的副主編、英國薩里大學數據科學家馬特·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，在迅速湧入他工作的期刊。
它們選題各異，套路卻驚人地一致。有的研究血清維生素D與抑鬱症的關係，有的分析碘攝入與糖尿病，有的考察炎症指數與睡眠質量，總之就是考察一個變量對一種疾病的影響。只需一份標準化的數據集、一段迴歸模型腳本，再得出一個統計顯著的結果，這類論文就能迅速成文。換個變量，又是新的一篇。
這種沒有信息含量的垃圾論文數量在迅速膨脹。2024年，僅1月至10月，全球就發表了190篇這類基於美國 NHANES 健康數據庫的“單因子關聯研究”，幾乎是2014至2021年間年均發表數量的五十倍。
國產垃圾論文攻陷國外期刊
更引人注意的是，垃圾論文數量的激增幾乎完全集中在中國。2021至2024年間，全球共發表了316篇此類論文，其中有292篇的第一作者來自中國單位，佔比超過92%。而在2014至2020年的25篇中，這一數字僅爲2篇[1]。
這組數據來自於斯皮克和他合作者今年發佈的一項研究。爲了系統性地研究這一現象，斯派克和他的合作者在PubMed和Scopus等學術數據庫中，使用精確的關鍵詞組合進行檢索，篩選出過去十年間所有使用NHANES數據、且研究設計爲單因素關聯的論文。經過篩選，他們最終確定了341篇符合條件的論文作爲分析對象。
這些論文大多采用相同的方法框架：使用 logistic 迴歸模型，研究一個健康變量與一種疾病或生理狀態之間的統計關聯，最多控制三五個協變量，結論集中在“顯著相關”這一層面。研究的問題不同，結構幾乎不變。
在對這三百多篇論文進行分析後，研究團隊發現，它們普遍遵循一套高度重複的寫作腳本。研究者從數據庫中選取一個預測變量，比如某種維生素水平，再選擇一個健康結果，比如抑鬱症，通過標準化的統計流程將兩者建立關聯，最終得出一個簡單的結論，A 與 B 相關。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，無需任何生理學依據或理論假設，便可無限擴展變量與結局的組合方式。
爲了進一步說明這類研究存在的問題，研究團隊使用了網絡分析方法，把所有論文中提到的預測變量和疾病之間的配對關係畫成圖表。結果顯示，像抑鬱症這樣的複雜疾病，被幾十個毫無關聯的變量分別單獨研究過一次。圖中呈現出一種“一個變量對應一個疾病”的稀疏結構，揭示出這類研究往往忽視疾病背後的多重因素，只是簡單地找出某種單一因素與某個結果之間的聯繫。
團隊以抑鬱症爲例，檢驗這些論文是否可靠。他們統計了所有聲稱與抑鬱症顯著相關的研究，一共28篇，並使用一種叫“錯誤發現率”（FDR）的統計方法，對這些結果重新進行了校正。FDR 用來處理多個變量同時檢驗時容易出現的假陽性問題。結果發現，這28項中有15項在校正後不再顯著，說明很多看起來有效的結果，其實可能只是偶然波動造成的。
研究人員進一步發現，不少論文在數據使用上存在操縱的嫌疑。NHANES 是一項跨年滾動調查，覆蓋數十年的連續數據，供研究者完整調用。但在大部分論文中，作者卻在沒有提供任何解釋的情況下，僅選取了其中一小段年份區間進行分析。這種精心挑選數據的做法，很難不令人懷疑其動機是爲了篩選出p值最低、結果最漂亮的組合來發表。
將所有線索串聯起來，一條AI論文流水線已經顯示地非常清晰了。一個對AI開放的數據庫作爲原料，輔以自動化的分析腳本，再套用高度公式化的研究設計，最終得以在短期內以指數級速度產出大量雷同的論文。這套流程完美地契合了AI輔助的工作模式，正如報告作者所言，這種生產力的提升，對“旨在通過提供低質量或僞造稿件來牟利的論文工廠尤其具有吸引力” 。
論文工廠用上AI了
這一切的起點，是龐大的公共健康數據庫NHANES。這是由美國官方主導的一項長期項目，旨在評估美國成人和兒童的健康與營養狀況。該調查每兩年進行一次，招募約1萬名參與者，通過結合訪談、體格檢查和實驗室檢測，收集了涵蓋疾病、風險因素、營養指標等超過700個變量的綜合數據。
造成這一局面的部分原因，在於NHANES 本身高度結構化的數據形式。它的數據可以通過API直接導入Python或R語言環境，一系列標準庫（如 nhanesA、pynhanes、NHANES pyTOOL 等）支持自動搜索、清洗、建模與輸出。過去需要團隊手動完成的數據整理和圖表繪製，如今可在更短時間內藉助腳本工具實現。
更關鍵的是，NHANES是一個AI就緒（AI-ready）的數據集。 這意味着，研究者可以通過應用程序編程接口（API）輕鬆地、自動化地提取和分析數據。 這種設計本意是爲提高科研效率，但它也爲“數據挖掘”和批量生產論文打開了方便之門。
斯皮克團隊認爲，他們的研究結果很可能嚴重低估了問題的規模。他們的檢索範圍侷限於符合利用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 數據發表的論文數量就從2023年的4926篇增長到了2024年的7876篇。
來自美國西北大學的研究者瑞茲·理查森（Reese Richardson）一直關注論文工廠的動向。他在一次快速檢索中，就發現了5篇未被斯皮克團隊納入的 NHANES 論文，這些文章與某個可疑論文工廠有關聯。它們的寫作結構與斯皮克所識別出的論文非常相似，同樣是圍繞 NHANES 數據中的單一變量與某種疾病的簡單相關性展開，例如電子煙使用與肺部疾病之間的關聯[2]。
以“臨牀公共數據庫挖掘”爲關鍵詞，在中國社交媒體平臺上不難搜到大量提供服務的公衆號。其中除了本文提到的 NHANES 數據庫，GBD（Global Burden of Disease，全球疾病負擔研究）等數據庫也頻繁出現在這些平臺的推文和案例中，成爲熱門的數據來源。
這類公衆號大多提供多種模式的服務，例如：根據研究主題協助下載公開數據，完成統計分析，撰寫數據分析報告，或在已有數據和主題的基礎上提供論文思路和寫作指導。一些平臺還進一步打出“全流程陪跑”的口號，從選題、分析到英文潤色，覆蓋論文寫作的各個階段。
在一些平臺的廣告中，造假的暗示已非常露骨。例如有平臺寫道：“因公共數據庫的開放性，我們提供的統計服務可不斷更換研究主題，挖掘數據，直至分析出發表級的統計分析結果，並可提供中英文的方法和結果。”換句話說，就是以發表爲目標，圍繞數據庫中的變量反覆組合、拆解、篩選，直到跑出一組足夠顯著的結果。
參考文獻:
[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.
