破解學術詐欺的數字偵探學(一):以常識與簡單運算看穿數據謊言

分享至

發表於權威期刊的論文常被視為重要學術依據,時常成為許多重大公共決策或後續眾多研究方向指引。近年在各國與研究機構競爭加劇的背景下,論文發表的期刊等級與數量,儼然成為各單位招聘與升遷的核心評判標準。在這種推崇「發表至上」的學術壓力下,論文數據捏造與竄改事件屢見不鮮。不僅會無端消耗科研經費與各種資源,更可能導致後續根據該論文延伸的眾多研究心血付諸流水。然而,想揪出這類造假論文的方法可能比你想像中的還要簡單,只要善用邏輯推理、科學常識或統計工具,任何人都有機會讓造假數據原形畢露。面對龐大的學術資料,唯有時刻保持合理懷疑與嚴謹驗證,才能避免落入偽科學的陷阱。

撰文|穿山甲

在許多人的印象中,發表在權威學術期刊上的論文,無疑是知識的真理之書。所有人都恨不得將裡面的實驗方法與結論讀個透徹,期望有一天自己的研究也能被收錄在內。然而,這本真理之書並非完美無瑕。近年來,隨著學術界對文章發表的重視,研究者頂著「不發表就會被淘汰」的巨大壓力。少數人選擇走捷徑在數據與圖表上動手腳,從而捏造實驗數據、篡改結果。這些造假論文就像是混入知識之樹的毒蘋果,咬一口就足以令人迷失目標,偏離正確的研究方向。其結果不僅會浪費數以億計的科研經費,更可能誤導後續實際應用的決策。所幸,學術界也有一群專門在數據與圖表中尋找蛛絲馬跡的數字偵探。他們憑藉著對自然規律與學術常識的深刻理解,能發現那些人工捏造數據時所留下的破綻,並揪出可疑的嫌疑犯。那麼,他們的偵查手法有哪些呢?

 

錯誤或虛假引用

近年得益於AI的發展,許多知識與疑難問題一問便知,但也被人拿來惡意使用。常使用的人會知道,AI的回應並不總是正確,最重要的就是後續的查證。同樣地,有些研究者會使用AI來輔助論文撰寫。但有些人連檢查都不願去做,這導致文章中會出現許多AI幻覺,最常出錯的地方會出現在引用部分。這些被引用的文章,可能會是AI虛構或是錯誤引用文章,也有可能是期刊、年份與頁碼是對的,卻與標題對應不起來。這就足以讓人對這篇文章的可信度起疑。

 

常識與簡單數學運算

大家都期待一篇優秀的論文能展現顯著的實驗趨勢或突破性的數據結果。為此,偽造者勢必會調整數值,讓整體趨勢看起來符合自己預期的結論。然而,只要是捏造的數據都有可能露出破綻。最常見的當屬科學原理的違背,例如,微流道的流體速度超過每秒數千公尺;細胞挺得住極高電流而不損傷;兩種互斥參數卻一起增強。另一種是生活常識的違背。如果現在問你一個月的伙食費大概多少?你可能連幾天前吃什麼都忘記了,僅能依照平時常去的店家來推估大致金額,數值只能精確到百位或千位數。假使有篇論文數據在統計職業與伙食費間的關係,金額卻能精確到個位數,這顯然有違常理;如果是熟悉某領域的同行,也可能發現到需要數月或數年才能收集到的數據,卻能在極短時間內取得,抑或超過該領域的研究數據上限過多,同樣也足以使人生疑。

雖然偽造者也熟知一般常識,但這些數值可能會隱藏在資料中難以察覺,透過簡單的數學運算才會被顯現出來。例如,經推論得出每人每餐可以吃掉200根紅蘿蔔;總人數乘以報告中的百分比出現含小數的人數(如5.3人),且無論採取四捨五入、無條件捨去或進位中的哪一種方式,都無法回推並滿足論文呈現的百分比結果;各組材料消耗量加總後與總量不符。這類數據在數學上都是不合理的。

 

數字出現機率

過於完美或不完美的數據都有可能出現問題,但通常偽造者會專注於捏造關鍵圖表,無暇照顧到各個層面的合理性。在調整數據時,會無意間偏好修改為某些數字。一般量測或統計的數值,變化趨勢可能出現在前幾位數字,而小數點後末位數字總會帶點自然波動。假使在數據量夠多的情況下,末位數字為0到9,每個出現的機率應該會差不多,如圖1(a)所示。假使某些數字出現機率特別高,例如3與8的機率為14%與18%,其數據就值得被懷疑。

此外,另一種數字出現的機率也可以拿來作為驗證,稱之為班佛定律(Benford's Law)。在眾多自然出現的生活數據裡,首位數字出現的機率並非一致,而是遵循對數規律,如圖1(b)所示。首位數字為1、2、3出現的機率分別為30.1%、17.6%、12.5%,依序下去直到9時機率僅剩4.6%。不知道這個規律的偽造者,往往會平均地使用1到9開頭的數字,反而欲蓋彌彰。不過使用這項定律的資料量必須夠多才看得出規律。此外,數據的分佈範圍必須足夠廣。理想情況下,最好能跨越幾個數量級。數值也必須是隨機產生、沒有大小值限制。電話號碼與身分證字號通常由特定公式或結構組成,因此並不適用班佛定律;相反地,這項定律非常適合應用於財務數據。過去曾有人利用它來查驗上萬筆帳款,取代逐一核對來源、用途與關係網絡的苦差事,快速初判帳目是否存在作假的可能性。

圖1:(a)通常精密儀器量測出來的數值,末位數字會隨機變動。因此,所有數字出現的機率應為10%。(b)在某些條件下,首位數字出現的機率會以對數形式呈現|來源:作者繪製

 

數據類型的一致性

數字機率法與其說是糾錯,更像是一種篩檢法。許多論文若沒有在補充資料中提供原始數據,其實會很難檢驗,但從平均值、樣本數與標準差再透過簡單的數學,任何人也有機會揪出虛假論文。如果有填過問卷應該知道,問卷有時候設計成一個量表型態,例如詢問你玩手遊的頻率,會設計成總是、有時、偶爾、不常、從未,幾種分級。每個選項會對應一個整數分數,例如1到5。如此單份問卷分數加總與所有受測者的分數加總也必然是整數。如果只有平均值與樣本數的資料,可以將其相乘回推總分,如果不是整數那就會顯得有點詭異。這種方法被稱之為GRIM檢驗(Granularity-Related Inconsistency of Means)。

然而實際上時常會對數據做四捨五入,除了可以從GRIM方法來推測外,還能加入標準差進行GRIMMER檢驗(Granularity-Related Inconsistency of Means Mapped to Error Repeats)。在原始數據為整數的情形下,平方、總和,以及平方和也都會是整數。其中平方和就隱藏在標準差中,將標準差公式展開並移項後可導出平方和。平均值與樣本數相乘後,可獲得總和。再將總和取四捨五入,帶入平方和公式即可獲得平方和數值。此時可將平方和數值附近的整數選出,反向求標準差,並取四捨五入,觀察是否能獲得與文章標準差同樣的數值。倘若一致,則表示存在一組數據可通過GRIMMER檢驗。此外,還可以對數據作奇偶檢驗。假設數據總和為奇數,其平方和也必然為奇數;若總和為偶數,平方和也必然是偶數。若兩者的奇偶性不一致,就代表數據存在數學矛盾。

還有一種稱為SPRITE (Sample Parameter Reconstruction via Iterative Techniques)的檢驗方法,也可以用在原始數據為整數的檢驗上。核心原理是從報告的平均值、標準差、樣本數與量表範圍,透過電腦從一組猜測的數據開始驗證是否符合平均值與標準差。若不符合則進行數據微調,再次進行驗證。如此反覆計算,反推出所有可能的原始數據分布,再檢查這些分布是否合理。例如,分布是否成常態分佈?會不會有兩個以上的分布峰?倘若許多數據分布在最低值與最高值附近,也不合理。或是數據組合有沒有違背常理?例如出現上述每餐吃掉200根紅蘿蔔的情形。刪除所有不合理的數據組合後,若沒有符合的情況,則可判斷為數據存在可疑現象。SPRITE檢驗雖然也能用在非整數的情況,不過數據點必須有離散性質,例如末位數字以0、5跳動或數字有限的情形。倘若量測的數據類型會連續變化,則無法使用。

 

一般人看到收錄在國際期刊的文章,肯定會非常相信裡面的數據資料。感覺期刊等級越高,越值得信任。即便看到一些不可思議的結果,也很難去懷疑。然而,隨著AI普及、論文工廠與掠奪性期刊出現,以及機構對論文的要求漸高,有問題與被撤搞的論文越來越多,面對虛假論文帶來的陷阱不得不防。本文介紹了一些用來判斷論文數據是否合理的檢測方法。然而,假使哪一天真的讓你遇到有問題的數據也千萬不要一股腦兒隨即認為論文有誤。因為數據也有可能經過一些合理的處理,例如四捨五入,又或者僅是數據誤植。科學最值得敬佩之處,從不在於保證絕不犯錯,而是在於面對特殊發現時,隨時保持懷疑的態度,瞭解內文是否還藏著其它不合理之處。用嚴謹的邏輯與條理的評論看待數據,不僅能避開偽科學的陷阱,更能成為真理殿堂中最堅韌的守護者。

 


參考文獻

  1. L. Sainani, “How to Be a Statistical Detective,” PM&R: Journal of Injury, Function and Rehabilitation, vol. 12, pp. 211–215, 2020.
  2. Rossner and K. M. Yamada, “What's in a Picture? The Temptation of Image Manipulation,” Journal of Cell Biology, vol. 166, pp. 11–15, 2004.
  3. Topaz, N. Roguin, P. Gupta, Z. Zhang, and L. Peltonen, “Fabricated Citations: An Audit Across 2.5 Million Biomedical Papers,” The Lancet, vol. 407, pp. 1779-1781, 2026.
  4. Hosseini, L. M. Rasmussen, and D. B. Resnik, “Using AI to Write Scholarly Publications,” Accountability in Research, vol. 31, pp. 715–723, 2024.
  5. Boutron and P. Ravaud, “Misrepresentation and Distortion of Research in Biomedical Literature,” Proceedings of the National Academy of Sciences of USA, vol. 115, pp. 2613–2619, 2018.
  6. Chauhan and G. Currie, “The Impact of Generative Artificial Intelligence on Research Integrity in Scholarly Publishing,” The American Journal of Pathology, vol. 194, pp. 2234–2238, 2024.
(Visited 64 times, 13 visits today)

分享至
views