基于PubPeer的学术期刊智能预警研究*

林 原 贺俊尧 刘盛博 丁 堃 许 侃

(大连理工大学 大连 116023)

0 引 言

期刊作为发布学术成果的主要载体，在学术生态中发挥着发布最新学术成果、学术交流、开辟前沿领域等作用，期刊能否认真负责的办刊，把控刊载论文的质量至关重要。同时，期刊评价是学术评价的一个重要方面，也是破五唯环境下所要重点关注的对象之一。邱均平[1]指出新时代科研评价体系重构中要正确处理数量与质量的关系，倡导质量优先。郭东明[2]指出学术评价要回归初心。朱邦芬[3]指出科技期刊要坚决守卫科研诚信生命线。董毅敏[4]指出期刊亟待建立健全规范的管理制度，加强科研诚信建设。近年来期刊存在许多共性的问题亟待解决，一些期刊为了获取经济利益，大肆扩充版面，收取巨额版面费，还有一些期刊对投稿的论文审核不严，得过且过，忽视期刊自身的职责[5-8]。广泛使用的期刊评价指标如IF影响因子，以及CiteScore[9]、SNIP、SJR[10]等都是从正面衡量期刊的水准，即表示一种期刊有多好，评价的方法和模式单一，主要依靠被引情况进行考虑。客观的评价方式不仅需要看到期刊有多好，更需要及时发现期刊中存在的各类问题，提醒相关方面予以改进，即期刊预警研究。2020年12月中科院文献情报中心发布《国际期刊预警名单(试行)》[11]，分高、中、低预警等级对65本期刊进行预警，期刊预警已经成为一种科技评价的重要手段。同时，一些研究人员也进行了期刊预警的探索，例如余毅[12]指出改进高校学报编辑部工作模式，加强投稿环节的预警与监管。王旌[13]结合办刊经验指出了出版物存在的一些学术风险，提出严格遵守落实审稿流程，三审五定、主编终审，加强对编辑出版人员的培训与教育。王丹[14]提出了对建立健全期刊预警制度的思考，强调了学术界迫切需要预警制度，是科学研究者的迫切期待。孙娟[15]指出学术期刊在科研诚信建设中的作用，从理论角度提出了一些建议，监管部门严格监管项目、学术期刊严格遵循审稿流程、建设诚信文化等。但期刊预警的研究仍存在一些不足与缺失，重视刊前的投稿、审稿环节期刊严格落实相关工作流程，缺少刊后环节的预警；意识到了期刊预警的紧迫性与重要性，但缺乏相关预警指标以及切实可行且具有理论与应用价值的预警方法。已有研究主要集中于刊前评审流程的把控，而对于刊后预警的有效方法研究不足。对于学术期刊，其刊载的论文的质量是期刊水平的直接表现，所以从刊载的论文出发，研究期刊的学术风险并对期刊进行合理预警，是保障期刊出版水平的有效措施。因此本文采用期刊论文的开放获取评论信息对期刊的学术风险进行识别。

出版后同行评议论坛PubPeer[16]是一个开放的平台，用户可以对期刊刊载的论文留下评论来提出各种质疑，比如剽窃他人成果，篡改数据，图像造假，实验完整性缺失等。作者需要有第一作者或通讯作者的论文被PubMed收录，才能注册成为PubPeer用户，并且评论需要经过审核才能发表，这保证了PubPeer上评论的可靠性。同时PubMed集中于生物医学方面的论文索引，相应的PubPeer上的存疑论文也集中于生物医学领域。Ewen Callaway[17]在Nature上对PubPeer进行了介绍，出版后同行评议有可能彻底改变科学研究的方式，朝着一个理想的方向发展，建立与当前系统不同的评价方式。C.Forest[18]指出PubPeer是一个非常有用且高效的工具，用于打击科研领域的有意或无意的假新闻，即不真实的信息。

本研究从出版后同行评议论坛PubPeer上获取期刊及期刊所刊载论文遭到质疑等相关信息。对数据进行梳理分析，从不同维度构建期刊预警指标。选择随机森林算法训练期刊智能预警模型，使用预警模型对期刊的学术风险状况进行评测，识别预警期刊。预测得到的预警期刊列表，可对科研人员选择成果发表平台提供参照，敦促出版机构强化期刊质量管理。该研究与其它期刊预警研究有如下不同：a.研究数据方面，采用PubPeer平台作为期刊预警数据源。该平台信息能够被开放获取，可以便捷的获得高质量的学术评论信息，并保证评论的质量(用户注册限制、评论审核)，由于其可以动态更新，能够及时侦测、发现期刊及其刊载论文所存在的问题，为期刊预警提供稳定可靠的数据。b.理论模型方面，对标已有的核心期刊发现理论，构建理论映射模型，为预警指标和模型的构建奠定坚实的基础。c.研究方法方面，构建数据驱动的智能期刊预警方法。基于开放获取的期刊相关学术信息构建多维度预警指标，并以预警指标作为特征，采用机器学习方法训练预警模型保障信息的充分利用，配合可更新的数据源，提供持续可更新的期刊预警信息。

1 数据获取分析与指标构建

1.1 研究对象

PubPeer上的存疑论文主要集中于生物医学领域，其以每一篇被质疑的论文为基本单元进行展示；包含论文标题、所属期刊、以及其它学者对此论文的质疑等等。从PubPeer中获取期刊及期刊所刊论文遭质疑评论信息，共有1 790种期刊出现在PubPeer上，其涉及7 673篇论文，18 299条同行评议信息，这是本研究的主要研究对象。基于以上信息可得到两对对应关系：期刊-存疑论文和期刊-质疑评论。如图1所示， 将其分别与布拉德福定律及加菲尔德定律进行映射。

图1 映射关系

基于布拉德福定律图像表示法，将原定律中的期刊与其论文数量关系映射为期刊与其存疑论文数量关系。可得图2，按照期刊所载存疑论文数量降序排列，以期刊累积数量的对数(lg n)为横坐标，以相应的存疑论文累积数(R(n))为纵坐标作散点图。这些点构成了一条曲线AB，分为上升段曲线AC，直线CB。前100种期刊上的存疑论文数达到4 043篇，达到存疑论文的52.7%；前300种期刊上存疑论文数达到5 386篇，占存疑论文总数70.2%；前500种期刊上存疑论文数达到6 061篇，占存疑论文总数79%。图2显示绝大多数存疑论文集中于少量期刊，而被预警的期刊有较大可能性拥有大量存疑论文，因此这些期刊将会被作为预警的重点关注对象，同时存疑论文数量亦可作为预警期刊识别的重要因素。

图2 存疑论文所在期刊分布

基于加菲尔德定律，将原定律中的期刊与其被引次数关系映射为期刊与其论文的被质疑次数关系，可得图3。1 790种期刊的7 673篇存疑论文共被质疑18 299次，100种期刊上的存疑论文的质疑累积量达到56%，300种期刊上的存疑论文的质疑累积量达到76%。图3显示绝大多数的质疑评论集中于少量期刊，而拥有大量质疑评论的期刊被预警的风险也极高，因此这些期刊被预警的可能性也很高，同时质疑评论数量以可作为预警期刊识别的重要因素。

图3 质疑的集中与离散分布

存疑论文和质疑评论的集中与离散分布情况为期刊预警研究创造了基础。布拉德福定律、加菲尔德引文集中定律可以识别核心期刊，对于预警期刊的识别仍然有效，因此可以根据期刊与存疑论文数和质疑数的关系来构建预警指标识别预警期刊。据此本研究将构建多维度指标从不同角度刻画期刊存在的问题，借助多维度指标构建智能分析模型对期刊预警情况加以分析。

1.2 预警指标构建

存疑论文和质疑评论可以作为期刊预警研究工作的基础，但这并非意味着单一论文存在较多质疑评论或者在曾经的一段时间内存在较多存疑论文的期刊就一定需要预警，应从数量、程度间和时间多个角度去审视期刊的学术风险。基于PubPeer的预警指标的构建应科学、全面和智能的从不同维度分析期刊存在的问题。既要对期刊多年来一贯表现进行衡量，也要反映近年的特征与趋势。既需要对期刊多角度评价风险，也需要判别各年份的具体表现，还要判别同一期刊在不同时间段风险的变化、不同期刊在同一时间段风险的差异。本研究将基于宏观总量类、程度类和近年情况与趋势类三大类，18维指标对期刊的学术风险进行分析。

1.2.1宏观总量类

存疑论文数：该期刊有多少篇论文遭到质疑，记作a1。

存疑规模：该期刊的存疑论文遭到质疑的次数，记作a2。

衡量期刊存在的问题，首先考察其存疑的论文数目、遭到质疑的次数。a1与a2分别从存疑论文数量、质疑次数两方面进行考虑，两个指标均是从宏观总量维度进行刻画。

半衰期是指某学科现在尚在利用的全部文献中较新的一半是在多长一段时间内发表的。这与该学科一半文献失效所经历的时间大体相当。半衰期反映了某一学科论文的老化速度。为了反映一本期刊上的存疑论文的老化速度，定义期刊存疑半衰期，记作a3：

期刊存疑半衰期=该期刊的全部存疑论文中较新的一半是在多长一段时间内发表的

(1)

用期刊存疑半衰期来反应该期刊存疑论文更新的速率。期刊存疑半衰期数值越小，说明该期刊存疑论文更新的越快，问题越大。

1.2.2程度数量类

篇均存疑程度，记作a4。采用篇均存疑程度来表示期刊上的存疑论文遭质疑的平均水平，这维指标侧重于衡量十年的平均情况。而衡量某一时间段的平均情况，则可参照影响因子，在以往的评价方式中，常用影响因子来衡量一种期刊，即一本期刊中某段时期论文的平均被引率。本研究中定义存疑影响因子如下公式(2)，记作a5：

(2)

同理，设置五年存疑影响因子如下公式(3)，记作a6：

五年存疑影响因子=

(3)

a4、a5、a6三个指标分别衡量期刊在十年、两年、五年时间段上存疑论文被质疑的平均水平。

1.2.3近年趋势类

考察期刊存在的问题，不仅需要衡量期刊十几年的一贯表现，也需考察近两年，近五年的情况，衡量其变化的趋势与特点。用两年比衡量该期刊近两年存疑论文数与存疑规模占该期刊总体的权重。定义两年比如下公式(4)，记作a7：

(4)

其中Z1，Z2为系数，Z1+Z2=1。两年比越高，则说明近两年问题越突出，风险有变高的趋势。同理，设置五年比，记作a8。

在衡量期刊各方面问题时，也需从年份的详细数值情况加以计量，可以较为直观的呈现在具体年份期刊存在的风险。将期刊在2016～2020年五年间每一年的存疑论文数与存疑规模作为指标。2016存疑论文数记作a9，2016存疑规模记作a10；2017存疑论文数记作a11，2017存疑规模记作a12；2018存疑论文数记作a13，2018存疑规模记作a14；2019存疑论文数记作a15，2019存疑规模记作a16；2020存疑论文数记作a17，2020存疑规模记作a18。

2 数据标注与模型训练

由18维指标(a1,a2,┈┈,a18)可表示期刊在不同方面的问题，综合考量期刊在各维度的表现进而衡量其学术风险状况则需构建预警模型。可将1790本期刊划分为训练集、预测集。训练集中期刊是否需要预警已知，预测集中期刊是否需要预警未知。用训练集对模型进行训练，使模型达到较高准确度，之后用模型对预测集中的期刊进行评测，即可得到预测集中每本期刊是否需要预警。

2.1 数据标注

训练集中应包括两类期刊：a.需要预警的期刊(以及预警等级)即正样本，b.不需要预警的期刊即负样本。2020年版中科院《国际期刊预警名单》分高、中、低预警等级期刊进行预警，此为至今较为权威的期刊预警列表，中科院JCR1区期刊为学术界公认的较好期刊，且二者都来自中科院文献情报中心，因此使用这二者进行标注具有统一性。将中科院《国际期刊预警名单》与数据集进行对照，对重合期刊按照中科院发布的高、中、低、预警等级进行标注，高预警等级标注3，中预警等级标注2，低预警等级标注1。将中科院JCR1区期刊与数据集进行对照得到负样本，对重合期刊标注为0，如表1。具体对应规则如下：在预测高预警等级时，标注等级大于等于3的期刊为正样本，标注等级小于3的期刊为负样本；在预测中预警等级时，标注等级大于等于2的期刊为正样本，标注等级小于2的期刊为负样本；在预测低预警等级时，标注等级大于等于1的期刊为正样本，标注等级小于1的期刊为负样本。

表1 期刊训练集标注实例

2.2 模型训练

模型采用机器学习领域的随机森林，随机森林通过建立多个分类器组合来解决预测问题，其原理是生成多个分类器，各分类器模型独立地学习和作出预测，根据这些彼此独立的预测最后结合成预测结果，依靠决策树的投票选择来决定最后的分类结果。随机森林具有较多优势：能处理高维特征的训练集，且不需要降维；可以有效运行大数据集；准确率较高。本研究需处理的数据维度较高，为18维，选择随机森林较为合适。

模型要实现的目标有两个(1)判断期刊是否需要预警(2)如需预警，具体预警等级如何。因此，设置三个模型：模型A，模型B，模型C。模型A，B，C均为二分类。模型A预测高预警等级，模型B预测中预警等级，模型C预测低预警等级。模型A选取标注等级为3的期刊为正样本，选取标注为2,1,0的期刊为负样本，选取的负样本应与正样本数相当。模型B选取标注等级为3，2的期刊为正样本，并选取标注为1,0的期刊为负样本，并使选取的正负样本数量相当。模型C选取标注等级为3，2，1的期刊为正样本，并选取标注为0的期刊为负样本，并使选取的正负样本数量相当。

图5 实验模型

图4为实验模型图，将数据集与中科院预警期刊名单、JCR1区期刊进行对照，经标注后得到学习对象(训练集)，未标注期刊为预测对象(预测集)。由学习对象抽取信息生成向量αi～(Ai,Bi)，αi为第i种期刊的相关信息，Ai(a1,a2,┈,a18)为该期刊各维度指标，Bi为标注的预警等级。将向量αi经预处理后分别输入训练模型A，B，C中进行训练，三个训练模型根据各自生成的若干决策树，综合若干决策树分析给出分类结果及本模型打分情况。将分类结果与已标注的等级进行对比得到三个训练模型A、B、C准确率(GA,GB,GC)，若三模型准确率均达到0.9，则不再训练；否则继续调整参数优化模型进行训练。由预测对象抽取信息生成向量βi～(Ai)。将βi输入已训练完毕的三个模型中得到各模型评测结果与打分情况。输出γi～(A*,B*,C*)，A*,B*,C*分别为预测模型A、B、C的评测结果。将各模型评测结果输入过滤器，过滤器依次查看高、中、低三模型评测结果，输出最终预警评级。分析高模型评测结果，若在高模型评测预警等级显示高，则输出预警等级为高及具体得分；若在高模型预警等级未被评测为高，则查看中模型评测结果，若在中模型评测预警等级显示为中，输出预警等级为中及具体得分；若在中模型预警等级未被评测为中，查看低模型评测结果，在低模型评测预警等级显示为低，则输出预警等级为低及具体得分；若在低模型预警等级未被评测为低，则输出预警等级为0无需预警。

经模型训练，三模型准确率(GA,GB,GC)均可达到0.9，这说明本研究所构建的指标体系较为妥当，选择的标注体系即参照物较为匹配。可以采用训练出的模型对预测集期刊进行评测得到是否需要预警以及风险等级。由于线性维度相关性分析难以有效融合各指标，无法具体量化权重，故本研究采用非线性的随机森林模型，由模型本身利用损失函数与决策树中的剪枝控制各特征重要性，以达到最终指标融合使用研究期刊预警问题的效果。

3 实证研究

3.1 结果分析

共评测出预警期刊140种如表2所示，其在高预警期刊3种，中预警期刊69种，低预警期刊68种。

实验结果表明，除中科院期刊预警名单外，在其余1 700本期刊中仍有140本期刊可能需要预警。对评测出的三类期刊的存疑论文数、存疑规模、期刊存疑半衰期等指标取均值分析高、中、低三类预警期刊各自特点。

高预警等级期刊突出特点是存疑论文数、存疑规模数总量极高，更新速度一般。高预警等级期刊存在的问题十分严重，存疑论文数均值179，存疑规模均值456，其存疑论文数与存疑规模为中预警等级期刊的5倍以上，是低预警期刊的10—20倍。但对于高预警等级期刊而言，其更新速度一般，半衰期为4年，即每四年存疑论文更新一半，是高、中、低三类预警期刊中更新较慢的。中预警等级期刊特点是存疑论文数、存疑规模总量较高、更新速度稍快，存疑论文数均值24.7，存疑规模均值60.32。其存疑论文数与存疑规模为低预警等级期刊的近三倍，半衰期为3.49年，更新速度比高预警等级期刊稍快。低预警等级期刊特点是存疑论文数、存疑规模一般，更新速度极快，存疑论文数均值为9.94，存疑规模均值为26.46。从出现的存疑论文数目来看，其表现一般，但期刊存疑半衰期2.5年，每两年半存疑论文更新一半，更新速度非常高。未预警的期刊基本只有个别论文在个别年份遭到了质疑，且质疑程度较低，或者之前偶有存疑论文但近几年已无存疑论文，属于偶发情况，故经评测对这类期刊未进行预警。

表2 预警期刊及等级

中科院2021年12月31日发布了新版《国际期刊预警名单》，其中包括35本预警期刊。与2020年版相比，在生物和医学方面新增19本预警期刊。本文从Pubpeer平台获取得到的生物和医学方面相关的1790本期刊中，有10本在新增的期刊之中。本研究所构建的模型成功的预测出其中的4本期刊为预警期刊(Journal of Cellular and Molecular Medicine、Cancer Cell International、Journal of Cancer、Cancer Management and Research)，比率达到40%，该数据很好的验证了模型的有效性。同时也应意识到中科院发布的期刊预警面向的是在相关领域内已经存在较大问题的国际期刊，名单数量有限不能把全部有问题的期刊一一列出。2021版预警期刊名单所有领域共新增27本期刊，这显示并不是之前没有被预警的期刊就没有问题。中科院期刊预警期刊名单没有给出预警期刊的具体问题，而本研究所提出的期刊预警模型和指标正是对于期刊预警工作的有益补充。从上述预警期刊分析结果可以看出，本研究所预测得出的预警的期刊在存疑论文数、存疑规模和更新速度等指标方面均有一定的累积结果，通过列出更多的预警期刊，并展示期刊的具体问题，也给了更多存在问题的期刊自查机会以及调整方向。存在问题的期刊如不及时进行自查和调整继续放任，那么将存在很大可能出现在未来持续更新的中科院的预警期刊列表当中，对期刊发展造成更坏的影响。

3.2 预警期刊所属出版商分析

依据本研究所预测的预警期刊列表统计发现，拥有五本以上期刊出现在预警列表中的出版商有5个，ELSEVIER有16本期刊被预警，WILEY有9本期刊被预警，SPRINGER有8本期刊被预警，BMC有6本期刊被预警，MDPI有6本期刊被预警。依据本研究的在Pubpeer平台中的1790种期刊五大出版商旗下期刊数量情况，可得预警期刊比率ELSEVIER 为10.8%， WILEY为8.9%，SPRINGER为10.2%，BMC为9.8%，MDPI为25%。

从绝对数量上看，大型出版商ELSEVIER、WILEY、SPRINGER有多本期刊被预警，位列前三甲。虽然从相对比例看，有问题的期刊和总量相比比率并不惊人，但这也说明并非大型出版商出版的期刊就没有问题。大型出版商体系庞大、市场占有率高、期刊众多，并且绝大多数期刊质量良好，很容易让读者产生信任感。所以大型出版商更有责任注意自身在办刊中存在的问题，重视那些虽然数量不多，但已经积弊较多的旗下期刊，以免出现千里之堤毁于蚁穴的局面。本研究可给出版商以参考，让其有途径了解其下属的哪些期刊存有一定学术风险，及时纠正调整。本研究是基于2020年版中科院预警期刊列表开展预测研究工作，而在2021年版的中科院预警的生物医学方面的期刊列表中ELSEVIER、WILEY、BMC和MDPI均有期刊在列，可见其旗下期刊管理的确存在问题，应及时进行纠正。

3.3 预警期刊与影响因子

在以往期刊评价方式中，影响因子是衡量期刊水平及好坏的重要维度。分析预警期刊在传统评价方式中的影响因子分布，结果如图5所示。三本高预警等级期刊Scientific Reports、PLoS ONE和Journal of Intelligent & Fuzzy Systems、在2020年的影响因子分别为4.38、3.24和1.851(Journal of Intelligent & Fuzzy Systems因其自身问题已被Clarivate剔除了影响因子)。其说明高预警等级期刊在传统评价方式中，其影响因子本身不高。而对于中预警等级及低预警等级期刊，其影响因子普遍较高。中预警等级期刊影响因子主要分布在3.0-7.0之间，在5.0-6.0之间最为集中。低预警等级期刊影响因子同样主要分布在3.0-7.0之间。

图5 预警期刊影响因子

中预警等级中超过六成期刊影响因子大于5.0，低预警等级期刊中超半数期刊影响因子大于5.0，甚至还有多本影响因子极高的期刊被预警，如ANGEWANDTE CHEMIE-INTERNATIONAL EDITION 预警等级为中，2020年影响因子15.336；JOURNAL OF EXPERIMENTAL & CLINICAL CANCER RESEARCH预警等级为中，2020年影响因子11.161；Cell Death & Disease预警等级中，2020年影响因子8.469；EbioMedicine预警等级为中，2020年影响因子8.143；AGING CELL预警等级为低，2020年影响因子9.304；CIRCULATION RESEARCH预警等级为低，2020年影响因子17.367。这说明并非影响因子高的期刊就没有问题或者无需预警，也表明期刊传统评价方式并不能完全反映出期刊质量问题。传统评价中的影响因子只是衡量期刊的一个各方面，不能因高影响因子而忽视办刊中存在的问题与风险。

4 思考与讨论

近年来期刊乱象频发，少数期刊无视其对于学术生态的重要影响，偏离期刊作为学术交流、发布科研成果这一媒介的初衷，转向追求利润，审稿流于形式，自身管理不到位，最终导致期刊刊载论文水平有所下降，严重影响学术环境。对期刊缺乏有效监管以及预警的长期缺失是此现象产生的主要原因之一。由于刊前评审流程较为封闭，很难引入广泛的监督机制，所以基于刊后论文水平研究的期刊评价方法无疑是一种更为能够吸引广泛关注进而提高期刊水平的方式。

对存疑论文所在国家进行分析，依次为中国(3499篇)、美国(896篇)、法国(322篇)、印度(317篇)、英国(268篇)、德国(199篇)、日本(174篇)、加拿大(156篇)、奥地利(140篇)、韩国(132篇)。中国最高、美国次之，且前两名与其它国家的存疑论文数不在一个数量级。所以这两个国家的学者更应注重学术论文质量问题，加强研究成果的自检工作。同时应以存疑论文为基础研究期刊预警列表，科学引导学者发文及开展相关领域研究工作。

以往的期刊评价方式注重期刊的正面影响，而对于期刊的负面评价关注较少。本研究的学术期刊预警则以期刊的负面评价信息为主，通过出版后同行评议论坛PubPeer获取期刊上刊载的论文遭到质疑相关信息,从不同维度构建指标,在此基础上经数据标注与模型训练，使用训练好的模型对期刊进行评测，综合各维度表现从而得到期刊的风险状况。模型经训练后准确度较高，说明采用的数据标注以及前期构建的指标均较为合理。

传统评价评价方式中，影响因子对期刊的重要性不言而喻，其从正向角度刻画期刊水平，影响因子可作为衡量期刊的一个方面，但如果只用影响因子，则有失偏颇。中、低等级预警期刊的影响因子普遍较高，这说明并非高影响因子期刊就没有问题，或者说无需预警。学术预警是在目前破五唯环境下对于学术评价体系的重要补充。本文所提出的智能期刊预警模型及据此得出的预警期刊列表将在多方面作为重要参考，首先将对这些期刊做出提醒，发出预警信号。依托于不断更新的PubPeer数据源，智能预警模型能够持续服务于期刊预警任务，使期刊能够及时的注意办刊中的问题，提高办刊质量。其次，使科研机构和科研人员关注这些预警期刊，在投稿时谨慎参考。

中科院期刊预警工作给本研究带来了很大启示，预警的目的不在惩处，而重在警示效果，净化学术环境，给予期刊机会以及具体方向进行工作改进。本文旨在为更多的学术期刊提供自查机会进而优化管理工作，所以预警工作给出了的更多的预警期刊，同时给出较详尽的预警指标，服务于预警或非预警期刊针对性的自查工作。本研究为未来的期刊预警工作提供了一定的研究基础，也是智能化期刊预警的一次有效尝试。

在后续研究中，依托PubPeer数据源，在提升预警模型效果同时，也会着重于期刊相关数据的有益补充，本文研究因 PubPeer网站未展示相关论文所获基金资助情况，将在后续研究中获取新的数据源，以便研究被质疑论文与所获基金的关系，探究其内在联系。同时在指标方面，本研究将继续深入发掘细粒度指标从文本分析等角度开展研究工作，以提供给期刊更为详尽的信息。