学术论文多维度异常检测框架。
不是简单给出「有问题/没问题」的二值判断，而是用贝叶斯证据网络对每条证据建模，输出带不确定性的后验造假概率。
┌────────────────────────────┐
│ 超级耿同学 v1.0 │
└──────────┬─────────────────┘
│
┌────────────────┴─────────────────┐
│ │
理工科引擎 文科引擎
┌──────────────┐ ┌──────────────┐
│ Benford 联合 │ │ HMM 文本溯源 │
│ 扩展 GRIM │ │ 因果图校验 │
│ p-curve │ │ 论证结构分析 │
│ PRNU 指纹 │ │ 引用一致性 │
│ Copy-Move │ │ AI 生成检测 │
└──────┬───────┘ └──────┬───────┘
└──────────────┬───────────────┘
│
┌─────────▼─────────┐
│ 证据链合成引擎 │
│ Bayes Net │
│ Shapley 贡献度 │
└─────────┬─────────┘
│
┌─────────▼─────────┐
│ 后验造假概率 │
│ + 95% HDI │
│ + Bayes Factor │
└───────────────────┘
git clone https://github.com/eluckydog/super-geng-fraud-detector.git
cd super-geng-fraud-detector
pip install -r requirements.txt可选增强（贝叶斯 MCMC）：
pip install numpyro jax# 自动分类论文类型并检测
python scripts/super_geng.py detect paper.pdf --auto
# 指定模式
python scripts/super_geng.py detect paper.pdf --mode stem
python scripts/super_geng.py detect paper.pdf --mode humanities
# 独立模块
python scripts/super_geng.py stats data.csv # 数值法医
python scripts/super_geng.py image figure.png # 图像法医
python scripts/super_geng.py image a.png --compare b.png # 两图 PRNU 比对
python scripts/super_geng.py text paper.txt # 文本法医| 维度 | 检测目标 | 核心方法 |
|---|---|---|
| 数据分布 | Benford 偏离 | 全位 KS + Anderson-Darling 联合检验 |
| 粒度冲突 | mean±SD 与 n 不兼容 | 扩展 GRIM + MCMC 后验预测 |
| SD 共谋 | 多组 SD 完全相同 | 分层贝叶斯方差模型 |
| 选择性报告 | p-hacking | p-curve 右偏 + Fisher 合并 |
| 列差值恒定 | 数据人为平移 | 贝叶斯变点检测 |
| 图像复用 | 同图不同实验 | PRNU 传感器指纹 + ORB 特征匹配 |
| 图像拼接 | 多源合成 | 噪声方差一致性 + JPEG 双重压缩 |
| 维度 | 检测目标 | 核心方法 |
|---|---|---|
| 风格突变 | 多人拼凑 / 润色痕迹 | HMM 状态推断 + 滑动窗口特征 |
| 因果谬误 | 方法论不支持结论 | DAG 构建 + d-separation + 后门准则 |
| 引用虚设 | 参考文献不支撑观点 | 引用密度异常 + 过度肯定检测 |
| 论证空转 | 循环论证 | 主张-证据覆盖率 + 模糊概念检测 |
| AI 生成 | LLM 代写 | TTR + 句长 CV + Burstiness |
各维度输出通过贝叶斯网络聚合，而非简单相加：
- 各证据 → log LR：在条件独立假设下求和
- 后验造假概率：P(fraud | evidence)，默认先验 5%
- Bayes Factor：BF₁₀ > 10 为强证据，> 100 为极强证据
- Shapley 值：量化每条证据对最终结论的边际贡献
- 蒙特卡洛 HDI：95% 最高密度区间，表达不确定性
输出示例（已撤稿论文 PLOS ONE e0313446 实测）：
后验造假概率：86.8% [95% HDI: 71.2% ~ 94.1%]
Bayes Factor：125.3（极强证据）
关键证据：
- 跨图数据复制（Fig1E vs Fig5，18/18 组逐字节相同）
- 写作风格突变（HMM 状态数 4，异常转移概率 0.73）
scripts/
├── super_geng.py # CLI 主入口
├── stats_forensics.py # 数值法医（Benford / GRIM / p-curve / 末位）
├── bayesian_checks.py # 贝叶斯检验（MCMC / 后验预测 / BF）
├── image_forensics.py # 图像法医（PRNU / 噪声 / JPEG / Copy-Move）
├── text_forensics.py # 文本法医（HMM / AI 检测 / 风格分析）
├── causal_inference.py # 因果推断（DAG / d-separation / 后门准则）
└── evidence_engine.py # 证据合成（Bayes Net / BMA / Shapley）
| 原则 | 说明 |
|---|---|
| LLM 负责推理 | 论文分类、数据提取、上下文综合 |
| 工具负责计算 | 像素比对、MCMC 采样、统计检验、DAG 分析 |
| 贝叶斯统一证据 | 输出带不确定性的后验概率，不做二值断言 |
| 可复现 | 固定随机种子，输出原始中间结果 |
- PRNU 检测需要高分辨率未压缩原图（JPEG 压缩会削弱传感器指纹信号）
- 贝叶斯模型对先验分布敏感（默认造假率 5%，可按领域调整）
- HMM 文本检测需要 ≥ 2000 字
- PDF 扫描件需先 OCR 为可提取文本
- 本工具输出统计证据，不构成学术不端的最终认定——最终判断需由专业机构做出
test_cases/pone_0313446/ 包含一份已撤稿 PLOS ONE 论文的完整检测记录：
- 论文 PDF + 补充数据（Excel）
- 跨图数据复制检测结果（Fig1E/Fig5、Fig2B/Fig6 逐字节相同）
- 后验造假概率 86.8%，BF = 125
运行：
cd test_cases/pone_0313446
python run_detection.py本项目受到 wooly99/geng-academic-fraud-detector 的启发。
但在实现路径上，我们基于对 OpenClaw Skill 工作机制的重新理解，完全重写了所有检测模块：
- wooly99 的原版以 prompt 模板为核心，依赖 LLM 的语义理解完成检测；
- 本项目的定位是专业用于初步检查论文的工具——每个检测维度均有对应的计算模块（NumPyro MCMC、HMM、Benford 联合检验、PRNU 传感器指纹等），LLM 仅负责推理调度与证据综合。
各模块均为从零实现，不依赖任何现有模板：
stats_forensics.py：Benford 全位联合检验（KS + AD），优于单一 Benford 检验bayesian_checks.py：NumPyro MCMC 驱动的分层贝叶斯 SD 一致性模型text_forensics.py：HMM 滑动窗口风格状态推断，支持中英文evidence_engine.py：贝叶斯网络 + Shapley 值证据合成
这不是一个「调用 LLM 打假」的项目，而是一个用计算工具代替人眼做初步筛查的框架。
MIT License