突发！BMJ拒稿NHANES等公共数据库论文

一则最新BMJ消息，拒稿公共数据库https://www.2374.top/content/391/bmj.r2170。

全文如下：

两家大型学术出版社已开始自动拒绝大多数使用公共卫生数据集提交的论文，此举引发了关于如何打击“论文工厂”的争论——这些工厂很可能在使用人工智能大量生成研究成果然后出售之前发表这些成果。 PLOS 和 Frontiers 上月均宣布，任何使用特定公共数据集的稿件在审查后将被直接拒稿，此前的一项调查显示，已有数百篇报道虚假发现的相似论文发表在主要期刊上。

任何提交到 PLOS 和 Frontiers 开放获取期刊、使用诸如由美国疾病控制与预防中心（CDC）运行的全国健康与营养检查调查（NHANES）等数据集的稿件，如果未包含对其研究进行额外验证的研究，将被拒稿。 PLOS 告诉期刊《Science》，此类论文的拒稿率已从 40% 上升到 94%，而 Frontiers 表示自 5 月以来已有超过 5000 篇使用开放数据集的投稿被拒，几乎全部依赖 NHANES 数据。该要求是在萨塞克斯大学统计学家 Matt Spick 及其同事展示了秘密机构利用 AI 在庞大的公共数据集中搜索任何单一因素相关性、撰写论文、发表论文，然后向寻求提高知名度或信誉的研究人员出售共同作者身份后提出的。此类论文未考虑混杂因素或采取常见的统计防护措施，导致大量薄弱研究泛滥，常常宣称在特定人群中健康状况与可能原因之间存在牵强的联系。期刊出版商表示，他们被迫采取措施阻止被称为“论文工厂”的工业化生产论文的泛滥——这些论文可追溯到中国、乌克兰等国家——破坏科学研究。

一家大型乌克兰机构被发现大约制造了 1500 篇论文，而一家专注于在健康数据上使用生成式人工智能的中国公司每年产出在 5000 至 10000 篇之间。专家表示，尚无确凿证据表明人工智能被用于造假论文工厂所产出的论文的研究和撰写，但时间点、相似的写作风格、方法和结果强烈暗示了这一点。 尽管这些研究很少具有严谨性，但在一些国家，研究人员可能以发表数量而非质量来评价，有些论文甚至进入了被 PubMed 和 Web of Science 索引的期刊。“（出版商）已经任其完全失控了，”Spick 在接受《Science》采访时说。“现在他们不得不采取额外措施来恢复信誉。”

替代方案：其他期刊正在测试不同的方法，激发了关于业界应如何应对工业化规模、由人工智能生成的研究激增的辩论。 《全球健康杂志》（Journal of Global Health）现在要求对依赖开放数据的提案提交详细核对清单，要求研究者说明该主题的既有研究以及他们的工作如何为该领域带来新贡献。 《药物安全专家观点》（Expert Opinion on Drug Safety）不再发表基于美国食品药品监督管理局不良事件报告系统（FDA Adverse Event Reporting System, FAERS）的研究，除非经编辑邀请。 《Scientific Reports》正在培训其编辑识别“论文工厂”研究的典型迹象，希望他们能够手动将其筛除。尽管《Science》报道新政策已被广泛接受，但一些研究者担心这些政策可能会不成比例地影响资源更为有限、且更可能使用公共数据集的中低收入国家研究者。鉴于问题的规模，必须做出一些权衡，Spick 在接受《The BMJ》采访时表示。 Spick 及其同事的一项回顾发现，声称在 NHANES 数据中使用单一变量发现关联的论文有 341 篇，发表于 147 种期刊，包括《Scientific Reports》、《BMC Public Health》和《BMJ Open》等知名期刊。对使用主要国家健康数据库论文的 PubMed 检索显示，这类论文的数量近年来呈指数增长。

“开放科学本应使研究更民主化，尤其是对于那些来自例如全球南方、没有资金开展大规模数据密集型实验的研究者，”斯皮克说。“我认为这是一个值得追求的目标，但如果不道德的行为者利用开放科学，就会产生紧张关系。这是一个权衡：你希望尽可能多地向研究者开放访问权，同时又不允许系统被欺诈所稀释。”

下面谈谈我个人的理解，可能有谬误纯属我个人主观想法，仅供参考。

一、Nhanes 口碑

本质来说nhanes由于获得便捷，成本低廉，赶上新冠IF疯涨，水刊前几年泛滥。造福了一大批受益者。但是BMJ发现所谓的论文工厂（国内好几个公众号R包），没有好的因果推断，填空一样的泛滥关联，是被拉黑的症结所在。目前，plos系列拒稿率94%已经是事实。

我觉得首先论文工厂或者R包没有深入求正确统计过程和研究设计对应统计方法，加上作者依靠批量化工具批量造文，迟早出事。加上Nhanes本来就是横断面设计，存在诸多因果推断的劣根性，除了少见几篇全球大队列pooled 分析抱大腿导师发表，素人和散修还是比较难发高分的，不要被各种机构水文蒙蔽了双眼。最近10月8日，《Science》杂志刊发题为《Journals and publishers crack down on research using open health data sets》的报道指出，开放获取出版集团 PLOS与 Frontiers已开始集体拒收缺乏外部验证的公共健康数据库论文，BMJ在15号，呼应这个问题，足见2大顶刊都极其重视，未来即将净化nhanes学术论文。

二、FAERS、GBD 濒危

《Science》在8号指出，自2023年以来，一些期刊发现来自部分国家和地区的投稿中，NHANES、FAERS数据被大量用于生成“重复、低质、无验证”的文章，甚至成为部分论文代写机构的“快速发稿模板”。

FAERS发文分布有可以看出，十分局限。 

目前GBD的拒稿率来说，GBD2021被拉黑也不远了，尤其国内太多号在推广最后一波批量工具，这会导致新一轮的GBD拒稿潮来袭。其实官方已经意识到数据泛滥的问题，现在GBD2023都是锁紧了权限的，以后发高分文，都看通讯是不是自己人。GBD是朋友圈发高分最多的公开数据库，看发文范围lancet高分都有，GBD2023后审核会更加严谨。

三、AI工具反制与反反制

BMJ将利用 AI 工具，在庞大的公共数据集中搜索单因素相关性、撰写论文、发表论文时间点、相似的写作风格、方法和结果。这样可以发现潜在的论文工程，批量用AI造假、泛滥论文，这类文章很少具有严谨性，也没有提交checklist，可是说其实就是垃圾渣渣水文。 我一直比较推崇AI工具，公众号提供了许多工具，庄老师n8n、张老师py工具等等。但是用工具的前提，是你必须有基本科研素质。你需要建立在你认真后续修改文章、对统计怀有敬意，对科研设计深入思考来用AI工具辅助你，且不是直接取代你。这里，感兴趣可以翻一翻我介绍的工具，做到尊重自己，尊重审稿人。 我个人以为，尽管大家背负职称、绩效考核任务，但是文章不应该是彻底的工业垃圾，起码应该是有质量的工业产品。

四、公共数据库前景

我写过很多公共数据库介绍。目前来说，基于队列数据是永不过时的。队列是流行病、临床研究的基石，优秀的数据在不断的推陈出新，加上方法学的进展，可以真真实实造福人类医学。

大到ukbiobank、小到charls，加上多国队列，这些都是非常优秀的公共数据库。个人觉得，作为文章练手，以及冲击高分，还是可试一试的。 当然，最棒的还是你独有的全国大型队列，全国多中心RCT。

但是这些没有大腿，你很难走出第一步。如果没有大腿，只能踏踏实实自己建立、或者依据科室团队力量一起构建专病队列，前瞻性设计好未来的发文方向、指标细节。

五、发散思维

为什么只提乌克兰、中国造假工厂？

小结

“

别再瞎搞nhanes等拉黑的几个公共库了！ 多搞搞队列库，多踏实学点科研思维，学习可以看看公众号置顶推文。