前两年，我曾投过一篇论文，被审稿人以各种理由要求反复修改，前前后后折腾了将近半年。就在那段煎熬的时间里，同一本期刊却发出了一篇后来因"数据存疑"遭到撤稿的文章。

那一刻的心情，相信不少研究者都懂：我的论文因为一个图注格式没有完全符合要求，被来回打磨了无数遍；而一篇数据本身就有问题的稿子，却堂而皇之地通过了评审，公开发表。

这不是偶然，也不是哪个审稿人失职。这是同行评审这套系统，在结构层面就存在的问题。

审稿人"能看到"的，远比你想象的少

同行评审的底层逻辑，是找几位领域内的专家，让他们判断一篇论文是否值得发表。听起来合理，实际上，审稿人能审查的内容有着天然的边界。

他们能看到的： 你提交的论文文本、图表、你自己描述的方法与结论。

他们看不到的： 你的原始数据文件、实验记录、分析脚本，以及你在这篇论文背后做过的所有没写进来的失败实验。

换句话说，同行评审本质上是一种基于"信任"的审查，而非基于"核查"的审查。审稿人只能评估你给他们看的那部分，而不是你实际做了什么。

在这个前提之下，数据造假的门槛，其实并不像外界想象的那么高。

为什么造假越来越难被发现？

有几个结构性因素，让这个问题变得越来越复杂：

研究越来越专

当代学术分工已经细到令人咋舌。一篇论文的方法论，有时候全球能真正读懂的人屈指可数，而这几个人未必都愿意花时间去做严格的审查，甚至可能与作者出自同一个学术圈子，彼此之间存在说不清道不明的利益关联。

发表压力越来越大，审稿动力越来越弱

期刊需要稿件，但审稿是无偿的义务劳动。在这种结构性激励缺失的情况下，很少有审稿人愿意把大量精力花在"找漏洞"上。只要一篇论文大体逻辑说得通，结论不太离谱，往往就能顺利过关。

数据造假越来越"精巧"

真正危险的造假，早已不是简单的凭空捏造数据。更常见的是对真实数据的选择性展示：只报告统计显著的结果，将不利数据悄悄搁置，再借助一些统计技巧让 p 值恰好卡在 0.05 以下。这种操作，即便是专业人士，如果不能直接对照原始数据，几乎不可能在审稿阶段发现。

那真正揭露问题的，是什么？

根据学术界长期以来的记录，绝大多数学术不端案例并不是在同行评审阶段被抓住的，而是通过以下几条路径曝光的：

• 重复实验失败：其他研究者无法复现论文中的结果，选择公开撰文指出问题；
• 图像异常被发现：有读者发现同一张图出现在不同论文，或图像存在明显修改痕迹；
• 内部知情人举报：前实验室成员、合作者，甚至是被导师施压的学生，选择公开揭发；
• 自动化工具扫描：图像识别软件对海量已发表论文进行批量检测，自动标记可疑图像。

专门追踪学术撤稿事件的网站 Retraction Watch（retractionwatch.com）多年来记录了数以万计的撤稿案例。其数据库（retractiondatabase.org）显示，截至 2024 年初，全球记录在案的撤稿论文已超过 5 万篇，且这一数字还在持续增长。

现实就是：同行评审是第一道防线，但这道防线极为薄弱。真正拦截问题的，往往发生在论文发表之后，甚至是数年之后。

制度的裂缝，个人如何应对？

同行评审的系统性缺陷，靠个人力量无法根治，但作为一名研究者，有些具体的事情是可以做的：

① 预注册（Pre-registration）

在实验正式开始之前，将你的研究假设、设计思路和分析方法提前公开备案，防止日后"事后解读"数据，也让自己的研究过程拥有可溯源的透明记录。

② 开放数据（Open Data）

将原始数据和分析脚本公开，允许任何人验证你的结论。这不只是一种姿态，更是对自己工作可信度的最有力背书。

③ 关注撤稿动态

将 Retraction Watch 纳入日常阅读清单。了解那些被撤稿的案例，不只是为了看"出事了"，更是为了培养一种对数据异常的识别直觉。

④ 认真对待自己的审稿责任

当你自己坐上审稿人的位置时，多问一句：这个结果，我能不能用现有条件粗略验证一下？哪怕只是做一个数量级的估算，也比单纯依赖作者的声明要踏实得多。

系统的改变需要时间，但每一个坚守标准的研究者，都在用自己的方式修补这道防线。

发表很难，但一旦造假被揭穿，代价往往是整个职业生涯。这笔账，并不难算清楚。

📌 资源推荐：如果你目前正处于选刊投稿阶段，不妨多关注一些与自己研究方向契合的期刊动态，结合导师建议做好投稿规划——选对平台，往往比埋头赶稿更重要。如您需要相关的帮助欢迎联系我们。