资料名称: 600 份已发表论文数据集的复制粘贴错误核查清单,整理自 Markus Englund 2026-03-05 发表的 Scientific datasets are riddled with copy-paste errors,把三则案例与总体统计拆成重复行、列取值分布、末位数字、序列规律四类自查项
帖内资料: 三则案例的原始文件名与错位数(Cell 2016 小鼠运动功能表、PLOS Genetics 2022 酶活表、Nature Communications 2017 克隆鱼体长表),600 份检出 18 例、15 例已上 PubPeer、1 例已撤稿的口径,约 3% 检出比例与 Dryad 剩余约 24000 份的推算,四类核查项的触发条件与复核动作,以及 pandas 片段
时间覆盖: 原文发布日期 2026-03-05,文末注明 2026-03-08、2026-03-23、2026-04-11 三次追加更新;三则案例所涉论文分别发表于 2016、2022、2017 年;本机读取日期 2026-10-28
口径: 案例中的重复条数、占样本百分比、行数与单元格位置均引自原文叙述,未对原始 Excel 重新核算;「近重复」指取值相差一到两位且末位数字相同的成对单元格;四类核查项是把原文判断依据整理成的可执行步骤,检出异常只代表值得人工复核,不代表一定出错
许可与引用: 原文页面未公布转载许可,本贴只整理其中已公开的案例名称、文件名与数字,不复制原文图片、不转载原文段落;三份 Dryad 数据集页面标注 Creative Commons Zero v1.0 Universal(CC0-1.0);检测工具仓库 README 自述 source-available、not open-source,用到其代码请按仓库内 LICENSE 处理
适用任务: 收到他人的 Excel 或 CSV 之后先做一轮重复值体检,自己合并两个表之后检查是否错位,复现或审阅别人论文前先定位可疑区块
获取条件: 原文、三份数据集页面与三个 PubPeer 讨论页均为公开页面,无需注册;检测工具仓库公开可读
600 份里查出 18 例,其中 1 篇已经撤稿
Markus Englund 在 2026 年 3 月 5 日贴出第一批结果:他和志愿者把 Dryad 上 600 篇已发表论文随附的 Excel 文件挨个过了一遍,发现 18 例严重到值得提出质疑,15 例已经发到 PubPeer,还有 1 例涉及的论文已经撤稿,折算下来大约 3%。
他另外补了两点:真实比例肯定高于 3%,因为程序只能认出「把一段数据原样或近似原样搬到别处」这一种错法;Dryad 上还有约 24000 份带 Excel 的数据集没看完,若 3% 的比例站得住,还能再挖出约 700 例。
这些数字的用处不在评判别人,而在说明这类错误能安静地躺很多年:第一个案例的数据公开挂在 Dryad 上超过 8 年,论文被引 3000 多次。
案例一:整段数值搬到另一组小鼠身上
Cell 2016 那篇帕金森论文的 Dryad 数据包里有个 MouseTreatmentMotorFunction.xlsx,对应正文图 4 的
B、C、D。表按小鼠分组:SPF 带正常菌群长大,ExGF 先清空菌群再重新定植,GF 和 Abx 分别是无菌处理和抗生素处理。
问题出在两处:「Adhesive removal times」这一列里有两组各 5 个连续相同的数字,同时出现在 SPF 组和 ExGF 组;「Pole-descent time」里无菌野生型小鼠还有一段 3 个连续相同的数字。原文算过账:这些重复行占 SPF 样本的 50%、占 ExGF 样本的 42%。样本量本来就小,接近一半重复足以动摇结论。
对应的核查项最简单——不同个体的观测值本来就有起伏,忽然出现一长串一模一样的数字,就该停下来看源文件。
案例二:改了一两位,末位却留在原处
PLOS Genetics 2022 那篇研究钠钾泵毒素抗性的论文,数据在 NKA_Enzyme_Assays_Raw_Data.xlsx 的「IC50」工作表,比较鸵鸟、沙鸡和一种叫 Xenodon 的蛇。表里标了两类:黄色是精确重复,鸵鸟和沙鸡的数值被整段搬到蛇那一组;橙色是「近重复」,动了一两位数字,却总以同一个数字收尾——第 39 行的 0.538,到第 71 行变成 0.518。
八组非重复对里有六组是这样。
第一作者承认这大概率是复制粘贴错误,解释是同一块板读过不止一次。原文的疑问在于:多次读数应当让不少数值轻微跳动,而不是大部分纹丝不动、只有 8 个跳得很大,且偏偏末位不变。这里还留下一条有用的背景:实验用的 BioRad Model 680 分辨率 0.001 OD,重复性在 0.000—2.000 OD 区间为 1.0% 或 0.005 OD,在 2.000—3.000 OD 区间为 1.5%。
后来作者重做了剔除重复数据的分析,认为结论反而更稳。
案例三:排序之后才现形的整列错位
Nature Communications 2017 克隆鱼个性研究的数据名为 Bierbach et al clonal molly behav development_data for deposit.xlsx,2018 年提交,SL 列是每尾鱼的体长(毫米)。表面看编号 5、8、10 三条鱼的体长序列完全相同;真正的问题藏在排序里——按 SL 排一遍会发现,每个唯一取值正好出现 4 次,而每尾鱼恰好观察 4 次。
这说明体长其实只量了一次,本该在同一尾鱼的 4 行里重复,却在合并时被摊给了 4 尾不同的鱼。第一作者承认了错误,说原因是体长和行为存在两个文件里,合并时 ID 对不齐,整列位移。修正后重算,体长每增加 1 毫米,全程游动距离减少 0.8 厘米,效应约为观察次数效应的三分之一。
四类核查项,拿到表按顺序走一遍
| 核查项 | 看什么 | 什么情况要停下来 |
| 重复行与连续重复 | 整行是否相同;同一列相邻 N 行是否取值一致 | 不同个体或组别出现一长串相同数字,长度在 3 以上 |
| 列取值分布 | 每个取值出现几次 | 出现次数恰好等于每组的重复观测数 |
| 末位数字 | 小数最后一位的分布 | 成对数值差一到两位,末位却总是同一个;末位明显偏向某个数字 |
| 序列规律 | 排序后有无周期、等差 | 不该倒退的量大幅倒退,例如体长几天内缩短 10% 以上 |
第一项很多人已经在做,容易被漏掉的是列取值分布和末位数字:前者靠「出现次数恰好等于重复观测数」这个巧合才看得出来,后者得把末位单独拆出来数一遍。
pandas 自查脚本的思路
片段只是思路,读文件那一层(sheet 名、表头在第几行、有没有合并单元格)还得按你的表调。
跑出来别急着下结论,四项都只是「值得看一眼」的信号:实验里确实会出现相同读数,仪器也可能给出偏斜的末位分布。真正能定性的是回到原始记录,或者让对方拿出仪器输出的那一版。
这几处原始文件都不大,自己按清单走一遍大概十几分钟。下面把数据集地址、讨论页、检测工具仓库与引用提醒一并列出。
────────────────
回复本帖即可查看以下内容
下面是帖子的相关资料的获取以及相关的内容说明,内容包含:三则案例在 Dryad 上的数据集原页与具体文件名(帕金森小鼠运动功能表、毒素抗性酶活 IC50 表、克隆鱼体长表的 DOI 级地址),三个 PubPeer 公开讨论页,三篇论文的出处页,copy-paste-detective 检测工具仓库及其命令与策略名,Markus Englund 2026-03-05 原文与项目说明页,以及逐条引用提醒