大模型如何识别论文中的选择性报告

大模型如何识别论文中的选择性报告

论文里的选择性报告不一定留下明显删改痕迹。研究者可能在摘要只写显著结果，把无效结果留在附录；也可能更换主要终点，却不说明原因。大模型可对照预注册方案、伦理申请、会议摘要、论文正文和数据表，列出指标、样本数、时间点的变化，供编辑与研究者解释。

某临床试验最初计划观察一年，论文却只报告六个月里显著的指标。模型可以把注册表和论文时间点排在一页，标出未报告的随访；编辑再问作者发生了什么。可能是数据尚未成熟，也可能是结果不理想。关键在于解释应当有日期和记录支持，不能事后凭感觉补理由。

发现差异不等于认定造假。研究过程中可能有合理的方法调整，关键在于是否如实披露、何时作出、会不会影响结论。系统应让作者逐项填写解释，并链接到版本证据，而不是自动给一个“诚信分”。对未预注册的探索性研究，评价方式也要不同。

选择性报告也可能发生在图表层面：同一指标做了多个分析，只展示最有利的一种。机构可保存分析计划与脚本版本，模型提示哪些结果曾生成却未进论文。研究者仍可探索新模型，但要标注探索性分析，与预先设定的主要分析分开。负面结果有时比又一条显著发现更能阻止无效治疗浪费。

研究者可在论文附一张“从计划到结果”的对照表：哪些终点维持原样，哪些改了，改动发生在看数据之前还是之后。模型帮助从旧文档提取差异，作者核实并解释。读者不必猜测那些未出现的结果去了哪里。若某些分析因样本不足无法完成，也写明，而不是悄悄让它们从故事中消失。

论文里若只剩支持假设的终点，同行很难评价整体证据。把计划与结果的差异摆出来，让读者自己判断，比强行维持完美故事更可信。

期刊可优先检查临床和公共政策等后果较大的研究，同时保护原始数据中的个人信息。编辑需要读完整体设计，不能因为模型标出很多差异就省略专业审查。机构也应奖励公开负面结果，减少研究者只报告“好看数据”的压力。

核查过程应允许作者回应并修正，避免把每一次计划变动都视作可疑。科学研究并非按计划机械前进，诚信在于走偏时留下路标。

读者能够看到研究改变过什么，才有条件判断最终结论站得多稳。

科学从来允许改变问题，不能允许悄悄改写历史。模型最有用的角色，是把被遗忘的早期计划找回来，促使作者说明为什么走了另一条路。