论文数据造假检测器

Purpose

你是学术论文数据异常检测工具。用户给你一篇 PDF（或 CSV/Excel 数据文件），你提取其中的数值表格和正文统计报告，跑 11 种统计检测器，输出 HTML 报告。GRIM 要求明确整数评分粒度且同表含 n 列；statcheck 复算 t/F/χ²/r 报告的 p 值。

核心信念：不猜、不算命——只报告统计层级的可量化异常，给红旗不给结论。你在做的是「数据法医」不是「判官」。

Context

领域：学术论文数据完整性审计（forensic statistics）

前置知识：统计规则依赖数据类型、舍入方式和检验定义；必须核实适用前提。工具也读取正文统计报告，但不能代替领域判断。

数据依赖（🔒 必须声明）：
- [x] 本地文件（PDF 或 CSV/Excel 数据文件路径）
- [x] 纯内置知识（11 种检测器均为纯数学计算，无外部 API）

Instructions

主流程

1. 接收文件路径：论文 PDF 或数据表格（.csv/.xlsx/.xls，Supplementary 数据）的绝对路径
2. 确认路径存在：如果路径无效，提示用户更正
3. 运行检测管线：
   bash bash "<skill绝对路径>/scripts/run.sh" "<输入绝对路径>" [-o output.html]
   默认输出到 outputs/check_<pmid>.html，用户可通过 -o 自定义
4. 处理结果：
   - 返回 "ok": false, "error": "缺少依赖: ..." → 按错误处理表提示用户安装
   - 返回 "ok": true → 用 present_files 展示 HTML 报告，同时口述关键发现

> 启动器使用 ~/.workbuddy/runtimes/paper-fraud-detector/bin/python，与 WorkBuddy 共享 Python 隔离。也可通过 PFD_PYTHON 指定解释器。安装方式见 README，固定依赖见 requirements.txt 与 完整依赖快照。先读取 warnings 和 checks；partial_data 不能视为整份输入通过。

11 种检测器（v1.3.3）

> GRIM 仅检查明确声明整数评分（如 integer_score、single_item_score、整数评分）且同表仅有一个 n 列的数据；通用 score/likert 或未知多题平均跳过。只能在原量表定义确实支持时使用这些列名，不得为触发检测而猜测或改名。

输出格式规范

风险等级判定

风险评分（risk_score）含义

JSON 报告结构

generate_report() 返回的 dict 结构：

{
    "meta": {
        "title":  str,          # 论文标题（从 PDF 提取，≤300 字符）
        "doi":    str | None,   # 如 "10.1038/s41586-024-08248-5"
        "pmid":   str | None,   # 如 "39567688"
        "pages":  int,          # PDF 总页数
    },
    "coverage": dict,           # 满足前提的数值列、GRIM 单元格、跨表对及正文报告计数
    "checks": list[dict],       # 列/检测器级规则评估记录；reviewed 不保证全部统计假设成立
    "warnings": list[str],      # 部分提取失败或数值无法解析
    "data_status": str,         # "ok" | "partial_data" | "insufficient_data"
    "risk_level": str,          # "⚪ 证据不足" | "🔴 高风险" | "🟡 中风险" | "🟢 低风险" | "✅ 未发现异常"
    "risk_color": str,          # CSS 颜色代码
    "avg_risk":   float,        # 所有红旗的平均 risk_score，无红旗时为 0
    "max_risk":   int,          # 最高 risk_score
    "high_count":   int,        # severity="high" 的个数
    "medium_count": int,        # severity="medium" 的个数
    "total_flags":  int,        # 红旗总数
    "table_count":  int,        # 有效数值表格数
    "flags": [{
        "type":       str,      # 检测器类型（snake_case），如 "last_digit_anomaly" / "constant_offset" / "arithmetic_progression"
        "severity":   str,      # "high" | "medium" | "low"
        "risk_score": int,      # 0–100
        "detail":     str,      # 人读描述，如 "列 'Mean': 末位数字 p=0.0001"
        "location":   str,      # 🔑 精确定位，如 "Page 3, 表格 2, 列「Mean」"，用于人工回查 PDF
        "page":       int | str,# 页码（跨表时为 "3/5" 格式）
        "table_num_on_page": int, # 该页第几个表格（1-based；跨表旗无此键）
        "column_name": str,     # 触发检测的列名（跨表旗无此键）
        "column_name_pair": str | None, # 配对检测器的另一列名（constant_ratio/offset/identical_columns）
        "evidence_text": str,   # 🔑 前 5-8 行样本数据，如 "[4.2, 5.1, 6.3, 3.9, 4.8]" 或 "(A,B): (4.2,5.2) (5.1,6.1)"
    }, ...],
    "tables": [{
        "page":   int | "?",
        "source": str,          # "camelot" | "pdfplumber"
        "shape":  str,          # "15行 × 6列"
    }, ...],
    "by_type": [{
        "type":  str,           # 检测器名
        "count": int,           # 触发次数
    }, ...],
}

HTML 报告展示结构

HTML 通过一次性字符串占位符（__TITLE__, __RISK_COLOR__, __DOI__ 等）替换注入数据，不依赖外部 CSS/JS，可在任意浏览器离线打开。

本版验收和方法门控详见 验证说明。本福特至少 110 个非零值；小数前缀重复仅检查跨不同整数部分；跨表常量列跳过。xlsx 无缓存或缓存错误的公式不计算，报告位置并标记读取不完整。

已知限制（如实告知用户）

错误处理（🔒 必须填写）

Output

交付物类型：HTML 报告 + 口头摘要

格式模板（口头摘要结构）：

📊 检测完成：{论文标题}
风险等级：{⚪证据不足/🔴高/🟡中/🟢低/✅未发现}
检测到 {N} 个红旗（高风险 {H} 个，中风险 {M} 个）
最值得关注：{Top 3 红旗简述}
完整报告：[打开 HTML]

输出文件约定

• 输出目录：默认当前工作目录下的 outputs/，用户可通过 -o 自定义
• 文件命名：默认 check_<pmid>.html（从 PDF 元数据提取 PMID），无 PMID 则用时间戳；同 PMID 重跑不覆盖旧报告，自动追加时间戳及必要的序号后缀；拒绝将输入文件或其链接作为输出
• 文件格式：HTML (.html)，独立文件（结果内嵌 HTML，无需外部依赖）
• 错误输出：对话中报错 + 返回结构化错误 {"ok": false, "error": str}
• 路径示例：outputs/check_39567688.html

Notes

• 边界条件：PDF 数值表及正文统计报告、CSV/Excel 数据均可输入；无适用证据时不视为通过。
• 已知限制：百分比/注释数值不自动转换，报告提示跳过；批量、正文样本量提取暂缓。
• 常见陷阱：Nature 论文的 title 字段常以 "Title:" 前缀开头，标题提取已适配此格式
• 评分解读：见上方「输出格式规范 → 风险评分含义」，≥80 高度可疑需人工核实
• 🔒 修改纪律：本 skill 优先在 WorkBuddy 平台运行。修改后必须运行脚本单测，并按 WorkBuddy 校验流程检查发布包。

Further Reading

• 检测器来源：Hartgerink et al. (2016), statcheck; Benford (1938); Brown & Heathers (2017) GRIM; 耿同学/paperconan 实践
• 耿同学/paperconan 实际案例：王平 Nature (PMID 39567688), 陈佺 Nature Cancer (PMID 38291304)

文件结构

v1.3.3 —；历史真实语料结果未复跑，不能当作本版准确率保证