放射肿瘤学开放获取期刊伪造文献候选数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.20356062

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 49.5 MB。

数据说明

2026年5月，Topaz及其同事在《柳叶刀》上发表了一项审计研究，记录了在2022年11月ChatGPT公开发布之后，250万篇生物医学论文中可能伪造的参考文献增加了12倍。这一发现意味着大型语言模型为生物医学出版带来了引用完整性的系统性危机。本项目——由Robert C. Miller（医学博士、工商管理硕士、FRSA，Mayo Clinic荣休/Indiana University School of Medicine）和Tessa Wrightson（骨科医学博士，Marian University College of Osteopathic Medicine）领导——旨在探究这一群体层面的效应是否均匀地传导至某一个界定明确的亚专科。放射肿瘤学是一个有用的测试案例：该领域方法学参与度高，具有严格的技术性引用规范，且其七种期刊均为完全开放获取，全文JATS XML存缴于PubMed Central，使得大规模自动化审计成为可能。

我们在七种一级开放获取期刊上复现了Topaz分析设计：Advances in Radiation Oncology、Clinical and Translational Radiation Oncology、Radiation Oncology、Physics and Imaging in Radiation Oncology、Technical Innovations and Patient Support in Radiation Oncology、Journal of Radiation Research以及Reports of Practical Oncology and Radiotherapy。审计语料库包含2005年至2026年间发表的10,200篇文章和303,938条期刊类参考文献。一个Python流水线通过三步级联执行自动化参考文献验证：在Crossref进行DOI查找、在PubMed进行PMID查找，以及通过标题和作者在Crossref进行书目检索。需要三轮迭代调试才能生成可信的验证器——一次级联顺序修复，以防止对来自非Crossref出版商的参考文献产生误报；一个PMID浮点转换防护；以及一次模糊匹配器阈值校准，使其与Topaz的第2类定义保持一致。该项目产生了一篇已投稿的Correspondence，题为“The post-ChatGPT citation fabrication surge is not univer

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。