В июле 2026 года я отправил программным комитетам двух конференций сигналы о подозрительных авторах. В одной статье имя исследователя не находилось ни в одной научной базе, во второй — email указывал на известную «фабрику статей». Через неделю пришли решения: обе работы приняты. Более того — им дали устные доклады (oral presentations). Вот так выглядит сбой системы научной проверки.
Что такое «фейковый автор»
Терминов несколько: «автор-призрак» (ghost author), «гостевой автор» (guest author) и «фабрикованный автор» (fabricated author). Все это — случаи, когда в списке авторов указан человек, который не участвовал в исследовании или вообще не существует. По данным Retraction Watch, количество отозванных статей с проблемами авторства выросло на десятки процентов за последние пять лет. Особенно это заметно в сфере машинного обучения — там конкуренция за публикации максимальная.
Фейковыми нередко «украшают» статьи, сгенерированные нейросетями. Подставное имя добавляет веса, помогает пройти рецензирование и вводит в заблуждение читателей. Я называю это научным vibe coding: исследователи так же легко генерируют статьи через ИИ, как программисты генерируют код с помощью автодополнения. Только вот код перепроверить проще, чем учёного.
Кейс: два флага
Первый случай: статья о нейросетевых архитектурах. Автор — некто с американским университетом в аффилиации, но почта на бесплатном домене, а поиск в OpenAlex выдавал только одну странную публикацию, где соавтором был тот же набор имён. Второй случай: работа по обработке естественного языка. У одного из соавторов ORCID был создан за 24 часа до подачи, а в истории публикаций — только этот единственный препринт.
Я собрал доказательства: скриншоты, ссылки на профили, данные Crossref API. Отправил форму с сигналом на обеих конференциях. Ответ оргкомитета был формальным: «Спасибо, мы проверим». Проверка, судя по дальнейшим решениям, заключалась в том, что имя автора совпало с заявленной темой.
Как проверять авторов: 6 шагов
Вот метод, который помог мне найти эти аномалии. Им может воспользоваться любой рецензент или читатель.
| Шаг | Что проверить | На что смотреть |
|---|---|---|
| 1 | ORCID | Есть ли профиль, когда создан, сколько публикаций |
| 2 | Базы данных | Scopus, Web of Science, OpenAlex: есть ли другие работы |
| 3 | Аффилиация | Совпадает ли домен email с официальным сайтом университета |
| 4 | Соавторы | Есть ли совместные публикации в прошлом |
| 5 | Ссылки | Упомянуты ли авторы в других статьях по теме |
| 6 | Интернет-след | Профиль в LinkedIn, Google Scholar, личная страница |
Для шагов 2 и 5 удобно использовать Crossref API — он быстро отдаёт метаданные по всем авторам и их публикациям. Я написал небольшой скрипт на Python, который сравнивал полученные данные. Если совпадений ноль — вероятность фейка, по моему опыту, более 70%.
Почему обе статьи прошли
В классическом peer review проверяют научную часть, а не личности. Рецензент часто видит только рукопись без ссылок на профили. Модераторы заняты валидацией формата и антиплагиатом. Устный доклад (oral) — это статус, который даётся примерно 5% лучших работ, но даже он не подразумевает проверку биографии автора.
Количество подаваемых заявок на топовые конференции продолжает расти. На крупных препринт-архивах число новых работ по AI, по разным оценкам, перевалило за сотни тысяч ежегодно. При такой нагрузке платформы не справляются с верификацией. Фабрики статей знают об этом и пользуются.
Как защитить себя и свою науку
- Для рецензентов: перед рецензией проверяйте авторов по ORCID и OpenAlex. Это займёт две минуты.
- Для организаторов конференций: добейтесь, чтобы проверка авторов была обязательным шагом при подаче. Используйте API баз данных.
- Для читателей: если статья подозрительна, оставляйте комментарии в открытых журналах, отмечайте публикацию в Retraction Watch.
Автоматизация здесь — ключ. Если вы уже строите пайплайны обработки научных данных, встройте в них проверку авторства. Например, через Crossref API, как это сделал я. ASI Biont поддерживает подключение к Crossref через API — подробнее на asibiont.com/courses.
Вывод
Мой случай — не уникальная аномалия, а симптом системного сдвига. Vibe coding в науке позволяет массово создавать правдоподобные статьи с фейковыми авторами, и существующие механизмы защиты не поспевают за этим вызовом. Но если каждый из нас — рецензент, редактор или просто читатель — возьмёт за правило проверять авторов хотя бы по двум-трём критериям, ситуация изменится. Фейковые авторы потеряют своё главное преимущество — невидимость.
Комментарии