不只有懲罰、追回經費、撤稿，「學術造假事件」該如何更積極的處理？──《科學月刊》

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

精心策畫的論文騙局

一九九六年，紐約大學物理學教授艾倫．索卡（Alan D. Sokal）在後現代研究期刊《社會文本》（Social Text）上發表了一篇論文〈跨越邊界：朝向量子重力的轉形詮釋學〉（”Transgressing the Boundaries：Toward a Transformative Hermeneutics of Quantum Gravity” in the postmodern journal Social Text）。

根據論文摘要，你覺得這篇論文是在講什麼？

「本文的目標，是藉由探究量子重力的最新發展，進一步地深析指出，海森堡的量子力學和愛因斯坦廣義相對論，如今已經被合成和取代。本文將指出，在物理學的這項新興分支中，時空流形不再是客觀的物理實體；幾何學變成了仰賴脈絡的相對關係；過去科學的基本概念已經變成可以質疑的相對性範疇，就連存在本身也不例外。我認為這種觀念革命，對於後現代的自由科學，具有深遠意義。」

如果你覺得這整段話只是用一堆意義不明的術語堆砌起來的胡扯，恭喜你猜對了。

索卡教授瞎掰了一篇論文，投稿到《社會文本》期刊，六名編輯審查之後決定接受，當成嚴肅的學術著作放在該期刊的特刊。

然後索卡發文說整件事都是他設計的騙局。他之所以煞費苦心做這種事，是為了要證明很多學術界的人都會用故作高深的方式騙取名聲。

住在拉普達裡的學者

強納森．斯威夫特（Jonathan Swift）在一七二六年的《格列佛遊記》（Gulliver’s Travels）就諷刺過這種事情，故事中的天空之城拉普達，住著一群偏執的學者和理論家，整天只會研究一些脫離現實的沒用東西。

索卡跟斯威夫特一樣虛構了很多荒謬的東西來諷刺這種現象，他在論文中塞進許多解構主義的流行術語：「偶然的」（contingent）、「反霸權的」（counterhegemonic）、「知識論的」（epistemological）。事後他對《紐約時報》表示，「這篇文章是在刻意模仿某些學者胡亂引述數學與物理概念的行為。我把這些胡扯連在一起，然後發明一個說法去吹捧。整篇文章完全不需要符合任何知識標準，也不需要符合邏輯，所以超好寫的。」

索卡一邊諷刺文化研究與文學批評期刊那種用字吹毛求疵的無聊文化，一邊用詰屈聱牙的高深術語來諷刺那些學界的派系鬥爭。學界彼此批判時候很愛使用一些沒人看得懂的術語，經常搞到即使是同領域的學者，也看不懂作者在說什麼。

事件發生之後，《社會文本》高層發表了一篇相當酸的回應：「索卡博士認為我們是知識相對主義者，他搞錯了。」共同創立該期刊的紐約大學教授史丹利．阿諾維茲（Stanley Aronowitz）表示，「而且這是因為他書讀得太少，學的東西也不夠多」。

索卡看到回應反唇相稽，「光是《社會文本》接受這篇文章，就已經證實那些後現代文學理論家的傲慢，已經誇張到可以無視邏輯。難怪他們從來不去問物理學家，那些引述物理的文字有沒有意義。在他們的世界裡，無法理解變成了某種美德；典故、隱喻、雙關語取代了證據跟邏輯。我的文章只是提供了一個例子，證明了這個流派多年以來的作風。」

學術界、法律界、醫學界這些白領人士，最容易被這種聲望連鎖反應所影響。當聲望決定一切，金字塔頂層的聲音就會過度放大，很多時候他們的說法可以廣傳，並不是因為說法有價值，而是因為其他人希望自己聽得懂他們在說什麼。即使其他專業人士聽不懂，通常也都會為了守住自己的飯碗而默默跟隨。

扁桃體切除術就是個好例子。這種手術的效果欠缺科學根據，但因為「專業醫學意見」普遍認同，一度盛行了幾十年。在二十世紀最時興的時期，上百萬名兒童接受了扁桃體切除術，其中許多甚至因此受傷或死亡；直到某一天，醫學界才終於願意仔細檢查該手術的效果，然後很快就淘汰了它。

當我們為了保障自身聲譽而服從權威時，我們會相信某一套既定的敘事，聽不進任何新資訊，所以很容易繼續以訛傳訛。這種時候，敘事的真假並不重要，因為在其他人眼中，我們這群附和的人都是專家，不太可能搞錯。

不過雖然以訛傳訛的效力很大，但它並非無懈可擊的高牆，反而更像一座疊疊樂——只要抽掉那根關鍵的木條，整座塔就會瞬間崩毀。

——本文摘自《集體錯覺：真相，不一定跟多數人站在同一邊！》，2022 年 12 月，平安文化出版，未經同意請勿轉載。

• 《報導者》授權轉載

文／楊芬瑩

這幾年，國際學術圈出現一群「知識界的羅賓漢」，他們要從貪婪的學術期刊出版集團，重新取回知識的火種。

2011 年哈薩克 22 歲研究生艾爾巴金（Alexandra Elbakyan）寫程式設法取得昂貴期刊內容，供人免費下載，服務像她一樣窮酸的學生、科學家。這個名為 Sci-Hub 的網站開張後流量驚人，因而遭出版巨頭天價索賠，美國法院勒令撤銷網址，但艾爾巴金堅信，科學研究成果不應該私有化，Sci-Hub 很快重起爐灶，她的無畏無懼，讓媒體、支持者封她為「科學界的羅賓漢」。

提出侵權訴訟的是學術期刊出版龍頭愛思唯爾（Elsevier），集團期刊超過 2,500 本，佔全球學術期刊數量的四分之一，包括《刺胳針》（The Lancet）、《細胞》（Cell）、《四面體》（Tetrahedron）等諸多權威刊物，都是熱門參考文獻；所有引用人或所屬機構，都應該支付 Elsevier 權利金或下載費用， Sci-Hub 卻把蒐集到的期刊內容免費大放送，明顯侵害出版商獲利。

目前訴訟尚未有結果，但紐約地方法院 2015 年 10 月底初步裁定（preliminary injunction）禁止 Sci-Hub 繼續提供下載服務，原網址遭撤銷。不過，Sci-Hub 創辦人艾爾巴金堅持，美國法律對海外網站無管轄權，科學研究成果更不該被私有化，日前改換網址重新開張。

Sci-Hub 提供的「非法下載」是否有道德正當性？各方看法見仁見智。但學術期刊自認「於法有據」的收費模式，不斷榨取有限的研究經費，科學家長期處於劣勢，Sci-Hub 幫助有需要的人，說劫富濟貧並不為過，有學者與藝術家公開聲援，呼籲公眾共同對抗知識的私有化。

有多貴？一窺權威學術期刊的收費模式

一般而言，著作權法所保障的是創作人與支持機構，但在學術圈似乎不是這麼一回事。

研究人員付出心血取得的研究成果，若要發表研究報告，為數不少期刊需先支付可觀的刊登費（APCs），文章刊登後，還得無償轉讓著作權，作者使用、分享、再發表受到限制。學者協助同儕審核（Peer Review）論文，則是無償服務。（註 1）

以 Elsevier 所屬期刊為例，刊登費每篇定價美金 500～5,000 元（約新台幣 1.6萬～16 萬元），出版商取得著作權後，再高價售出期刊資料庫給大學等學術研究單位……

後文請見《報導者》

• 蔡孟利／宜蘭大學生物機電工程學系特聘教授

2016 年底在著名的「出版後同儕審閱（post-publication peer review）」網站 PubPeer，陸續出現 60 餘篇內容有造假嫌疑的臺灣學者之論文於其上。

2017 年 3 月 30 日臺灣教育部與科技部的調查結果共認定郭明良、張正琪、蘇振良等人的研究團隊於 2004～2016 年13 年間，共有 11 篇刊登在著名期刊上的論文造假。這些文章的共同作者還包括有當時的臺大校長楊泮池、中研院院士洪明奇、臺大醫院副院長林明燦以及臺大醫院內多位擔任過高階行政職的醫師。

沒想到事隔剛好一年，在 2018 年的 3 月 31 日，媒體揭露了美國俄亥俄州立大學的調查報告，確認中研院生化所的前所長陳慶士特聘研究員，他在 2006~2014 年於美國的任職的期間共有 8 篇論文造假。雖然陳慶士立即辭去了中研院特聘研究員的工作，不過中研院仍然對外宣稱將調查此人於臺灣任職期間的研究成果是否也有問題。

這兩起造假事件都重創了臺灣的學術信譽，讓其他眾多殷實工作的研究人員也蒙受群眾的異樣眼光。不過這樣的論文造假事件，並非是臺灣的特殊狀況。在 2016 年 6 月美國微生物學會的電子期刊mBio 出版的論文「生物醫學論文中不當複製圖像的普遍性（The Prevalence of Inappropriate Image Duplication in Biomedical Research Publications）」中，作者檢視了 1995~2014年間發表在幾本期刊上的2 萬餘篇論文，發現平均有 3.8%的文章出現了文內圖片與臺灣多篇論文一樣的造假情況。

造假事件後：懲罰、經費追回、撤搞，這樣就夠了嗎？

然而每當一件論文造假案被揭發時，一般社會大眾甚或是不少學術界的人士所關注的焦點，通常只是在造假之人有沒有受到相值的懲罰、被虛擲的研究經費能不能被追回、已刊出的論文是否有撤稿而已（關於撤稿這點，臺灣的學術單位與官方則是毫不在意）。

但是對於學術研究和以學術成果為基礎所發展的各式產業來說，如何降低或修補這些造假論文所帶來的傷害，也是需要處理的重點所在。就像是黑心食品被發現上架販售了，該處理的事情不僅只是將製造者法辦而已，食品如何迅速下架、已經吃下了這些黑心食品的大眾之健康是否有受到影響，則是更應該受到關注的兩個事項。

但就學術界現在的運作實務來說，不管是調查發動程序的繁瑣與耗時、撤稿或警示問題論文的公告方式，以及問題論文所造成的損害之彌補與控管等，目前的做法均無法有效地抑遏造假論文的產生以及其危害的蔓延。

處理學術造假：如何加快處理時程？

首先，光是要如何發現哪些論文有造假嫌疑，就是個大問題。

不管是期刊方面或是問題論文的任職單位，其調查的發動通常是非常被動的；雖然這些單位可以主動查察，但實務上大都是有人舉證告發了才會受理，因為這些單位不可能有足夠的人力與時間去進行大規模的查察作業。

不過，現在我們可以利用資訊時代網路互聯的優勢來克服這些問題，例如，現在科學文獻的發行已經以電子期刊為主，特別是「開放取用（open access, OA）」越來越盛行之後，電子期刊更將成為科學文獻來源的主流。

因此，若能在每篇論文的網頁都仿造一些「開放取用」期刊的設計在文末附設討論區，甚至是更有效率的將諸如 PubPeer 這般專業的「出版後同儕審閱」之網頁內的相關內容也自動連結至該篇文章的討論區中，這樣期刊的編輯群就比較可能及時察覺問題論文之所在，而問題論文的讀者也可以從中得到即時的警示，自行判斷文獻的可信度。

當問題論文浮現後，接下來的關鍵則是問題論文的調查能否更快速進行？

近期在 PubPeer 所揭露有問題的文章，大部分均為圖表經過明顯的變造，包括切割圖像、剪貼翻轉、一圖兩用等，很容易就現有文章內容進行判斷是否造假。若這些粗糙的造假也要依以前之慣例請求作者任職的單位進行調查，那麼這些明顯造假的論文之確認時間將會被曠日廢時的行政程序拖延，徒增其危害蔓延的程度。

若再碰到像臺大造假案如此複雜的情況，由於有造假嫌疑的論文作者牽涉到該校校長與其他高階主管，在處理程序上的爭議將更大、時間上也會拖延更久。所以關於此類手法粗糙的論文造假事實之認定，各期刊的編輯委員群是否有可能跳過原作者單位的調查程序，逕行裁定文章的真偽：

若認定為可勘誤的無心之過則主動通知原作者；而認定為造假的文章則直接以撤稿處理？

如果能以此方式處理，就可以讓有問題的論文盡快下架，降低造假論文對科研實務的衝擊，避免研究人員引用錯誤的參考資料。而那些屬於作者群與經費提供單位內部的責任歸屬以及懲處問題，則可在真假確定後再由作者的原任職單位依其所在國家的法律追究。當然，如果造假的情況是比較「細緻」的，需要到詳細調查實驗細節甚至得重複實驗的狀況，就還是得回到原有的調查程序為之。

處理學術造假：如何週知科研社群？

當問題論文的學術不端被確認之後，接下來一個更重要的課題則是：已被確認有問題的論文，要如何有效地廣泛週知科研社群？

目前對於需勘誤或者是撤稿的文章，通常只有公告在該期刊本身的網頁以及紙本出版物。近年來，雖然有如 Retraction Watch 這類的網站出現，但基本上，都仍是屬於消極的被動作為，若是研究者不主動去這些網頁或期刊查看，就無法得知哪些論文以及其作者造過假、勘過誤。這些有問題的論文很可能還會一直的被引用作為研究計畫研提與撰寫新論文時的參考資料。

因此，在網路技術發達的今天，各期刊出版社之間，是否能就已勘誤或撤稿的論文，建立起一個互相通報的系統，讓各期刊的編輯委員們，在審閱新投稿進來的論文時，對於投稿者的信譽（reputation）能有個客觀的參考依據，也對於新稿件中所引用的文獻之可信度，能夠更準確的判斷。

此外，這些已勘誤或撤稿的論文，是否也能夠在公告的當下，同時將資訊主動傳給曾經引用這些問題文章為參考文獻的其他論文作者或是專利的發明者，讓他們能夠及時評估這些文獻對於其研究所造成的傷害程度並避免繼續誤用下去。

隨著研究資源的日益緊縮但發表管道卻不斷增加之現實狀況，從事學術研究的工作者面臨了比以前更殘酷的發表壓力。因此可以預見的是，未來學術不端的事情不會消失，而且會越來越嚴重。從最近臺灣所面臨的這兩場學術造假風波之經驗顯示，論文造假事件的處理已經到了必須尋找更迅速、更有效的方法才能對抗的時候了；這不只是臺灣的課題，也是全世界科研界的共同課題。

〈本文選自《科學月刊》2018 年 5 月號〉

什麼？！你還不知道《科學月刊》，我們48歲囉！

入不惑之年還是可以當個科青