大語言模型（LLM）雖能生成語氣自然且格式正確的引用，但往往會(huì)產(chǎn)生“幻覺”，虛構(gòu)出作者、標(biāo)題和日期看似真實(shí)的虛假文獻(xiàn)。

有權(quán)威審計(jì)顯示，近幾年來虛假引用正呈爆發(fā)式增長，這種現(xiàn)象與大語言模型(LLM)產(chǎn)生的“幻覺”高度吻合，侵蝕著學(xué)術(shù)真實(shí)性。

一條錯(cuò)誤引文，可能影響投稿進(jìn)程和學(xué)術(shù)聲譽(yù)

錯(cuò)誤引文可能被編輯和同行質(zhì)疑，退稿補(bǔ)證，甚至影響學(xué)術(shù)評價(jià)和作者聲譽(yù)。

AiScholar為廣大科研人員提供安全可靠、高效便捷的參考文獻(xiàn)真實(shí)性自查工具，提前排查引用問題，減少引用引發(fā)的學(xué)術(shù)不端隱患，助力稿件快速通過初篩，避免因引用問題導(dǎo)致拒稿、返修、撤稿等風(fēng)險(xiǎn)。

通過Crossref、OpenAlex、ORCID、中國DOI解析系統(tǒng)、中文文獻(xiàn)數(shù)據(jù)庫等多個(gè)國際權(quán)威數(shù)據(jù)庫進(jìn)行有效性驗(yàn)證和比對，包括智能識(shí)別真實(shí)文獻(xiàn)、格式錯(cuò)誤文獻(xiàn)、虛構(gòu)偽造文獻(xiàn)。多源相互印證，避免單一庫數(shù)據(jù)缺失導(dǎo)致誤判。

元數(shù)據(jù)全維度逐字段比對

自動(dòng)逐字段校驗(yàn)作者、標(biāo)題、期刊、卷/期/頁碼、發(fā)表年份、DOI等全部引用信息，智能區(qū)分正常格式差異與真實(shí)錯(cuò)誤，不誤判、不漏判。

內(nèi)置8類偽造類型識(shí)別引擎，自動(dòng)定位問題點(diǎn)與偽造手法。

智能預(yù)審 

可疑特征自動(dòng)識(shí)別：檢測異常作者姓名、可疑標(biāo)題模式、格式不規(guī)范等預(yù)警信號；中文期刊專項(xiàng)驗(yàn)證：針對中文期刊特點(diǎn)優(yōu)化，覆蓋多個(gè)國內(nèi)數(shù)據(jù)庫；主題相關(guān)性評估：識(shí)別參考文獻(xiàn)與目標(biāo)論文研究主題的關(guān)聯(lián)度。

首次檢測免費(fèi)！點(diǎn)擊進(jìn)入【AiScholar 參考文獻(xiàn)真實(shí)性檢測】