Research Integrity Screening

Research Integrity Screening MCP Server

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "research-integrity-screening-mcp": {
      "url": "https://ryanclinton--research-integrity-screening-mcp.apify.actor/mcp"
    }
  }
}

---

研究诚信筛查 MCP，可将 Claude、Cursor 和其他 AI Agent 连接到 7 个实时数据源，检测学术欺诈。筛查研究人员、检测论文工厂产出、使用本福特定律分析标记引文操纵、评估期刊质量，并审计 NIH 资助与出版物之间的关联——所有操作都可由你的 AI Agent 通过一次工具调用完成。返回综合诚信评分（0-100），并给出 CLEAR / MINOR_CONCERNS / INVESTIGATION_NEEDED / HIGH_RISK 判定。

此服务以 Standby 模式运行在 Apify 平台上，可响应 MCP 请求且无需冷启动等待。它并行协调 OpenAlex、ORCID、PubMed、Semantic Scholar、Crossref、CORE 和 NIH Research Grants，应用 4 种独立评分模型，并返回结构化 JSON，供你的 AI Agent 直接分析。资助评审人员、期刊编辑和研究诚信专员可获得一致、可复现的评分，而非临时判断。

可以访问哪些数据？

数据点	来源	示例
📄 出版物元数据、引文数量、DOI	OpenAlex	247 篇论文，平均 18.3 次引文
👤 研究人员档案、隶属机构、任职经历	ORCID	M. Petrov 博士，MIT，2018 年至今
🔬 生物医学文献、MeSH 术语、摘要	PubMed	“关注声明：肿瘤学研究”
📊 AI 引文分析、影响力评分、论文嵌入	Semantic Scholar	影响力评分 94，12 篇高引论文
🔗 DOI 元数据、参考文献列表、期刊元数据	Crossref	10.1016/j.cell.2023.04.021
📂 开放获取全文仓储覆盖率	CORE	出版物集合的 OA 比率为 61%
💰 联邦资助项目、首席研究员姓名、资助金额	NIH Grants	R01CA123456，120 万美元，芝加哥大学
🚩 撤稿／更正／关注声明标记	OpenAlex + PubMed	检测到 3 个撤稿标记、2 项更正
📈 按年份统计的出版速度、同比激增检测	OpenAlex + PubMed	2022 年发表 47 篇论文——标记为出版速度异常
🏦 资助集中度指数（HHI）、终止资助标记	NIH Grants	HHI 为 0.82——存在单一来源依赖风险

为什么使用 Research Integrity Screening MCP？

人工研究诚信审查耗时且结果不一致。分别在 OpenAlex、ORCID、PubMed、Semantic Scholar、Crossref 和 NIH Grants 中核查一位研究人员，每位对象需要 2-3 小时。对引文分布应用本福特定律需要处理电子表格，而大多数评审人员会跳过这一步。若无自动化，要检测数十篇论文中的论文工厂模板并不现实。而且，人工审查结果很少能在不同审查人员之间进行比较，也难以随时间复现。

此 MCP 可自动完成整个工作流。一次工具调用即可并行查询全部 7 个数据源，应用 4 种评分算法，并在 2 分钟内返回结构化判定。MCP 格式意味着你的 AI Agent 可以在对话中调用这些工具——让 Claude 筛查一位资助申请人时，它会调用工具、解读评分并说明发现，无需你打开单独的应用。

• 定时任务——在 Apify Scheduler 上定期运行诚信审查；自动标记新异常
• API 访问——使用标准 MCP 协议，通过 Python、JavaScript 或任何 HTTP 客户端触发筛查
• 并行获取数据——同时查询全部 7 个数据源，而非依次查询
• 监控——通过 Apify Webhook，在返回 HIGH_RISK 判定时接收 Slack 或电子邮件提醒
• 集成——将结果导入 Notion、Airtable 或任何兼容 Webhook 的资助管理系统

功能

• 本福特定律引文分析 — 计算研究人员全部引文集中的首位数字频率分布，并标记与预期对数分布的偏差（数字 1 的预期占比为 30.1%）
• 变异系数检查 — 检测 10 篇以上论文中 CV < 0.3 的可疑均匀引文分布，这是引文圈或自引操纵的统计学替代指标
• 论文工厂模板检测 — 提取每篇论文标题开头的 5 个词，并标记在出版物集合中重复 3 次或以上的模式
• 期刊集中度评分 — 识别研究人员是否有超过 50% 的论文发表在同一期刊上，这是已知的论文工厂指标
• 作者多样性分析 — 计算全部论文中独立作者集的比例；论文达到 10 篇以上且多样性低于 30% 时会触发标记
• 发表速度监测 — 标记任何发表超过 30 篇论文的日历年，并检测论文数量至少为 10 篇且同比激增 3 倍或以上的情况
• ORCID 验证评分 — 将缺少个人资料、作品列表为空以及缺少所属机构记录作为身份未经验证的风险信号并予以惩罚
• 撤稿和更正检测 — 在 OpenAlex、PubMed 和 Semantic Scholar 中扫描出版物标题及文献类型，查找“retract”“correction”“erratum”和“expression of concern”等关键词
• NIH 资助与论文比率 — 计算每项资助对应的发表论文数；比率高于 20:1 时标记可能存在产出虚报，低于 1:1 时标记生产力偏低
• 资助集中度 HHI — 对资助来源应用赫芬达尔-赫希曼指数；有 3 项以上资助且集中度高于 0.7 时，表明存在单一来源依赖
• 已终止资助检测 — 扫描 NIH 资助记录中的“terminated”“withdrawn”和“suspended”状态文本
• 四种独立评分模型 — 研究人员诚信（最高 100 分）、论文工厂（最高 100 分）、期刊质量（最高 100 分，正向量表）和资助风险（最高 100 分）分别生成独立评分
• 加权综合评分 — 结合四种模型：诚信 30% + 论文工厂 25% +（100 减去期刊质量）25% + 资助风险 20%
• 每种模型设五级判定 — 各子模型采用符合领域特点的标签（诚信模型从 CLEAN 到 CRITICAL；论文工厂模型从 UNLIKELY 到 CONFIRMED_MILL；期刊模型从 PREDATORY 到 ELITE）
• 硬性覆盖逻辑 — 无论综合评分如何，CRITICAL 诚信等级或 CONFIRMED_MILL 判定都会直接触发 HIGH_RISK
• 确定性必需操作 — requiredActions 列表根据具体阈值触发条件生成，而非依据综合评分，因此即使总体评分处于临界范围，也能给出具体的后续步骤

研究诚信筛查用例

授予资助前的筛查

联邦机构和私人基金会的资助项目负责人需要在承诺提供资金前审查首席研究员。只需调用一次 screen_researcher_integrity，即可交叉核对申请人在四个数据库中的发表记录，依据本福特定律检查其引文历史，查看撤稿记录，并验证其 ORCID 个人资料。负责人将获得一份可附在申请档案中的评分结果，且结果可复现；原本需要数小时的手动数据库检索，如今只需 90 秒即可完成。

期刊投稿诚信审查

同行评审协调员可以针对投稿论文的作者名单或主题运行 check_publication_flags，然后再分配审稿人。论文工厂检测模型会检查重复的标题模板、作者发表记录中的期刊过度集中，以及作者群体缺乏多样性——这是论文工厂产出的三个最可靠早期指标。若论文工厂评分达到 PROBABLE 或更高，投稿就会转交诚信编辑，而非进入常规同行评审。

教师招聘尽职调查

负责筛选候选人的教务长和院系主任可以运行 generate_integrity_report，在发出聘用通知前获取完整的综合评估。该工具会验证 ORCID 身份、评估论文发表速度以识别不合理的产出率、检查是否有撤稿记录，并评估候选人选择的期刊是否可信。这只需 90 秒，而不是花 3 天核查推荐人。

研究机构合作评估

在正式确立合作关系前，合规团队可以运行 compare_institutional_integrity，从期刊质量和资金风险两方面并排比较两家机构。该工具会同时查询两家机构的 OpenAlex 和 NIH Grants 数据，并返回包含质量优势指标的结构化比较结果，有助于撰写合作决策备忘录。

资助组合审计

管理大型研究组合的机构可以使用 audit_grant_research_link，找出论文与资助项目比例异常偏高或偏低、资助项目已终止，或资金集中风险升高的情况。批量筛查可在无需手动检查每条资助记录的情况下，找出风险最高的项目并优先审查。

引文操纵调查

当研究人员因涉嫌参与引文圈而接受调查时，detect_citation_anomalies 会返回完整的本福特定律逐位数比较，列出数字 1-9 的观测百分比、预期百分比及偏差分数。这为科研诚信委员会提供了在升级为正式学术不端调查前所需的统计证据基础。

如何连接此科研诚信筛查 MCP

Claude Desktop

添加到你的 claude_desktop_config.json：

{
  "mcpServers": {
    "research-integrity-screening": {
      "url": "https://research-integrity-screening-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor、Windsurf 或 Cline

在 MCP 服务设置面板中使用相同的 URL 和令牌。该服务通过 HTTP POST 向 /mcp 发送标准 MCP 协议通信。

Python（通过 requests）

import requests

response = requests.post(
    "https://research-integrity-screening-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "generate_integrity_report",
            "arguments": {"entity": "Dr. Marcus Webb Global Health Institute"}
        },
        "id": 1
    }
)
result = response.json()
report = result["result"]["content"][0]["text"]
print(report)

JavaScript

const response = await fetch(
  "https://research-integrity-screening-mcp.apify.actor/mcp",
  {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    body: JSON.stringify({
      jsonrpc: "2.0",
      method: "tools/call",
      params: {
        name: "screen_researcher_integrity",
        arguments: { researcher: "Dr. Elena Sokolova 0000-0002-7831-4412" }
      },
      id: 1
    })
  }
);
const data = await response.json();
const report = JSON.parse(data.result.content[0].text);
console.log(`Integrity level: ${report.researcherIntegrity.integrityLevel}`);
console.log(`Score: ${report.researcherIntegrity.score}/100`);

cURL

# Screen a researcher for integrity flags
curl -X POST "https://research-integrity-screening-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "generate_integrity_report",
      "arguments": { "entity": "Dr. James Chen Stanford University" }
    },
    "id": 1
  }'

MCP 工具

工具	输入	价格	返回内容
screen_researcher_integrity	researcher — 姓名或 ORCID ID	$0.045	诚信评分 0-100、撤稿标记、引文异常评分、发表速度风险信号、ORCID 验证状态、CLEAN 至 CRITICAL 等级
check_publication_flags	query — 标题、DOI、研究人员或主题	$0.045	论文工厂评分 0-100、模板标记、期刊集中度、作者多样性、从 UNLIKELY 到 CONFIRMED_MILL 的判定
assess_journal_quality	query — 期刊名称、主题或研究人员	$0.045	质量评分 0-100、引文影响力、开放获取比例、来源多样性、从 PREDATORY 到 ELITE 的判定
detect_citation_anomalies	researcher — 姓名或机构	$0.045	本福特定律数字 1-9 分析：各数字的观测百分比、预期百分比及偏差；引文数最小值/最大值/平均值
audit_grant_research_link	researcher — PI 姓名；topic — 可选筛选条件	$0.045	资金风险评分、资助项目列表、论文与资助项目比例、HHI 集中度、已终止资助标记、LOW 至 CRITICAL 等级
compare_institutional_integrity	institution_a、institution_b	$0.045	两家机构的期刊质量和资金风险并排比较、质量优势指标
generate_integrity_report	entity — 研究人员、机构或主题	$0.045	完整综合报告：全部 4 项模型评分、加权综合评分 0-100、CLEAR 至 HIGH_RISK 判定、所有信号、所需操作

工具输入参考

工具	参数	类型	必填	描述
screen_researcher_integrity	researcher	string	是	研究者姓名（例如 "Dr. Wei Zhang Beijing University"）或 ORCID ID（例如 "0000-0002-1234-5678"）
check_publication_flags	query	string	是	论文标题、DOI、研究者姓名或研究主题
assess_journal_quality	query	string	是	期刊名称、研究主题或研究者姓名
detect_citation_anomalies	researcher	string	是	研究者姓名或机构名称
audit_grant_research_link	researcher	string	是	项目负责人姓名或机构
audit_grant_research_link	topic	string	否	用于缩小 NIH 资助搜索范围的研究主题
compare_institutional_integrity	institution_a	string	是	第一所机构的名称（例如 "Stanford University"）
compare_institutional_integrity	institution_b	string	是	第二所机构的名称（例如 "Duke University"）
generate_integrity_report	entity	string	是	用于跨来源全面筛查的研究者姓名、机构或论文主题

输出示例

{
  "entity": "Dr. Marcus Webb Global Health Institute",
  "compositeScore": 58,
  "verdict": "INVESTIGATION_NEEDED",
  "researcherIntegrity": {
    "score": 42,
    "publicationCount": 89,
    "retractionFlags": 6,
    "citationAnomalies": 5,
    "velocityRedFlags": 3,
    "integrityLevel": "SUSPICIOUS",
    "signals": [
      "Retraction/correction flags detected — 6 points",
      "Citation distribution suspiciously uniform — potential citation manipulation",
      "47 publications in 2021 — suspiciously high output",
      "Publication spike: 12 → 47 papers (2020 → 2021)"
    ]
  },
  "paperMill": {
    "score": 44,
    "suspiciousPatterns": 3,
    "templateFlags": 4,
    "millLevel": "PROBABLE",
    "signals": [
      "Repeated title pattern (4x): \"role of inflammation in...\" — possible template",
      "31 papers in single journal \"international journal of molecular biology\" — over-concentration",
      "Low author diversity — same author groups across many papers"
    ]
  },
  "journalQuality": {
    "score": 34,
    "totalPapers": 89,
    "highCitationPapers": 8,
    "openAccessRatio": 0.28,
    "qualityLevel": "LOW",
    "signals": [
      "Low citation impact: avg 1.7 — possible predatory venue"
    ]
  },
  "fundingRisk": {
    "score": 38,
    "grantCount": 3,
    "flaggedGrants": 1,
    "fundingConcentration": 0.78,
    "riskLevel": "ELEVATED",
    "signals": [
      "High funding concentration — single-source dependency risk",
      "1 terminated/withdrawn grants — compliance concern"
    ]
  },
  "allSignals": [
    "Retraction/correction flags detected — 6 points",
    "Citation distribution suspiciously uniform — potential citation manipulation",
    "47 publications in 2021 — suspiciously high output",
    "Publication spike: 12 → 47 papers (2020 → 2021)",
    "Repeated title pattern (4x): \"role of inflammation in...\" — possible template",
    "31 papers in single journal \"international journal of molecular biology\" — over-concentration",
    "Low author diversity — same author groups across many papers",
    "Low citation impact: avg 1.7 — possible predatory venue",
    "High funding concentration — single-source dependency risk",
    "1 terminated/withdrawn grants — compliance concern"
  ],
  "requiredActions": [
    "Review retracted publications — determine scope of affected research",
    "Paper mill indicators — investigate authorship and submission patterns",
    "Publications in suspected predatory venues — verify journal legitimacy",
    "Review terminated/withdrawn grants for compliance issues",
    "Citation pattern anomalies — check for citation rings or manipulation"
  ]
}

输出字段

字段	类型	描述
entity	string	查询的研究者、机构或主题
compositeScore	number	加权综合诚信风险评分，范围为 0-100（分数越高，表示问题越严重）
verdict	string	CLEAR / MINOR_CONCERNS / INVESTIGATION_NEEDED / HIGH_RISK
researcherIntegrity.score	number	诚信子评分，范围为 0-100
researcherIntegrity.publicationCount	number	在所有来源中找到的论文总数
researcherIntegrity.retractionFlags	number	累积的撤稿／更正原始分数
researcherIntegrity.citationAnomalies	number	引用异常原始评分
researcherIntegrity.velocityRedFlags	number	发表速度原始分数
researcherIntegrity.integrityLevel	string	CLEAN / MINOR_FLAGS / SUSPICIOUS / HIGH_RISK / CRITICAL
researcherIntegrity.signals	string[]	对每项触发标记的易读描述
paperMill.score	number	论文工厂风险评分，范围为 0-100
paperMill.suspiciousPatterns	number	可疑期刊和作者模式的数量
paperMill.templateFlags	number	标题模板重复的原始计数
paperMill.millLevel	string	UNLIKELY / POSSIBLE / PROBABLE / LIKELY_MILL / CONFIRMED_MILL
paperMill.signals	string[]	标记出的具体模式，包含次数和期刊名称
journalQuality.score	number	期刊质量评分，范围为 0-100（分数越高，质量越好）
journalQuality.totalPapers	number	用于评估期刊质量的论文数
journalQuality.highCitationPapers	number	引用次数达到 10 次或以上的论文数
journalQuality.openAccessRatio	number	开放获取论文所占比例（0.0-1.0）
journalQuality.qualityLevel	string	PREDATORY / LOW / MODERATE / HIGH / ELITE
journalQuality.signals	string[]	引用影响力和开放获取透明度信号
fundingRisk.score	number	资助风险评分，范围为 0-100
fundingRisk.grantCount	number	找到的 NIH 资助项目数
fundingRisk.flaggedGrants	number	已终止、撤回或暂停的资助项目数
fundingRisk.fundingConcentration	number	资助来源集中度赫芬达尔－赫希曼指数，范围为 0-1
fundingRisk.riskLevel	string	LOW / MODERATE / ELEVATED / HIGH / CRITICAL
fundingRisk.signals	string[]	发现的具体资助异常
allSignals	string[]	四种评分模型的综合信号
requiredActions	string[]	根据触发的阈值标记得出的后续建议

筛查研究人员的费用是多少？

Research Integrity Screening MCP 采用按调用计费的定价方式——每次工具调用收费 $0.045。平台计算费用已包含在内。

场景	工具调用次数	每次调用费用	总费用
快速测试——筛查一名研究人员	1	$0.045	$0.045
完整性检查加引文异常分析	2	$0.045	$0.09
完整的完整性报告（全部 7 个来源、4 个模型）	1	$0.045	$0.045
筛查 10 名拨款申请人	10	$0.045	$0.45
每月期刊投稿工作流——200 份投稿	200	$0.045	$9.00

你可以为每次运行设置最高支出限额以控制费用。达到预算后，Actor 会停止运行，并返回结构化错误，供你的流水线妥善处理。

Apify 的免费套餐每月包含 $5 的平台额度——在需要充值前，足以支持 100 多次工具调用。相比之下，机构研究诚信软件的年费为 $3,000-15,000。使用此 MCP 的大多数团队每月花费不到 $20，且无需承诺订阅。

Research Integrity Screening MCP 的工作原理

数据收集阶段

每次工具调用都会通过 Promise.allSettled 并行执行 2 至 7 个下游 Apify Actor，确保数据源响应缓慢或失败时不会阻塞响应。这 7 个数据源均硬编码为特定的可信 Actor ID：openalex-research-papers (AfAA3gEDtEiU9Zf5s)、orcid-researcher-search (Nuq9OYuSRgU3DKFYz)、pubmed-research-search (AwPvHhEjcgAd6hcvG)、semantic-scholar-search (LgVeUXmTsWl9Gl2Tb)、crossref-paper-search (b6ReNaLwZXInCFeMr)、core-academic-search (Jh4Y6VfuSZkxkF8eq) 和 nih-research-grants (dGvWHX8Oa5vRK9pNb)。每个子 Actor 使用 256 MB 内存，超时时间为 120 秒。失败的数据源会返回空数组，而不会导致评分阶段崩溃。

评分模型阶段

四个独立的评分函数会对合并后的数据集进行处理。研究人员完整性评分器最高为 100 分：扫描所有论文中的撤稿和更正关键词（最高 35 分）、引文分布本福特定律启发式检测（最高 25 分）、发文速度激增检测（最高 20 分）和 ORCID 完整度（最高 20 分）。论文工厂检测器按以下情况累计分数：标题前缀连续 5 个词重复出现 3 次及以上（最高 30 分）、单一期刊的论文占比超过 50%（最高 25 分）、论文数量达到 10 篇以上时作者集合多样性低于 30%（最高 25 分）以及原始论文数量异常，超过 50 篇（最高 20 分）。期刊质量评分器采用正向评分（分数越高越好）：每篇论文的平均引文影响力（最高 35 分）、开放获取比例（最高 20 分）、不同刊物来源的多样性（最高 25 分）和发文量健康度（最高 20 分）。经费风险评分器依据以下指标评分：论文与拨款比例异常值检测（最高 30 分）、HHI 经费集中度指数（最高 25 分）、每项 8 分的终止和撤回拨款标记（最高 25 分）以及无拨款扣 10 分。

本福特定律实现

为检测引文异常，服务端会对所有大于零的引文值统计首位数字，并构建一个 Map<number, number>。detect_citation_anomalies 工具会返回每个数字的完整明细：观测百分比、预期百分比（数字 1 为 30.1%，数字 2 为 17.6%，依此类推，数字 9 为 4.6%）以及数字 1 至 9 各自的绝对偏差。screen_researcher_integrity 工具采用更快的启发式检测：如果数字 1 的占比低于 15% 或高于 50%，则在引文异常子评分中加 5 分。该工具还会检查变异系数——如果论文数量达到 10 篇以上且 CV < 0.3，则会将引文分布标记为可疑地均匀。

综合评分与结论判定

最终综合评分按以下权重计算四个模型的结果：研究人员诚信 × 0.30 + 论文工厂 × 0.25 +（100 减去期刊质量）× 0.25 + 资助风险 × 0.20。期刊质量采用反向计分，因此期刊质量越差，对总体风险的贡献越大。结论阈值：CLEAR（综合评分低于 20）、MINOR_CONCERNS（20-39）、INVESTIGATION_NEEDED（40-64）、HIGH_RISK（65 及以上）。两种硬性覆盖规则适用：研究人员模型给出的 CRITICAL 诚信级别，以及论文工厂模型给出的 CONFIRMED_MILL，均会无论综合评分多少都将结论强制设为 HIGH_RISK。requiredActions 列表根据特定阈值触发条件确定性生成，即使总体评分处于临界范围，也能提供明确的后续步骤。

获取最佳结果的提示

1. 在研究人员查询中加入机构名称。 与 "Dr. Sarah Kim Yale School of Medicine" 相比，"Dr. Sarah Kim" 返回的结果精准度较低。消除歧义可同时提升所有七个数据源的查询效果。

2. 有 ORCID ID 时请使用。 如果你有研究人员的 ORCID ID（格式：0000-0002-XXXX-XXXX），请将其作为 researcher 参数传入。ORCID Actor 会返回准确的个人档案，而不是按姓名搜索，从而消除常见姓名导致的误报。

3. 正式调查时，先运行 detect_citation_anomalies，再运行 generate_integrity_report。 引文异常工具会返回完整的本福特定律表格，可用于整理证据档案。完整诚信报告只会返回摘要标记。

4. 为批量工作流设置支出上限。 筛查 50 名或更多资助申请者时，请在 Apify 运行中设置 maxTotalChargeUsd 以限制支出。达到上限时，服务会返回结构化错误，以便你的流水线妥善处理。

5. 合作伙伴尽职调查时使用 compare_institutional_integrity。 无需分别运行两份完整报告，该工具会并行查询两家机构，并在单次调用中返回结构化的并排对比结果。

6. 在资助审计中添加主题筛选条件。 将 audit_grant_research_link 与特定的 topic 参数配合使用，以缩小 NIH 资助结果范围。对于资助项目较多的研究人员，"Elizabeth Torres CRISPR" 比单独使用 "Elizabeth Torres" 更有针对性。

7. 将 PROBABLE 论文工厂级别视为升级处理的触发条件，而非最终结论。 标题模板模式也可能出现在正规的研究项目中——临床试验系列、系统综述和多部分研究都会采用一致的命名惯例。请利用工具输出，将投稿转交给专门审查人员。

与其他 Apify Actor 配合使用

Actor	配合方式
Researcher Integrity Check	运行此 Actor，对单个研究人员进行深入画像分析；使用 MCP 执行对话式 AI 工作流和批量筛查
Company Deep Research	筛查管理层具有学术发表经历的生物技术或制药公司时，可与此 Actor 配合使用
ORCID Researcher Search	在进行诚信分析前，直接提取原始 ORCID 个人档案数据
PubMed Research Search	提取完整的生物医学文献集，以便人工审查已标记的出版物
NIH Research Grants	在 MCP 之外独立查询 NIH 资助项目，进行项目组合级别的资助分析
SEC EDGAR Filing Analyzer	将上市生物技术和制药领域的研究人员与已披露的财务利益冲突进行交叉比对
B2B Lead Qualifier	综合研究诚信和商业信号，为从学术界转向工业界的候选人评分

局限性

• 引文数据的完整性取决于来源覆盖范围。 OpenAlex 和 Semantic Scholar 对 STEM 领域的覆盖率较高；人文和社会科学的引文索引率较低。对非 STEM 研究人员的评分可能会低估其引文活跃度。
• Benford 定律至少需要 10 篇被引论文才具有统计意义。 被引论文少于 10 篇的职业生涯早期研究人员不会触发引文分布检查。这些研究人员的评分仅根据其他三个模型计算。
• 论文工厂模板检测采用 5 词标题前缀匹配。 命名规范一致的多篇临床试验系列等正规研究项目可能导致误报。请务必查看 signals 数组，判断标记的模式是否反映了研究人员的实际方法。
• NIH 资助数据仅涵盖美国联邦资助。 主要由欧洲、亚洲或私人基金会资助的研究人员会受到“未找到资助”的惩罚。对于国际研究人员，请在 audit_grant_research_link 中使用 topic 参数，以减少误报。
• ORCID 完整性评分会对资料稀疏的档案进行扣分。 一些资深研究人员会主动选择维护内容较少的 ORCID 档案。若没有其他信号佐证，不应仅凭较低的 ORCID 子评分就作出负面判断。
• 此工具检测的是统计异常，而非欺诈。 异常模式可能有合理解释。输出结果是供人工审查的筛查信号，而非取证结论。
• 查询解析取决于姓名消歧。 缺少机构背景的常见研究人员姓名会返回多个不同个体的混合结果。若要准确识别，请务必提供机构名称或 ORCID ID。
• 子进程超时为 120 秒。 如果数据源响应缓慢，就会超时，并为该数据源返回空数组。综合评分根据可用数据计算；缺失的数据源会降低低风险判断的可信度。

集成

• Apify API — 从资助管理系统或编辑工作流软件以编程方式触发诚信筛查
• Webhooks — 筛查完成后，立即将 HIGH_RISK 判定推送至 Slack、电子邮件或案件管理工具
• Zapier — 连接 Airtable 或 Google Sheets 资助跟踪表；添加新申请人时自动记录诚信评分
• Make — 构建编辑投稿工作流，根据论文工厂级别判定自动将论文分流至诚信审查队列
• Google Sheets — 将批量研究人员筛查结果导出至共享电子表格，供委员会审查
• LangChain / LlamaIndex — 将研究诚信筛查作为工具嵌入大模型 Agent 流水线，用于自动化尽职调查工作流

故障排除

查询知名研究人员时，综合评分为 0。 这通常意味着研究人员的姓名未能在各数据源中正确匹配，导致所有 Actor 返回空数据集。尝试在查询中添加机构名称。对于常见姓名（例如“魏张”），添加具体领域（“魏张 计算生物学 MIT”），或直接使用 ORCID ID。

工具返回 "error": true, "message": "Spending limit reached"。 您的 Apify 运行已达到该次运行配置的最高收费限额。请在运行配置中提高 maxTotalChargeUsd，或在 Apify 控制台购买更多平台额度。

对于正规的系统综述项目，论文工厂评分较高。 模板检测模型会标记重复的标题前缀。系统综述和荟萃分析会使用系列标题命名惯例（“X 在 Y 中的系统综述：第 1、2、3 部分”），这是合理的。请查看 signals 中的具体模式；如果它符合研究人员已知的方法，请在评估中说明该标记属于误报，并结合背景进行解读。

audit_grant_research_link 未显示已获资助研究人员的任何资助。 NIH 数据仅涵盖美国联邦资助。非 NIH 资助（NSF、DOD、DARPA、私人基金会、国际资助方）不会显示。添加 topic 参数以提高 NIH 搜索相关性，并在评估中注明这一局限。

子 Actor 超时导致结果不完整。 详细输出中的空数据数组表示一个或多个来源 Actor 超时。请重新运行相同的查询；后续运行通常会成功。如果某个特定来源持续超时，请将 generate_integrity_report 的结果视为部分结果，并注明哪些来源不可用。

负责任地使用

• 此服务访问的所有数据均来自公开可用的学术数据库和联邦资助记录。
• 研究诚信筛查结果是统计指标，并非取证结论。未经独立专家审查，请勿将评分作为做出不利雇佣、资助或发表决定的唯一依据。
• 存储或分享包含研究人员个人信息的筛查结果时，请遵守适用的数据保护法规。
• 请勿仅凭筛查评分使用此工具骚扰、诽谤或歧视研究人员。
• 有关网页抓取和数据使用合法性的指南，请参阅 Apify 指南。

常见问题

基于 Benford 定律的研究诚信筛查是如何运作的？ Benford 定律预测，在自然产生的数值数据集中，数字 1 约有 30.1% 的概率作为首位数字出现，数字 2 约为 17.6%，直到数字 9 的 4.6%。大量出版物中的引用次数自然符合这种分布。当研究人员的引用次数明显偏离这一分布时——尤其是数字 1 的出现频率远低于预期时——这可能表明特定引用次数遭到人为夸大。detect_citation_anomalies 工具会返回各个数字的观察值与预期值对比，方便您的团队独立评估每个数字的偏差程度。

什么是论文工厂？研究诚信筛查如何检测论文工厂？ 论文工厂是商业服务机构，会为需要发表成果的研究人员制作虚假或抄袭的学术论文并出售。这些机构产出的论文往往具有一些共同的结构特征：多篇论文使用重复的标题模板，论文集中发表在少数几本期刊上，并且相同的小型作者群体反复出现在许多无关论文中。check_publication_flags 工具会检测这三种模式，具体使用标题前缀频率分析（出现 3 次或以上的 5 词前缀）、期刊集中度评分（在同一期刊发表的比例超过 50%）和作者组独特性比率（在 10 篇以上论文中，独特作者组比例低于 30%）。 研究诚信筛查能否确定地识别学术造假？ 不能。此 MCP 可识别与诚信问题相关的统计异常和警示信号。异常模式可能有合理解释——只在一家期刊发表的研究人员可能是该期刊的编辑，也可能是在合适发表渠道很少的狭窄领域工作。请利用结果确定人工审核的优先级，而不要用它取代人工审核。requiredActions 字段会指出人工审核人员接下来应执行的具体检查。

发表速度检查的准确度如何？ 速度模型会标记研究人员年发表论文数超过 30 篇的年份；如果某年的发表量同比增长达到或超过 3 倍，且后一年的论文数至少为 10 篇，也会标记出来。这些阈值是根据典型的学术产出情况校准的（大多数研究人员每年发表 3-8 篇论文）。负责大型合作项目或临床试验联盟的研究人员，可能会在某一年产出大量论文。连续多年保持较高发表速度是更强的信号。

一次典型的研究诚信筛查需要多长时间？ screen_researcher_integrity 和 check_publication_flags 工具会并行查询 3-4 个数据源，通常需要 60-90 秒完成。generate_integrity_report 工具会并行查询全部 7 个数据源，通常需要 90-150 秒完成，具体取决于底层学术数据库的 API 响应时间。

一次会话中最多可以筛查多少名研究人员？ 每次会话没有硬性上限。批量筛查时，可根据客户端的并发能力，依次或并行调用工具。每次调用的费用均为 $0.045。如需筛查 200 名或更多研究人员，可考虑通过 API 安排 Apify 运行，并异步处理结果。

研究诚信筛查与 iThenticate 或 Turnitin 有何不同？ iThenticate 和 Turnitin 通过将稿件文本与已知来源进行比对来检测文本抄袭。此 MCP 不会分析稿件文本，而是分析发表元数据、引用模式、资助记录和研究人员资料。这两种方法可以互为补充：对提交的稿件使用抄袭检测，对研究人员使用此 MCP 进行模式分析和授奖前筛查。

研究诚信筛查能否检测利益冲突？ 不能直接检测。资助风险模型会识别资助与论文之间的关联及资助集中情况，从而揭示财务关系。若要明确筛查利益冲突——包括行业付款、股权持有或咨询关系——请结合财务披露数据库使用。SEC EDGAR Filing Analyzer 可识别已披露在上市公司中持有财务利益的研究人员。

将此工具用于研究人员筛查是否合法？ 所有底层数据源均为公开资源：OpenAlex、ORCID、PubMed、Crossref、CORE 和 NIH Grants 都是开放的学术数据库。在学术管理和资助管理中，访问并分析公开记录以维护研究诚信属于常见做法。有关更广泛的背景信息，请参阅 Apify 关于网页抓取合法性的指南。

能否安排定期运行研究诚信筛查？ 可以。使用 Apify Scheduler 按每日、每周或每月的频率触发 actor。配置 webhook，将 HIGH_RISK 判定推送到通知系统。这适用于持续监控研究组合：当一名此前判定为 CLEAR 的研究人员发表新论文后，评分变为 INVESTIGATION_NEEDED 时，系统会发出提醒。 数据源未返回结果时会发生什么？ 评分函数可以妥善处理空数组——当某个 actor 超时或未找到匹配项时，每个数据源都会默认返回一个空数组。系统会根据可用数据计算分数。ORCID 未返回任何结果时，完整性模型会在诚信子分数中扣除 10 分，并发出“No ORCID profile found”信号。对于多个数据源均未返回结果的情况，请比对所有七个数据源均有结果的情况更加谨慎。

研究诚信筛查与手动逐一搜索各学术数据库有何不同？ 手动跨数据库研究每位研究人员需要 2-3 小时。这个 MCP 会在 2 分钟内并行查询全部七个数据源，自动应用四种评分算法，并返回 AI Agent 可进行推理的机器可读结构化输出。它能避免数据库间的转录错误，并为筛查的每位研究人员生成一致且可比较的分数。

帮助我们改进

如果遇到问题，您可以在 Apify 账户中启用运行共享，帮助我们更快地排查问题：

1. 前往 账户设置 > 隐私
2. 启用 与公开 Actor 创建者共享运行记录

这样，当出现问题时，我们就能查看您的运行详情，从而更快地修复问题。您的数据仅对 actor 开发者可见，不会公开。

支持

发现错误或有功能需求？请在此 actor 页面上的 Issues 标签页中提交问题。如需定制解决方案或企业集成，请通过 Apify 平台联系我们。