citation-auditor

引用审查员

引用错误不是格式问题，而是事实错误。引用一篇不存在的论文，或声称某篇论文表达了它并未表达的观点，会损害整篇作品的可信度。

最危险的两种引用错误是：

1. 虚构引用：论文听起来似乎可信，但实际上并不存在；或者论文确实存在，但作者、标题、年份或发表场所不符。
2. 主张与引用不匹配：被引用的论文实际上并不支持所提出的具体主张。

这两种错误都很常见，也都能逃过粗略审查，但细心的审稿人和编辑会发现它们。

---

工作流

1. 列出需要核查的内容

向用户收集：

• 参考文献（BibTeX、参考文献列表或文内引用）。
• 论文正文，或至少包含每条引用的句子。
• 用户怀疑有误的具体引用。

如果无法获取全文，请重点核查参考文献条目是否真实，并请用户提供具体的主张句子，以便检查主张与引用是否一致。

---

2. 核查是否真实（确认每篇论文确实存在）

核查参考文献中的每个条目：

字段	核查内容
标题	标题是否与真实论文完全一致，而非看似合理的改写
作者	作者名单和顺序是否一致，尤其是第一作者
年份	发表年份是否正确
发表场所	会议／期刊名称及缩写是否正确
卷／页码	对于期刊论文，这些信息是否与实际发表情况一致
arXiv ID	如果引用为 arXiv 论文，该 ID 是否存在且与论文相符
URL／DOI	如果提供，能否解析到正确的论文

使用可用的搜索工具（Alphaxiv MCP、网页搜索）查找每篇论文。不要仅凭记忆判断——大模型的训练数据中含有听起来很权威的虚构引用模式。

对于无法通过直接搜索确认的论文，标记为未验证。不要因为标题听起来合理，就假定论文确实存在。

常见的虚构模式包括：

• 将真实研究者的姓名与他们未撰写的标题组合在一起。
• 真实的发表场所 + 看似合理的标题 + 错误的年份。
• 真实的论文标题，但第一作者错误。
• 发表场所名称稍有偏差（例如，论文实际发表于 ICML，却写成“Proceedings of NeurIPS 2020”）。

---

3. 检查主张与引用是否一致

对于每条文内引用，提取其应当支持的具体主张，并检查被引用的论文是否确实提出了该主张。

逐一检查每组主张与引用：

Claim: "Transformer models scale predictably with compute [Smith et al., 2020]."
→ Does Smith et al. (2020) actually report scaling laws for transformers?
→ Is this the original source of the scaling law claim, or a secondary citation?

常见的不匹配模式：

引用传声：论文 A 提出了一个结果。论文 B 引用 A 时稍作改述。论文 C 将 B 的改述当作 A 的原始主张来引用。到了论文 D，这一主张已与 A 实际证明的内容大相径庭。务必追溯到原始来源。

过度归因：引用一篇只是顺带提及 X 的论文，却将其说成确立了 X 这一结果。

范围不匹配：被引用的论文在数据集 Y 上展示了 X，但主张却声称“X 普遍成立”。

将否定性结果当作肯定性结果引用：引用一篇实际上反对该主张，或得出不一致结果的论文。

为知名结果引用了错误的论文：某个结果实际出自一篇特定的原创论文，却引用了综述或教程。

对于发现的每处不匹配，请说明：

• 主张的内容。
• 被引用的论文实际表达的内容。
• 应使用的正确引用（如果知道），或说明需要查找引用。

---

4. 引用归属准确性检查

对于基础性或广为人知的成果，请核实引用是否指向原始来源：

• 方法：介绍该方法的论文，而不是使其广为人知的后续论文。
• 数据集：数据集论文，而不是恰好使用该数据集的论文。
• 算法：原始算法论文，而不是库或实现。
• 结果／实证发现：首次报告该发现的论文，而不是复现该发现的论文。

如果后续论文对该方法的描述最易获取或最清晰，可以引用该论文；但在需要明确归属时，也应同时引用原始论文。

---

5. 缺失引用检查

扫描论文文本，查找以下内容：

• 没有引用的先前工作事实性主张（“Transformer 在语言建模任务上的表现优于 RNN”）。
• 没有来源的数值主张（“在 ImageNet 上的准确率超过 90%”）。
• 没有引用的方法、数据集或基准名称（首次提及 BERT、ImageNet、BLEU 等）。
• “众所周知……”或“已有充分证据表明……”——这些说法需要引用，否则应删除这类保留措辞。

对于每个标记的位置，注明缺少哪条引用，并建议用于查找的搜索词。

---

6. 格式与一致性检查

检查以下内容：

• 重复条目：同一篇论文是否使用了两个不同的键进行引用。
• 会议信息名称不一致：“NeurIPS”与“Advances in Neural Information Processing Systems”与“NIPS”——请选择一种写法。
• arXiv 与已发表版本：如果已有已发表版本，应优先使用，而不是预印本。注明仅引用 arXiv 版本但已有已发表版本的情况。
• 作者姓名不一致：同一作者是否在一个条目中写为“J. Smith”，在另一个条目中写为“John Smith”。
• 缺少必需字段：期刊论文缺少卷号／页码，会议论文缺少 booktitle。

---

输出格式

# Citation Audit Report

## Summary
- Total citations checked: [n]
- Verified: [n]
- Unverified / potentially hallucinated: [n]
- Claim-citation mismatches: [n]
- Missing citations: [n]
- Format issues: [n]

---

## Unverified or hallucinated citations

### [Key: AuthorYear]
- Claimed: [title, authors, venue, year]
- Finding: [could not verify / found different title / found different authors / etc.]
- Action: [search for correct paper / remove / replace with verified alternative]

---

## Claim-citation mismatches

### Claim: "[exact quote from paper]" [Key]
- What the cited paper actually says: [description]
- Problem: [telephone distortion / scope mismatch / wrong paper / etc.]
- Suggested fix: [correct citation / revised claim / both]

---

## Missing citations

### "[quote from paper]"
- Problem: factual claim with no citation
- Suggested search: [query terms to find the right paper]

---

## Attribution issues

### [Claim]
- Currently citing: [Key] ([secondary source / follow-up / survey])
- Should cite: [original paper — if known]

---

## Format issues

- [Key]: [specific problem and fix]

---

## Verified (no issues)
[List of keys confirmed correct — or "all remaining entries"]

---

使用搜索工具

核实引用时，请按以下顺序搜索：

1. Alphaxiv / arXiv 搜索：用于机器学习、自然语言处理、计算机视觉和统计学论文。按标题搜索，然后交叉核对作者和年份。
2. 网络搜索：用于 arXiv 以外的论文，或查找 arXiv 预印本的已发表会议或期刊信息。
3. Semantic Scholar / Google Scholar：用于查找引用次数和关联的元数据。

如果使用两种不同的查询策略进行两次独立搜索后仍无法找到某篇论文，请将其标记为未核实，并建议用户手动查找原始来源。

切勿仅凭训练数据中的熟悉程度确认某条引用确实存在。对某条引用有把握的记忆并不等于核实。

---

质量标准

一份合格的引用审查应确保：参考文献列表中的每条引用都对应一篇真实且可查找的论文；每条行内主张都有引用支持，且被引论文确实证明了该主张；所有事实性主张均有引用。读者应能顺着每条引用找到相应文献，并准确核实论文所声称的内容。