Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com28. Juli 2026 · Q011027

AI Just Flagged 250,000 Fake Cancer Papers. It Was Trained on the Same Pile.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der Auszug berichtet, ein mit 2,6 Millionen Krebsartikeln trainiertes Modell habe laut einer BMJ-Studie über 250.000 Arbeiten als textlich auffällig im Hinblick auf Paper Mills markiert; der Autor betont, dass das Modell aus derselben Literatur gelernt habe, die es untersucht. Methode und Fehlerraten werden im sichtbaren Text nicht erläutert, und eine Bezahlschranke verdeckt den restlichen Beitrag.

Mittel

Der Auszug beschreibt eine im Juli 2026 in The BMJ veröffentlichte Studie zu möglichen Hinweisen auf sogenannte Paper Mills, die laut Bericht gefälschte Forschung industriell herstellen. Ein Team unter Adrian Barnett soll ein maschinelles Lernmodell mit 2,6 Millionen Krebsartikeln aus den Jahren 1999 bis 2024 trainiert haben. Es habe mehr als 250.000 Arbeiten anhand ihrer Textmerkmale markiert. Der Autor beziffert dies auf fast ein Zehntel der untersuchten Literatur und berichtet von einem Anstieg des markierten Anteils von etwa einem Prozent in den frühen 2000er-Jahren auf über 16 Prozent im Jahr 2022. Auch Artikel aus einflussreichen Zeitschriften seien betroffen gewesen.

Die zentrale Frage des Autors: Das Modell zur Erkennung verdächtiger Arbeiten wurde mit derselben Literatur trainiert, die laut Bericht teilweise problematisch ist. Der sichtbare Text erläutert weder die Methode noch Fehlerraten oder die Bedeutung einer Markierung. Die Zahlen sind daher als Berichtsaussagen wiedergegeben und belegen für sich allein keine Fälschung einzelner Artikel. Es liegt nur der Anfang des Beitrags vor; eine Medium-Mitglieder-Schranke verdeckt den weiteren Inhalt.

Ausführlich lesen

Der vorliegende Berichtsauszug behandelt die Verlässlichkeit veröffentlichter Krebsforschung und eine Untersuchung, die mögliche Hinweise auf sogenannte „Paper Mills“ sucht – Unternehmen, die laut Text gefälschte Forschungsarbeiten in großer Zahl herstellen und verkaufen. Der Autor beschreibt zunächst die verbreitete Annahme, dass Fachzeitschriften, Herausgeber und Gutachter Forschung vor der Veröffentlichung ausreichend prüfen. Diese Prüfung sei entscheidend dafür, dass Leserinnen und Leser veröffentlichten Studien vertrauen können.

Der Auszug berichtet, dass eine im Juli 2026 in The BMJ veröffentlichte Studie von einem Team unter Leitung von Professor Adrian Barnett an der Queensland University of Technology stammt. Demnach trainierte das Team ein maschinelles Lernmodell anhand von 2,6 Millionen Krebsartikeln aus den Jahren 1999 bis 2024. Das Modell habe bei mehr als 250.000 Arbeiten Textmerkmale erkannt, die mit Paper Mills in Verbindung gebracht würden. Der Autor setzt dies mit annähernd einem Zehntel der untersuchten Arbeiten gleich. Dem Bericht zufolge nahm der Anteil der markierten Artikel von ungefähr einem Prozent in den frühen 2000er-Jahren auf mehr als 16 Prozent im Jahr 2022 zu. Auch Artikel in einflussreichen Fachzeitschriften seien erfasst worden.

Als zentrale Pointe stellt der Autor einen möglichen Widerspruch heraus: Das Modell, das verdächtige Forschung aufspüren soll, sei mit derselben wissenschaftlichen Literatur trainiert worden, die nach Darstellung des Artikels teilweise von solchen Problemen betroffen ist. Im sichtbaren Auszug werden jedoch weder die konkreten Methoden der Studie noch die Aussagekraft und Fehlerraten des Modells ausgeführt. Daher lässt sich aus diesem Textausschnitt nicht beurteilen, wie die Markierungen zustande kamen oder ob sie einzelne Arbeiten als gefälscht nachweisen. Die Zahlen und die Einordnung sind hier als Aussagen des Berichts wiedergegeben, nicht unabhängig geprüft.

Der Beitrag ist im bereitgestellten Text nicht vollständig enthalten: Nach der Überschrift zu diesem Spannungsverhältnis erscheint eine Medium-Mitglieder-Schranke, die den restlichen Artikel unzugänglich macht. Die Zusammenfassung kann sich deshalb nur auf den sichtbaren Anfang und die darin genannten Angaben stützen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Vorfälle melden
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %Hintergrund, keine Belege
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 32 %Hintergrund, keine Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 31 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 61 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 37 %gleiches Oberthema, hilft nicht
    • JEV 42 %einzelne zitierbare Belege
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 55 %einzelne zitierbare Belege
    • amos 27 %einzelne zitierbare Belege
    • SubQ 27 %einzelne zitierbare Belege
    • drex 26 %einzelne zitierbare Belege
    • d3-ultra 36 %gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →