PubShield 是一个机构稿件质量保证中心，是有别于 Proofig AI 的另一款产品，可将多项诚信检查整合到同一个工作流程中。它汇集了多家合作伙伴的工具，包括 Proofig AI 的图像完整性筛查、DataSeer 的数据合规检查、iThenticate 的文本相似度分析、Pangram 的 AI 生成文本检测，以及 RefGuard 的参考文献完整性检查。这些均为 PubShield 的合作伙伴，而非 Proofig AI 的独立功能。通过整合这些检查，PubShield 让机构能够在发表前更全面地了解稿件质量，无需使用多个工具、多次登录或进行人工协调。
为什么分散的筛查工作流程会产生盲区？
在开展诚信检查的机构和出版商中，大多数都是孤立地运行各项检查。图像筛查在一个工具中进行，文本相似度检查在另一个工具中进行，数据报告合规检查又在第三个工具中进行，而参考文献核查可能根本没有开展。每个工具都有自己的界面、自己的登录账号和自己的输出格式。结果就是流程碎片化，没有任何一个人或一个仪表盘能够全面掌握稿件的诚信状况。
这种碎片化是结构性问题，而不是个别研究人员或编辑的失误。挑战的规模清楚地表明了人工协调为何力不从心。根据 UKRIO 和图像完整性专家的数据，投稿至期刊的生命科学稿件中，约有 20% 至 35% 因图像相关问题而被标记。另外，一项经同行评议的分析记录了全球排名前 20 的知名大学在 2010 年至 2019 年间的撤稿模式，图像篡改是其中的主要原因之一。此外，数据报告方面的缺漏虽然不那么显眼，却是一种独特的合规风险，使问题更加复杂。
当这些检查分散在互不相通的平台上时，问题就会被遗漏。某个机构可能发现了文本相似度问题，却漏掉了一幅重复的图表；或者标记了图像疑点，却忽视了不完整的数据可用性声明。这些遗漏的检查所带来的代价会在发表后显现，届时更正、撤稿和调查的成本将高得多，造成的损害也大得多。
Proofig AI 在 PubShield 中发挥什么作用？
在 PubShield 中，Proofig AI 提供图像完整性层。这是一项专为科学图像分析打造的专业功能，涵盖影响科研图表的各类诚信风险。
Proofig AI 在 PubShield 中的检查项包括：
| 检查项 | 检测内容 |
|---|---|
| 图像重复与复用 | 稿件内重复或复用的区域，包括经过缩放、旋转、翻转（镜像）或部分重叠的图表 |
| 图像篡改 | 单个子图内的改动，包括克隆（图像内区域复制）、拼接、删除和内容识别编辑 |
| AI 生成图像检测 | 合成图像，涵盖显微图像、组织学图像、Western blot（蛋白质印迹）、细胞培养板图像、动物成像和医学影像 |
| 图像抄袭（PubMed） | 复用已发表稿件中的子图，与 PubMed 收录数千万张图像的数据库进行比对 |
| 自我抄袭（My Database） | 研究人员复用自己此前已发表的图像，与个性化私有图像库进行比对 |
Proofig AI 已在涵盖主要科学图像类型的数十万张真实图像上完成验证。重要的是，它产生的误报非常少，这意味着审稿人可以把时间花在真正的疑点上，而不是去追查错误的标记。
该平台的可信度体现在知名出版商对它的采用上。《Science》系列期刊在旗下全部六本期刊中采用了 Proofig AI，用于在发表前筛查图像完整性问题。MDPI 在评估多种替代方案后选择了 Proofig AI，MDPI 技术创新负责人 Milos Cuculovic 表示：“从专家的意见来看，Proofig AI 无疑是最佳选择。如今我们正借此进一步确保科研诚信，并保障 MDPI 所发表研究成果的高质量。”
DataSeer 在 PubShield 中发挥什么作用？
DataSeer 在 PubShield 中提供数据报告与合规就绪层。它是 PubShield 的合作伙伴，其功能存在于 PubShield 中心之内，而非 Proofig AI 的独立功能。它的作用有别于图像完整性。DataSeer 评估稿件是否符合数据可用性、可重复性和报告标准，帮助机构和出版商在发表前发现稿件在符合开放科学要求方面的不足。
这一点很重要，因为数据报告的完整性正日益成为发表和获得资助的条件。期刊、资助机构和机构政策如今普遍要求提供数据可用性声明、共享代码并遵循报告指南。未达到这些要求的稿件可能面临直接拒稿、审稿延迟或发表后更正。
DataSeer 在 PubShield 中的检查，关注的是与 Proofig AI 图像筛查不同的稿件质量维度。二者在 PubShield 中心内协同，为审稿人提供更完整的图景：一方面是图像完整性，另一方面是数据合规。任何一项检查都无法替代另一项，二者对于全面的发表前审查都不可或缺。
为什么这一组合对机构很重要？
当诚信问题在发表后才暴露时，机构面临的风险会层层叠加。声誉受损、失去资助以及代价高昂的调查，都是有充分记录的后果。《Nature》曾报道研究人员在撤回论文时承受的个人与职业压力，而撤稿往往源于本可通过投稿前筛查发现的无心之失。而且，根据《Nature》近期的报道，撤稿率在过去十年间大约增至三倍，表明问题正在加剧，而非缓解。
在投稿前或编辑阶段同时开展图像完整性和数据合规检查，可以降低问题直到发表后才被发现的可能性。对于科研诚信负责人、编辑和合规团队而言，统一的仪表盘意味着更快的审查、更清晰的审计追踪，以及更少的跨平台人工协调。
除 Proofig AI 和 DataSeer 外，PubShield 还包括其他合作伙伴检查：
- 文本相似度与抄袭风险，由 iThenticate（Turnitin）提供
- AI 生成文本检测，由 Pangram 提供
- 参考文献完整性，由 RefGuard 提供
这些均为 PubShield 的合作伙伴，各自覆盖稿件质量的更多维度。虽然本文重点介绍图像完整性与数据合规的组合，但完整的 PubShield 中心可为处理大量投稿的机构提供更广泛的质量保证框架。
人工审查仍是核心
筛查工具呈现的是潜在问题。它们不会认定过错、确认造假，也不会取代专家判断。这一区别很重要。
Proofig AI 和 DataSeer，以及 PubShield 中的其他所有合作伙伴检查，都旨在通过标记值得进一步关注的项目来支持人工审查。标记并不等于结论。许多图像完整性问题是无意造成的，源于复杂的工作流程、合作者的参与或图表制作错误。一项经同行评议的研究发现，医学生仅检出 29.4% 的图像重复，研究人员仅检出 32.4%，这表明了仅凭人工审查的局限性，也说明了将自动化筛查作为初步筛查的价值。
目标不是预设存在不当行为，而是及早呈现疑似问题，以便具备资质的审查人员开展调查并做出有依据的决定。
在实践中采用 PubShield 是什么样的？
对于正在考虑 PubShield 的机构而言，从运营角度看，采用的理由很清楚。通过该中心提交的稿件会同时接受多个维度的筛查。图像完整性、数据合规、文本相似度、参考文献完整性和 AI 生成文本检查全部并行运行。结果汇总到同一个仪表盘中，团队可以在其中查看被标记的内容、确定后续跟进的优先级，并保存可随时用于审计的记录，无需在不同平台之间协调。
这种整合消除了实实在在的运营负担。诚信负责人和编辑团队无需再管理五个不同工具的登录账号和输出结果，只需在一个界面中工作。结果是审查周期更短、遗漏的检查更少，机构对发表前质量保证的记录也更清晰。
希望加强发表前质量保证的机构，可以了解 PubShield，借此整合目前分散或完全缺失的检查。诚信风险已有充分记录，应对这些风险的工具如今已汇集一处。
