cs.DL提交于 2026-10-23已译

零成本检测伪造引文：面向学位论文评分的分阶段启发式方法

Zero-Cost Detection of Fabricated Citations: A Staged Heuristic Approach for Computing Dissertation Assessment

Hazrat Ali · Mohamed Elawady

中文摘要

生成式 AI(generative AI)在学术写作中的日益广泛使用，推动了学位论文和学生报告中伪造参考文献的增加。提出伪造严重度栈(Fabrication Severity Stack, FSS)，这是一个按检测复杂度将引文伪造分为三层的框架，涵盖不存在的参考文献，直至隐蔽的内容错误归因。基于 FSS，构建可通过主流 LLM 接口执行的分阶段启发式核验流程。该框架为计算机科学教育者与评审人员将参考文献核验纳入学位论文和学生报告评分提供了一套实用的零成本方案。在一项包含 100 条引文的试点研究中，其中 20% 注入了第 1 层和第 2 层伪造引文；启发式流程使主流 LLM 接口正确识别了 10 条不存在参考文献中的 9—10 条，并部分检出元数据损坏。初步结果表明，通用且免费开放的 LLM 无需依赖专有检测工具，即可在引文核验中实现较高召回率。

关键要点

01生成式 AI 的应用加剧了学位论文和学生报告中的伪造引文问题。
02伪造严重度栈(FSS)按检测复杂度将引文伪造划分为三个层级。
03分阶段启发式流程可通过主流 LLM 接口执行，无需专用检测工具。
04试点中，LLM 正确识别了 10 条不存在参考文献中的 9—10 条。
05实验仅部分检出元数据损坏，结果属于 100 条引文的初步验证。

解读

尚无解读。

原始英文摘要

arXiv:2610.28649v1 Announce Type: cross Abstract: Generative AI's growing role in academic writing has driven a rise in fabricated references across dissertations and student reports. We present the Fabrication Severity Stack (FSS), a three-tiered framework classifying citation fabrications by detection complexity - from non-existent references to subtle content misattribution. Building on the FSS, we propose a staged heuristic verification workflow, executable through mainstream LLM interfaces. We argue that this framework offers computer science educators/examiners a practical, zero-cost basis for embedding reference verification into the assessment of dissertation and students' reports. In a pilot study on 100 citations (20% seeded with Level 1 and Level 2 fabrications), the proposed heuristic workflow enabled mainstream LLM interfaces to correctly flag 9-10 of 10 non-existent references and partially detect metadata corruption. These preliminary results suggest that freely accessible, general-purpose LLMs can achieve high recall on citation verification without reliance on proprietary detection tools.