科研不端行为是指科研人员在研究过程、成果报告及同行评议中，故意实施的偏离学术共同体公认规范的行为。国际学术界普遍将其归纳为三大核心类型，辅以若干边缘但同样严重的行为。
1.1 捏造数据
捏造数据是指完全虚构实验过程、观测记录或统计分析结果，而非基于实际实验或调查所得。这种行为的典型表现包括：编造不存在的受试者编号、伪造仪器读数、虚构基因序列或合成统计检验的P值。美国学术诚信办公室（ORI）将捏造定义为“无中生有地制造数据或结果”，被视为最严重的不端类型之一，因为它从根本上破坏了科学记录的真实性。
1.2 篡改结果
篡改结果是指对原始数据进行选择性删除、调整或美化，以使其更符合预设假设或期望结论，但并非完全虚构数据。常见手法包括：剔除“异常值”而不做说明、对图像进行非学术性的对比度或色彩调整以增强信号、通过“钓鱼统计”（如仅报告支持假设的子集分析）来制造假阳性结果。篡改比捏造更为隐蔽，因为它建立在部分真实数据基础上，但同样构成对科学诚信的实质损害。
1.3 剽窃
剽窃是指未经授权使用他人的研究思路、文字表述、数据或实验方法，并将之作为自己的成果公之于众。剽窃分为逐字抄袭（直接复制原文段落）、改写剽窃（重述他人论点但未注明出处）以及创意剽窃（窃取未发表的项目构思或实验设计）。在学术写作中，即使对原文进行同义词替换或句子结构调整，若未明确引用，仍构成剽窃。值得注意的是，自我剽窃（即重复使用自己已发表成果而不注明来源）也属于学术不端范畴。
1.4 其他不端行为
1.4.1 一稿多投与重复发表
一稿多投指作者同时将同一论文提交给两个或以上期刊审阅，违反多数期刊的“独家投稿”约定。重复发表则将内容高度重叠的论文在多个期刊上发表，可能伴有标题或摘要的细微改动。这种行为浪费同行评议资源，并可能造成文献计量上的虚假繁荣。
1.4.2 不当署名
不当署名包括以下情形：为虚增发表数量而将未做实质性贡献的人列为作者；遗漏关键贡献者；违心地将某位学术权威列为“名誉作者”或“赠与作者”；以及明确区分作者贡献等级时（如第一作者、通讯作者）发生排名纠纷。不同学科对作者资格的认定标准存在差异，但均要求署名应准确反映实际贡献。
1.4.3 利益冲突未申报
当科研人员与某研究项目存在经济、职业或情感上的潜在利益时，若未向期刊资助方或机构如实报告，即构成不端。例如，制药公司资助的临床试验研究者未披露持股关系，或评估某基金项目的评审专家隐瞒与申请人的师生关系。未申报的利益冲突可能影响研究设计、数据解释及结果报告，严重时有悖客观性原则。
科研不端行为的产生往往源于个体与系统因素的叠加，而非单一原因所致。
2.1 个体层面
2.1.1 生存压力（发表为王、晋升指标）
当代科研环境普遍奉行“不发表则灭亡”的评估体系。研究生和年轻学者面临毕业答辩、职位聘用、职称晋升等多重硬性发表指标，某些机构甚至要求博士生在入学前或入学第一年就有论文被录用。在这一残酷的筛选机制下，部分研究者选择通过不端行为“凑门槛”。例如，某高校在考核中规定“副高职称须发表C刊论文3篇”，当实验进展不利时，一些学者可能铤而走险。
2.1.2 心理因素（侥幸、虚荣与道德松弛）
侥幸心理是常见的个体成因——研究者认为“小规模的篡改不会被发现”。同时，学术虚荣心（如追求高影响力期刊发表纪录）和道德松驰倾向（即对学术规范缺乏内在认同）也会削弱自我约束。此外，由于科研工作本身的孤独性与延迟反馈特征，部分个体在缺乏外部监督时，道德判断容易出现偏差，形成“仅此一次”的自我安慰逻辑。
2.2 系统层面
2.2.1 评审机制缺陷（同行评议漏洞）
传统单盲或双盲同行评议存在多个脆弱环节：审稿人可能因精力不足而忽略数据造假信号；某些领域（如机器学习、基因组学）的伪装数据难以被肉眼识别。此外，评审过程中的“圈内人情审稿”或“师门互评”现象，也可能导致对不端行为的宽容。预印本平台的广泛使用虽然加速了知识传播，却也让未经严格审查的论文可能被知名媒体引用，从而加剧不端行为的扩散。
2.2.2 资源竞争失衡（经费与声誉的零和博弈）
科研经费分配往往集中于少数顶级实验室和明星学者。在这种“马太效应”下，一些高校和机构为获取更大资助份额，选择纵容甚至鼓励高产出但质量存疑的研究。例如，某课题组可能为了与“标杆”实验室竞争而加速出版；在资源极度稀缺的专业领域（如部分基础学科），学者之间展开零和博弈，使得投机行为成为策略选项。
2.2.3 监管与惩处不力
许多国家或高校对科研不端的监督体系存在漏洞：调查程序冗长、保密性差、举证门槛过高，导致举报者望而却步。同时，惩处力度往往较轻，例如仅对造假者处以“内部批评”或“禁止申请基金三年”，实质威慑不足。部分机构出于维护声誉的考虑，选择内部消化丑闻，而不移交至独立第三方机构处理，从而延续了不端行为的生存土壤。
3.1 常用检测方法
3.1.1 统计异常检测
统计方法尤其擅长发现数据捏造或篡改。例如，在正态分布假设下，若某论文报告的实验组与对照组均值和标准差完全一致，则存在明显异常。更复杂的检测包括：检验数据是否符合本福特定律（首位数字分布）、分析误差棒是否呈“完美对称”、检查小样本中P值的分布是否偏向0.05附近（暗示P值篡改）等。近年来，基于机器学习的异常检测模型已被开发用于识别学术数据库中的潜在伪造模式。
3.1.2 图像与文本比对
图像不当处理（如Western blot条带的重复复制或图像拼接）可通过图像分析软件（如Forensic Image Analysis Tool）进行筛查。这些工具能够识别局部区域的重复像素、过度压缩、异常噪声分布等。文本比对则依托剽窃检测系统（如Turnitin、iThenticate），通过数据库交叉比对发现逐字抄袭或改写的段落。需要注意的是，AI生成文本的检测也正在成为新挑战。
3.1.3 举报与whistleblower机制
举报（whistleblowing）在识别不端行为中扮演关键角色。美欧多数研究机构设有匿名举报热线或第三方平台，允许内部人员（如同事、学生）或外部知情者举报可疑论文。然而，举报者常面临职业报复风险，因此在很多学术社区，建立保护举报者免受歧视的制度仍然是重点课题。部分机构采用“举报奖励制度”（如分享对涉事者经费回收的一定比例）来激励诚信举报。
3.2 调查流程
3.2.1 初步评估
当举报或舆情线索出现后，科研诚信办公室或类似机构会首先进行初步评估。该阶段通常由一到两名工作人员完成，核心任务是判断举报是否具有实质性内容（如是否包含具体证据、是否属于学术不端范畴），并决定是否启动正式调查。初步评估通常在数周内完成，期间不公开具体信息，以保护被举报人名誉。
3.2.2 正式调查委员会组成
一旦决定正式调查，机构将组建独立的调查委员会。委员会成员应包括相关领域的专家、行政监管人员以及法律顾问，且所有成员须声明与被调查者无利益冲突。典型规模为3-5人，任期至调查终结。在某些国家，调查可能由外部院士团或国家科研诚信委员会主导。
3.2.3 听证与证据裁决
调查过程包括调取原始实验记录、数据存储介质、电子通讯记录，并举行听证会。被调查者有权委托律师或特选学术代表。证据裁决遵循“优势证据”原则（证据的权重高于无证据状态），而非刑事标准。最终报告应明确认定是否存在不端行为，及对应的处罚建议。整个过程通常持续半年至两年，且应全程保密直至最终报告发布。
4.1 对科研人员的直接惩戒
4.1.1 论文撤回与取消资质
最直接的后果是被控论文被正式撤回（retraction）。根据撤稿观察数据库统计，绝大多数撤稿案例涉及捏造或篡改数据。撤回后，论文原文仍保留在数据库中但加盖撤回标记，使其不再被视为有效科学文献。同时，当事人可能被取消学术资质（如吊销博士学位、终身教职解聘），严重时还将被列入诚信黑名单并终身禁止申请联邦基金。
4.1.2 经费回收与就业限制
涉及已获经费的项目，资助方有权追回全部或部分资助。例如，美国国立卫生研究院（NIH）曾对造假学者追回数百万美元经费。此外，当事人将在一定年限内（如3-10年）丧失申请各级基金、担任审稿人、参与评审委员会及担任行政职务的资格。就业层面，学术不端记录将严重影响其职业发展，部分机构甚至会将此作为解雇理由。
4.2 对科学共同体的系统冲击
4.2.1 知识污染与可重复性危机
每一项不端行为都向科学知识库中注入错误结论。后续研究若基于这些虚假数据开展验证或延伸工作，将陷入“错误传播”链条。当某一领域（如社会心理学、肿瘤生物学）频繁出现不可重复结果时，便会引发可重复性危机，迫使整个领域重新审视研究方法。同时，严重的造假事件可能迫使整个研究领域付出数年的纠错时间。
4.2.2 公众信任衰减
科学界的公信力建立在诚信之上。每一次被公开报道的渎职丑闻（如所谓“韩春雨基因编辑”事件）都会削弱公众对科研投入的正当性认知。当民众怀疑“科学研究可能是在制造谎言”时，对疫苗、气候变化、营养建议等知识的接受度就会降低，从而导致理性决策的缺失。此外，政策制定者也可能因不端事件而削减科学经费。
5.1 教育与培训
5.1.1 研究伦理课程
最基础的措施是将《负责任研究行为》纳入高校及科研机构培养方案的必修课。课程应覆盖实验记录规范、作者署名规则、利益冲突申报、图像处理伦理、数据管理策略等，并可结合最新案例进行讨论。部分机构采用在线模块考试（如CITI Program）来确保所有新生通过伦理认证。
5.1.2 导师责任与模范作用
导师在预防不端中承担关键角色。机构应明确规定导师对于学生或博士后科研诚信的直接监督责任，如定期检查原始实验记录、审核数据处理流程、指导论文撰写伦理。同时，导师自身的诚信示范效应不可低估——一个在论文中添加“善意虚假数据”的导师，往往为整个课题组播下不端行为的种子。
5.2 制度设计
5.2.1 数据开放与预注册
推动研究计划、方法及原始数据的公开分享可遏制事后篡改与选择性报告。预注册制度要求研究者在数据收集前提交分析计划与假设，从而将探索性分析与确证性分析区分开来。当数据开放库（如figshare、Dryad）成为期刊出版的条件之一时，造假者将面临更高的暴露风险。
5.2.2 加强第三方抽查与审计
建立独立的第三方审计机制，对高风险领域（如临床试验、大型流行病学调查）进行随机数据检查。例如，美国FDA定期对药物临床试验机构进行现场检查，核实记录的真实性。类似的统计审计可适用于资助金额较大的基础研究项目。审计结果应公开并作为未来资助的参考依据。
5.3 文化变革
5.3.1 从“发表或灭亡”转向“质量优先”
改变科研评价体系，从对论文数量的追求转向对方法学严谨性、可重复性及长期影响力的考量。例如，部分机构推行的“负引用指数”或“方法论文发表”机制，都对数据质量提出了更高要求。此外，鼓励对阴性结果、重复实验的发表，可有效抑制因“不显著就不发表”而导致的偏态发表。
5.3.2 建立宽容诚实错误的氛围
科研创新天然伴随不确定性，并非所有错误都属于不端。机构需要建立“诚实错误”与“不端行为”的明确区分标准，对发现的早期错误采取通报改正而非惩罚措施。这需要领导者公开承认过往错误、建立开放讨论文化，从而降低因恐惧失败而选择造假的动机。同时，诚实的错误应当被记录在实验日志中，并纳入数据共享文档的部分，为后人提供宝贵的经验教训。