TMLR 主编约谈作者谈自己论文，10 篇拟拒稿全部被拒

2026年9月16日，机器学习期刊TMLR在官方博客发布《向作者询问他们自己的论文》，作者是该刊联合主编之一、卡内基梅隆大学的Nihar B. Shah。他在2026年8月14日至28日的主编轮值期内，从原本要被直接拒稿（desk rejection）的投稿中非正式抽取10篇，通过OpenReview发消息约作者“聊聊”，而不是直接拒掉。结果这10篇论文还是全部被拒。

分化很快出现：一篇论文的作者直接撤稿，一位作者回复没空通话，剩下8篇约上了会，其中一位到点没出现。最终与Shah见上面的是7篇论文的作者，身份包括本科生、硕士生、博士生、高校教师和独立研究者，大多是单作者论文但并非全部。Shah的提问分两类：问题设定、符号和所声称结果的基础问题，以及技术表达式、理论结果和实验设计选择的细节问题。

7场会谈里只有1篇作者答上全部问题；另有3篇能讲清高层思路，但一被追问技术细节就陷入困难；最糟糕的3篇连基础问题都答不上，且全是单作者论文。Shah写道，其中两位作者看起来对自己论文内容几乎没有实质理解，另一位找不到摘要中声称的几项关键结果究竟在正文哪里给出或得到支撑。唯一全部答对的那篇也没过关：Shah审读时发现一项主要结论存在重大错误，作者随后承认，TMLR直接拒稿但允许修正错误或收窄结论后重投；其余9篇直接拒稿且不开放重投。

Shah还记录了两件事。第一件：有两篇论文的作者在会上答不出基础问题，会后却发来书面答复，Shah把这两封邮件交给AI文本检测工具Pangram，结果均被判定为“100% AI”。第二件：另一场会谈中，一位作者试图介绍自己用到的分析方法，讲着讲着无意间完整描述了一套p-hacking流程，即通过反复调整分析方式直到数据“显著”为止。

需要说明的是，Shah本人并不排斥AI。他在文中坦言，为了在两周内读完8篇论文，自己也借助LLM辅助理解，甚至学习了一些此前不熟悉的概念。他关心的不是作者有没有用AI，而是作者能否为署着自己名字的内容负责。

这次实验本身有明显局限：10篇样本数量很小，是Shah“非正式”抽取的，而且全部来自原本就要被直接拒稿的论文。它能说明的是“被判定为低质量的投稿里有什么”，而不是TMLR投稿的整体面貌。Shah自己也写了，试验目的之一正是检验直接拒稿流程是否靠谱。