การตรวจสอบการอ้างอิงที่ถูก “หลอน” (Hallucinated-Citation Audit): เช็กก่อนส่งต้นฉบับ

การตรวจสอบการอ้างอิงที่ถูกหลอนก่อนส่งต้นฉบับในวันนี้ คือเส้นแบ่งระหว่างหน้าจอที่สะอาดกับการถูกตั้งธงด้านความซื่อสัตย์ในการวิจัย และเหตุผลที่เรื่องนี้ “สำคัญ” ถูกทำให้ชัดขึ้นด้วยตัวเลขเชิงปริมาณมากขึ้นแล้ว Maxim Topaz นักวิจัยจากทีมที่ Columbia ซึ่งตรวจสอบบทความชีวการแพทย์ 2.5 ล้านฉบับที่ถูกรวมดัชนีใน PubMed Central ได้พบสิ่งที่หลายคนแอบกังวลอยู่จริง ๆ จำนวน “การอ้างอิงปลอม” ที่ถูกใส่ลงในบทความทางการแพทย์ที่ผ่านการตรวจโดย peer review เพิ่มขึ้นอย่างรวดเร็วในช่วงเดียวกับที่เครื่องมือสร้างข้อความด้วย AI เริ่มเข้ามาอยู่ในเวิร์กโฟลว์การร่างต้นฉบับของนักวิจัยโดยเฉลี่ย หนึ่งในทุก 277 บทความที่ถูกอ้างอิงในช่วงเจ็ดสัปดาห์แรกของปี 2026 มีอย่างน้อยหนึ่งรายการอ้างอิงที่ไม่สามารถพบได้จากที่ใดเลยใน PubMed, Crossref, OpenAlex หรือ Google Scholar สองปีก่อนหน้านั้น สัดส่วนอยู่ที่ 1 ใน 2,828 เรากำลังเผชิญกับอัตราการ “อ้างอิงปลอม” ที่เล็ดลอดเข้าสู่วงการสิ่งพิมพ์ทางวิชาการเพิ่มขึ้นถึง 12 เท่า โดยการพุ่งขึ้นที่มากที่สุดเริ่มขึ้นตามกำหนดตั้งแต่ช่วงกลางปี 2024

การตรวจสอบของ Topaz ให้ “ตัวเลขที่สะอาดที่สุด” ที่เรามีอยู่ แต่ก็ไม่ใช่แหล่งเดียว ArXiv ประกาศแบนการส่งต้นฉบับเป็นเวลาหนึ่งปีสำหรับผู้เขียนที่โพสต์งานซึ่งมีข้อผิดพลาดที่สร้างโดย AI อย่างชัดเจน รวมถึงการอ้างอิงที่ถูกหลอน GPTZero วิเคราะห์บทความที่รับเข้าจำนวน 4,841 ฉบับจาก NeurIPS 2025 พบการอ้างอิงที่ถูกหลอนซึ่งยืนยันได้อย่างน้อย 100 รายการในบทความจำนวน 53 ฉบับ หลังจากที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ 3–5 คน การศึกษาของมหาวิทยาลัย Deakin ที่ตรวจการอ้างอิงซึ่งถูกสร้างโดย GPT-4o พบว่า 56 เปอร์เซ็นต์เป็นข้อมูลปลอมหรือมีข้อผิดพลาด และ 64 เปอร์เซ็นต์ของรายการปลอมเหล่านั้นถูก “แพ็กมา” พร้อม DOI ที่เชื่อมไปยังบทความจริงแต่เป็นคนละเรื่อง รูปแบบที่ยากที่สุดที่จะจับได้

ข่าวดีคือ การตรวจสอบการอ้างอิงที่ถูกหลอนก่อนส่งต้นฉบับใช้เวลาประมาณ 20 นาทีถึง 2 ชั่วโมง (ขึ้นอยู่กับขนาดรายการอ้างอิง) และมักจะจับข้อผิดพลาดเหล่านี้ได้แทบทั้งหมดก่อนที่บรรณาธิการหรือผู้ตรวจจะเห็น นี่คือบทความสำหรับการตรวจสอบ เราจะอธิบายว่า “การอ้างอิงที่ถูกหลอน” ในปี 2026 หน้าตาเป็นอย่างไร เวิร์กโฟลว์การตรวจสอบด้วยฐานข้อมูล 4 แหล่ง เช็กลิสต์แบบทีละขั้นก่อนส่ง เครื่องมือที่ทำให้งานอัตโนมัติได้ และควรทำอย่างไรเมื่อพบการอ้างอิงที่ถูกหลอนในต้นฉบับที่กำลังถูกพิจารณาอยู่แล้ว

การตรวจสอบการอ้างอิงที่ถูกหลอนคืออะไร?

การตรวจสอบการอ้างอิงที่ถูกหลอน (hallucinated citation audit) คือการตรวจเช็กก่อนส่งต้นฉบับที่ยืนยันว่า “ทุกการอ้างอิง” ในต้นฉบับของคุณมีอยู่จริงใน PubMed, Crossref, OpenAlex และ Google Scholar เพื่อจับการอ้างอิงที่สร้างขึ้นหรือการอ้างอิงที่ไม่ตรงกันก่อนที่บรรณาธิการหรือผู้ตรวจจะเห็น ทั้งนี้ขึ้นอยู่กับขนาดรายการอ้างอิง จะใช้เวลาราว 20 นาทีถึง 2 ชั่วโมง และมักจะจับข้อผิดพลาดเหล่านี้ได้แทบทั้งหมด เรื่องนี้สำคัญเพราะในช่วงเจ็ดสัปดาห์แรกของปี 2026 มีหนึ่งใน 277 บทความที่ถูกรวมดัชนีใน PubMed อ้างอย่างน้อยหนึ่งรายการที่ไม่อยู่ในฐานข้อมูลทั้งสี่แห่งนั้น ซึ่งเพิ่มขึ้นถึง 12 เท่าเมื่อเทียบกับอัตราในปี 2023 ที่อยู่ที่ 1 ใน 2,828

ทำไมการอ้างอิงที่ถูกหลอนจึงกลายเป็นปัญหาที่ต้องคัดกรองแล้วในตอนนี้

ในช่วงครึ่งหลังของปี 2024 บรรณาธิการเริ่มสังเกตเห็น “การอ้างอิงที่ถูกหลอน” บนหน้าจอของทีมตรวจทางเทคนิคของตนเอง ช่วงกลางปี 2026 วารสารทางการแพทย์และวิทยาศาสตร์ชีวภาพชั้นนำทั้งหมดจะใส่ขั้นตอนตรวจสอบการมีอยู่ของรายการอ้างอิงเข้าไปในกระบวนการพิจารณาก่อนส่งของภายในองค์กร หรือในแนวทางสำหรับผู้ตรวจ peer reviewers จดหมายจาก The Lancet ที่เผยแพร่การตรวจสอบของ Topaz นั้นเป็นส่วนหนึ่งของคำมั่นสาธารณะในการทำให้กระบวนการรับต้นฉบับของวารสารมีความเข้มงวดขึ้น

เหตุผลที่เรื่องนี้สำคัญในเชิงปฏิบัติการคือ การอ้างอิงที่ถูกหลอนไม่ได้ถูกมองว่าเป็นความผิดพลาดแบบไม่ตั้งใจอีกต่อไป แต่ถูกจัดเป็น “ธงด้านความซื่อสัตย์ในการวิจัย” การเปลี่ยนจาก “ผู้เขียนทำผิดปี” เป็น “ผู้เขียนไม่ได้อ่านแหล่งอ้างอิงนี้ เพราะมันไม่มีอยู่จริง” สั้นมาก และบรรณาธิการได้รับการฝึกให้ทำเช่นนั้น ในวารสารส่วนใหญ่ การใส่รายการอ้างอิงเพียงหนึ่งรายการในลิสต์ 60 รายการอาจเพียงพอที่จะปัดต้นฉบับตกไปได้ แต่ในวารสารที่เข้มงวดที่สุด (เช่น The Lancet, BMJ และวารสารหลายชื่อใน Nature Portfolio) อาจนำไปสู่การส่งต่อไปยังสำนักงานความซื่อสัตย์ในการวิจัยของสถาบัน

นโยบายของ arXiv สื่อสารประเด็นเดียวกันในรูปแบบที่ชัดและเข้มกว่า ผู้เขียนที่ส่งต้นฉบับซึ่งมีการอ้างอิงที่ถูกหลอนอาจถูกแบนจาก arXiv เป็นเวลาหนึ่งปี หลังจากการแบน ในการส่ง arXiv ครั้งถัดไปทุกครั้งจะต้องผ่านการตรวจโดย peer review ในเวทีที่น่าเชื่อถือก่อนที่ arXiv จะยอมรับอีกครั้ง นี่คือความไม่สมมาตรด้านชื่อเสียงแบบถาวร ซึ่งเกิดจากการอ้างอิงเพียงรายการเดียวที่ไม่ได้ถูกตรวจสอบ ปัญหา “การอ้างอิงปลอม” ใน pubmed ไม่ใช่แค่ปัญหาเฉพาะ PubMed

การอ้างอิงที่ถูกหลอนหน้าตาเป็นอย่างไรจริง ๆ

ผู้เขียนส่วนใหญ่มักจินตนาการว่าการอ้างอิงที่ถูกหลอนต้อง “พังชัดเจน” เช่น ชื่อเรื่องที่ผิดรูปแบบ ชื่อวารสารที่ไม่มีอยู่จริง หรือปีที่ตั้งไว้ในอนาคต สิ่งเหล่านี้มีอยู่จริง และเป็น “ส่วนที่ง่ายที่สุด” ของปัญหา คิดเป็นราว 30 เปอร์เซ็นต์ที่ตรวจจับได้เร็ว

แต่ส่วนที่ยากกว่า 70 เปอร์เซ็นต์นั้นดู “น่าเชื่อถือ” และผ่านการตรวจด้วยสายตาอย่างรวดเร็ว

เราพบรูปแบบที่เกิดซ้ำอยู่ 4 แบบ

รูปแบบ 1: ผู้เขียนจริง วารสารจริง ชื่อเรื่องดูสมเหตุสมผล แต่ไม่มียังงานชิ้นนั้นอยู่ โมเดลประกอบการอ้างอิงจากข้อมูลการฝึกที่สอนว่า “ผู้เขียนแบบไหนตีพิมพ์ในที่ไหน” และ “หัวข้อใดมักลงในสื่อใด” ผลลัพธ์จึงอ่านเหมือนการอ้างอิงจริง DOI ถ้ามีอยู่ อาจไม่สามารถ resolve ได้ หรือ resolve ไปยังบทความอีกชิ้นที่ไม่ใช่เรื่องเดียวกัน

รูปแบบ 2: บทความจริง แต่ผู้เขียนผิดหรือปีผิด โมเดลรู้ว่าบทความนั้นมีอยู่จริง แต่จับคู่ค่าข้อมูลเมตาที่ไม่ตรงกัน การอ้างอิงผ่านการค้นหาด้วยชื่อเรื่องใน Google Scholar แต่ล้มเหลวในการ lookup DOI โดยปกติแล้วรูปแบบนี้จะตรวจพบได้ยากที่สุด เพราะข้อความอ้างอิงเชิงข้อเท็จจริงที่ถูกยกมามัก “อาจมีอยู่” ในบทความจริง (แต่เป็นของผู้เขียนคนละคนหรือปีคนละปี)

รูปแบบ 3: DOI จริง แต่ชี้ไปบทความที่ไม่เกี่ยวข้อง ผลการศึกษาของ Deakin โมเดลสร้างการอ้างอิงที่ดูสมเหตุสมผล และแนบ DOI ที่ resolve ได้จริง แต่ชี้ไปยังงานที่ไม่เกี่ยวข้องโดยสิ้นเชิง การตรวจด้วยสายตาจะบอกได้ว่า DOI “จริง” แต่ปัญหาจะชัดขึ้นเมื่อคุณเปิดอ่านบทความที่ DOI ลิงก์ไปเท่านั้น นี่คือความหลากหลายแบบ 64 เปอร์เซ็นต์

รูปแบบ 4: โซ่ของวลีที่ถูก “บิดคำ” รอบการอ้างอิง Cabanac Problematic Paper Screener ตรวจพบว่ามีบทความมากกว่า 19,000 ฉบับที่มีวลีบิดคำซึ่งถูกสร้างด้วยซอฟต์แวร์ paraphrasing โดยมักถูกจัดกลุ่มไว้รอบการอ้างอิงที่ถูกสร้างขึ้น “Joined Together States” สำหรับ United States “bosom peril” สำหรับมะเร็งเต้านม “kidney disappointment” สำหรับภาวะไตล้มเหลว หากข้อความร้อยรอบการอ้างอิงอ่านออกได้ว่าเป็นประโยคที่ถูก “ซักด้วยการบิดคำ” โอกาสที่การอ้างอิงเองจะถูกหลอนก็สูงขึ้นเช่นกัน หมายเหตุของเราที่เกี่ยวกับการ paraphrasing ซึ่ง preserves citations ครอบคลุมช่องว่างของเทคนิคที่เป็นสาเหตุให้เกิด Pattern 4 ขึ้นตั้งแต่ต้น Pattern 4 มีความสัมพันธ์กับ Patterns 1 ถึง 3 ไม่ได้เป็นอิสระจากกัน

รูปแบบเหล่านี้คือเหตุผลที่การตรวจด้วยฐานข้อมูลเพียงแหล่งเดียวไม่เพียงพอ การค้นด้วย Google Scholar แบบใช้ชื่อเรื่องเท่านั้นพลาด Pattern 2 และ 3 การตรวจด้วย Crossref แบบใช้ DOI อย่างเดียวพลาด Pattern 1 เวิร์กโฟลว์แบบใช้ฐานข้อมูล 4 แหล่งมีอยู่เพราะฐานข้อมูลแต่ละแห่งจับ “โหมดความล้มเหลว” ที่แตกต่างกัน

วิธีตรวจสอบการอ้างอิงที่สร้างด้วย AI: เวิร์กโฟลว์แบบใช้ฐานข้อมูล 4 แหล่ง

เรานิยามการอ้างอิงที่ถูกหลอนเป็นรายการที่ไม่พบอยู่ในฐานข้อมูลใด ๆ ของ PubMed, Crossref, OpenAlex หรือ Google Scholar สำหรับการตรวจสอบก่อนส่งต้นฉบับของเรา เราใช้ทั้งสี่แหล่งนี้เพราะแต่ละแหล่งครอบคลุม “ช่องว่าง” ของอีกสามแหล่ง

PubMed. ครอบคลุมดีที่สุดสำหรับวรรณกรรมชีวการแพทย์และคลินิก หากการอ้างอิงมี PMID ให้ใช้การค้นหา PMID หากไม่มี ให้ค้นการอ้างอิงด้วยชื่อเรื่องและนามสกุลของผู้เขียนคนแรก PubMed จะปฏิเสธการอ้างอิงจำนวนมากที่ “ถูกต้องแต่จับคู่ผิด” ซึ่ง Crossref ยอมรับ

Crossref. ครอบคลุมดีที่สุดสำหรับ DOI ในทุกสาขา ให้ค้นการอ้างอิงด้วย DOI ผ่านการค้นที่ doi.crossref.org หรือผ่าน public API ที่ api.crossref.org/works/[DOI] หากใช้งานไม่ได้ ก็ถือว่าเป็นการอ้างอิงที่ถูกหลอนแน่นอน หากใช้งานได้ ให้ตรวจสอบชื่อเรื่อง ผู้เขียน และปี

OpenAlex. ครอบคลุมกว้างที่สุด ฟรี และช่วยตรวจจับการอ้างอิงที่ PubMed และ Crossref ไม่ครอบคลุม (สายมนุษยศาสตร์ การประชุมด้านวิทยาการคอมพิวเตอร์ วารสารระดับภูมิภาค) ให้ค้นการอ้างอิงด้วยชื่อเรื่อง และตรวจให้แน่ใจว่าผู้เขียนถูกต้อง OpenAlex ยังมีประโยชน์เพราะแสดงการอ้างอิงที่มีอยู่ในรูปแบบ preprints แต่ยังไม่ถูกเผยแพร่ในฐานข้อมูลแบบที่มี DOI

Google Scholar. ให้ใช้เป็นลำดับสุดท้าย เพราะแม้จะครอบคลุมกว้าง แต่ความแม่นยำต่ำกว่า การอ้างอิงที่ไม่ปรากฏใน PubMed, Crossref, OpenAlex หรือ Google Scholar “แทบจะยืนยันได้” ว่าถูกหลอนแล้ว ส่วนการอ้างอิงที่ปรากฏเฉพาะใน Google Scholar แต่ไม่ปรากฏในฐานข้อมูลเชิงโครงสร้างทั้งหลายมีนัยน่าสงสัย: อาจมีอยู่จริง (วรรณกรรมสีเทา วิทยานิพนธ์ หรือการประชุมที่ไม่มี DOI) แต่จำเป็นต้องตรวจสอบด้วยมือก่อนส่ง

เวิร์กโฟลว์นี้ใช้เวลาราวหนึ่งนาทีต่อรายการอ้างอิง หากทำด้วยมือ กระดาษจำนวน 60 รายการใช้เวลาประมาณหนึ่งชั่วโมง การทบทวนอย่างเป็นระบบที่มี 200 รายการใกล้เคียงสามชั่วโมง งานตรวจสอบน่าเบื่อแต่เป็นขั้นตอนเชิงกล ทำให้เป็นเป้าหมายธรรมชาติสำหรับการทำให้อัตโนมัติ เครื่องมืออยู่ในส่วนถัดไป

การตรวจสอบก่อนส่งแบบทีละขั้น

เช็กลิสต์ที่ทำซ้ำได้ซึ่งเราใช้กับทุกต้นฉบับที่ถูกเขียน/ร่างโดยใช้เครื่องมือสร้างข้อความด้วย AI ในช่วงระหว่างการเตรียมต้นฉบับ มี 8 ขั้นตอน และไม่มีขั้นตอนไหนที่ต้องใช้เครื่องมือแบบเสียเงิน

1. ดึงรายการอ้างอิงให้อยู่ในรูปแบบแบน (flat). ส่งออกจากตัวจัดการบรรณานุกรม (Zotero, Mendeley, EndNote, Paperpile) เป็น BibTeX หรือ RIS หากต้นฉบับของคุณร่างใน Word โดยไม่มีตัวจัดการบรรณานุกรม ให้วางรายการอ้างอิงลงในไฟล์ข้อความธรรมดา จากนั้นจัดลำดับแต่ละรายการ คุณจะต้องใช้การจัดหมายเลขเพื่อไล่ติดตามว่ารายการใดถูกตรวจสอบแล้วบ้าง

2. ทำเครื่องหมายรายการใด ๆ ที่ชื่อเรื่องคุณไม่คุ้นเคย/ไม่สามารถนึกภาพได้. หากคุณนึกไม่ออกว่าบทความนั้นเป็นอย่างไร คุณแทบจะไม่เคยอ่านมัน ดังนั้นรายการอ้างอิงที่ถูกหลอนมีความเสี่ยงสูงที่สุดที่จะเป็นข้อมูลเท็จ สำหรับการตรวจที่ละเอียดที่สุด ให้ทำเครื่องหมายไว้

3. แก้ไข/ยืนยัน DOI ทุกตัว. วาง DOI แต่ละตัวลงใน https://doi.org/[DOI] หาก DOI ไม่สามารถ resolve ได้ แสดงว่ารายการอ้างอิงถูกหลอน หาก resolve ได้ ให้เทียบชื่อเรื่องและผู้เขียนของปลายทางกับรายการที่คุณอ้างไว้ ความไม่ตรงกันนี้สอดคล้องกับการเป็น hallucination แบบ Pattern 3

4. ตรวจสอบรายการที่ไม่ใช่ DOI ทุกตัวใน PubMed หรือ Crossref. ค้นด้วยชื่อเรื่องและนามสกุลผู้เขียนคนแรก หากบทความมีอยู่ ให้บันทึก PMID หรือ DOI เพื่อใช้เป็นหลักฐาน หากไม่มีอยู่ในทั้งสองฐานข้อมูล ให้ไปขั้น 5

5. ตรวจซ้ำรายการที่ถูกยกระดับ (escalated) ใน OpenAlex และ Google Scholar. หากรายการหนึ่งไม่ผ่านการตรวจทั้ง Crossref และ PubMed การตรวจใน OpenAlex และ Google Scholar จะเป็นตัวชี้ขาด ความล้มเหลวในทั้งสี่ฐานข้อมูลคือหลักฐานว่าเป็นการอ้างอิงที่ถูกหลอน หากรายการปรากฏเฉพาะใน Google Scholar ให้ตรวจสอบต้นฉบับที่ลิงก์ด้วยมือ

6. สำหรับ preprints ให้ตรวจสอบทั้ง preprint และเวอร์ชันที่ตีพิมพ์แล้ว (หากมี). รูปแบบที่พบบ่อยในช่วงกลางปี 2024 และหลังจากนั้น: โมเดลอ้างถึง preprint ของจริง แต่ “ประดิษฐ์” การตีพิมพ์เป็นวารสารที่ไม่มีจริงสำหรับงานชิ้นเดียวกัน ตรวจสอบ arXiv, bioRxiv, medRxiv และ SSRN อย่างชัดเจนสำหรับ preprint ที่อ้างถึง

7. ตรวจสอบแบบสุ่ม (spot-check) ข้อความที่อ้างในเนื้อหาเทียบกับแหล่งข้อมูล. เปิดอ่านบทความจริง และตรวจให้แน่ใจว่ามันสนับสนุน “ข้ออ้างเฉพาะ” ที่คุณกำลังยกมา อย่างน้อยในสัดส่วนราว 10 เปอร์เซ็นต์ของรายการอ้างอิงของคุณ (หรือทั้งหมด หากเป็นกรณีทบทวนเชิงระบบ) อัตราความผิดพลาด 56 เปอร์เซ็นต์ของการศึกษาของ Deakin รวมกรณี Pattern 2 ที่บทความที่ถูกอ้างถึงมีอยู่จริง แต่ไม่ได้สนับสนุนข้ออ้างนั้น

8. ทำบันทึก/เอกสารการตรวจสอบ. บันทึก audit log (ว่ามีรายการอ้างอิงใดถูกตรวจสอบแล้วบ้าง เทียบกับฐานข้อมูลใด และเมื่อใด) หากวารสารขอหลักฐานระหว่าง peer review คุณจะมี “ใบเสร็จ” หากผู้ตรวจโต้แย้งการอ้างอิงเฉพาะรายการ คุณสามารถชี้ไปที่ขั้นตอนการตรวจสอบของคุณได้

ต้นทุนของการรันการตรวจสอบอยู่ที่ประมาณสองชั่วโมง หากคุณข้ามการตรวจและถูกจับได้ ต้นทุนจะอยู่ในช่วงตั้งแต่การถูกปฏิเสธจากการตรวจหน้าจอเชิงเทคนิค ไปจนถึงการแบนจาก arXiv ทำการตรวจสอบให้เรียบร้อย

เครื่องมือที่ทำให้งานตรวจสอบเป็นอัตโนมัติ

คุณทำครบทั้งแปดขั้นด้วยมือได้ แต่คุณจะทำได้เร็วขึ้นด้วยเครื่องมือช่วย

Crossref public API. ฟรี ไม่ต้องสมัครใช้งาน ปลายทาง api.crossref.org/works/[DOI] จะส่งคืน JSON ที่มีชื่อเรื่อง ผู้เขียน และปีในรูปแบบมาตรฐาน สคริปต์ Python ยาว 20 บรรทัดที่วนผ่านรายการอ้างอิงของคุณและเรียก endpoint นี้สามารถจับ Patterns 1 และ 3 ได้ภายในไม่กี่วินาทีต่อรายการ ทำให้เป็นการทำให้อัตโนมัติที่เบาที่สุด และโดยปกติพอเพียงสำหรับบทความที่มี 60 รายการ

Scite (scite.ai). ตรวจสอบการอ้างอิงและรายงานว่าบทความถัดไปอ้างสนับสนุนหรือคัดค้านผลงานนั้น จับ Pattern 2 (บทความจริง แต่ข้ออ้างผิด) ได้ดีกว่าเครื่องมืออื่น ๆ เพราะมันลงลึกไปในเนื้อหาโดยตรง มีแพ็กเกจระดับฟรี และเวอร์ชันที่เสียเงินจำเป็นสำหรับการรวมระบบแบบครบถ้วน

Problematic Paper Screener (Cabanac, Labbe, Magazinov). ฟรี เปิดใช้งานได้ และแม้จะเป็นตัวคัดกรองหลังตีพิมพ์เป็นหลัก ชุดตัวตรวจจับของมันก็มีประโยชน์สำหรับการตรวจ Pattern 4 ก่อนส่ง ค้นที่ dbrech.irit.fr/pls/apex/f?p=9999:1 เครื่องมือนี้มีประโยชน์สำหรับยืนยันว่าร้อยคำรอบการอ้างอิงของคุณไม่ได้ถูกบิดคำจนดูเหมือนผลผลิตจาก paper-mill

ตัวตรวจสอบการอ้างอิงที่ฝังอยู่ในตัวจัดการบรรณานุกรม. หาก Zotero พบว่ามีการอ้างอิงที่ถูกหลอน ฟังก์ชัน “Find Available PDF” จะไม่ทำงาน ในทำนองเดียวกัน ความสามารถของ Mendeley ที่ใช้เติมข้อมูลเมตาจะให้ผลแบบเดียวกัน นี่ไม่ใช่ตัวตรวจสอบการหลอนที่ตั้งใจทำมาโดยเฉพาะ แต่จะช่วยชี้ให้เห็นปัญหาที่ตรวจพบได้ง่ายที่สุดเมื่อคุณใช้งานมันตามปกติ

Our proofreader. เครื่องมือตรวจพิสูจน์โดย AI ของเราทำงานโดยรันการตรวจสอบด้วยฐานข้อมูล 4 แหล่งแบบครั้งเดียว (one pass) ไฮไลต์รายการอ้างอิงที่ถูกหลอนและที่ไม่ตรงกัน และส่งออกบันทึกที่สะอาดซึ่งคุณสามารถบันทึกไว้พร้อมกับต้นฉบับ เราจัดเตรียมเครื่องมือนี้เป็นส่วนหนึ่งของชุดเครื่องมือพิสูจน์อักษรด้วย AI ในวงกว้างสำหรับ research papers ครอบคลุมกระบวนการไวยากรณ์ การจัดรูปแบบการอ้างอิง และการติดตามการเปลี่ยนแปลง ซึ่งมากับการตรวจสอบรายการอ้างอิงแบบสะอาด

สำหรับการตรวจครั้งเดี่ยวก่อนการพิสูจน์อักษรฉบับเต็ม เครื่องมือตรวจสอบการอ้างอิงด้วย AI AI citation checker แบบใช้ฟรีของเราจะตรวจสอบการมีอยู่ของรายการอ้างอิงที่วางไว้ โดยใช้การตรวจสอบแบบเดียวกันกับ Crossref, Semantic Scholar และทะเบียนเปิดอื่น ๆ ได้โดยตรงในเบราว์เซอร์โดยไม่ต้องสมัครใช้งาน

โดยส่วนใหญ่ สคริปต์ของ Crossref API และลิสต์การยกระดับด้วยมือจะช่วยจับปัญหาได้ถึง 90 เปอร์เซ็นต์สำหรับผู้เขียนส่วนใหญ่ เครื่องมือจะ “คุ้มค่า” สำหรับการทบทวนเชิงระบบ สำหรับกลุ่มวิจัยที่มีการส่งต้นฉบับจำนวนมาก และสำหรับกรณีที่ต้นทุนของการพลาดการหลอนหนึ่งรายการมีค่าสูง (เช่น การส่งบทความของ Lancet หรือ NEJM การ repost บน arXiv หลังเคยถูกตั้งธงมาก่อน)

ควรทำอย่างไรหากพบการอ้างอิงที่ถูกหลอน

คุณจะพบมัน แน่นอน จากประสบการณ์ของเรา รายการอ้างอิงแทบทุกชุดที่เกี่ยวข้องกับ LLM มักมีอย่างน้อยหนึ่งรายการ ทั้งนี้ขึ้นอยู่กับระยะของต้นฉบับ คุณมีสองทางเลือก

ก่อนส่งต้นฉบับ. เป็นกรณีง่ายที่สุด ลบรายการอ้างอิงออก หรือแทนที่ด้วยรายการอ้างอิงของจริงที่สนับสนุนข้อกล่าวอ้างนั้นจริง ๆ หรือเขียนประโยคโดยรอบใหม่เพื่อให้ข้อความที่ไม่มีหลักฐานถูกตัดทิ้ง แล้วบันทึกการเปลี่ยนแปลงลงใน audit log ของคุณ

ระหว่างอยู่ในขั้นตอน peer review. แจ้งบรรณาธิการผู้ดูแลเป็นลายลักษณ์อักษรทันทีที่คุณยืนยันว่ามีการหลอน ให้ส่งรายการอ้างอิงที่แก้ไขแล้วและคำอธิบาย: คุณพบอะไร คุณพบได้อย่างไร และคุณทำอะไรเพื่อยืนยันว่ารายการอ้างอิงที่เหลือถูกต้อง บรรณาธิการตอบสนองต่อผู้เขียนที่แก้ไขด้วยตนเองได้ดีกว่าผู้เขียนที่ถูกจับได้โดยผู้ตรวจ

รับแล้วแต่ยังไม่ตีพิมพ์. ติดต่อกองบรรณาธิการฝ่ายผลิต (production editor) ทันที ผู้จัดพิมพ์ส่วนใหญ่จะยอมรับการแก้ไขเพิ่มเติมในระยะ proofs หากนำเสนอในฐานะการแก้ไขเพื่อความถูกต้องเชิงซื่อสัตย์ (integrity self-correction) มากกว่าการแก้ไขเชิงปกติ

ตีพิมพ์แล้ว. ติดต่อวารสารและขอให้มี erratum หรือในกรณีร้ายแรง a corrigendum หากการอ้างอิงที่ถูกหลอนสนับสนุนข้อกล่าวอ้างที่มีสาระสำคัญในบทความ การแก้ไขอาจต้องขยายไปถึงตัวข้อกล่าวอ้างนั้นด้วย นี่คือเส้นทางที่หลายคนอยากหลีกเลี่ยง และนี่คือเหตุผลที่การตรวจสอบช่วยป้องกัน

การเปิดเผยการใช้ AI ใน manuscript ของคุณ หากคุณใช้เครื่องมือ AI ใด ๆ ที่ไปแตะรายการอ้างอิง เช่น paraphrasers หรือ citation generators คุณสามารถเปิดเผยในจดหมายปะหน้าด้วยเช่นกันว่าคุณได้รันการตรวจสอบและแก้ไขด้วยตนเอง ฟังดูเป็นสิ่งที่ทำอย่างมืออาชีพมากกว่าการกังวลเกินเหตุ

คำถามที่พบบ่อย

ถาม: การอ้างอิงที่ถูกหลอนในปี 2026 พบได้บ่อยแค่ไหน?

การวิเคราะห์จาก Columbia (Topaz et al, Lancet 2026) พบว่า หนึ่งใน 277 บทความที่ถูกรวมดัชนีใน PubMed และตีพิมพ์ในช่วงเจ็ดสัปดาห์แรกของปี 2026 มีอย่างน้อยหนึ่งรายการอ้างอิง นี่คือการเพิ่มขึ้นถึง 12 เท่าเมื่อเทียบกับอัตราในปี 2023 ที่อยู่ที่ 1 ใน 2,828 แนวโน้มกำลังเพิ่มขึ้น ในงานประชุมที่มี peer review เข้มงวด การวิเคราะห์ของ GPTZero จาก NeurIPS 2025 พบการอ้างอิงที่ถูกหลอนอย่างน้อย 100 รายการใน 53 จาก 4,841 บทความที่รับเข้ามา คิดเป็นราว 1 เปอร์เซ็นต์ของงานประชุม

ถาม: ทำไม DOI แบบ 64 เปอร์เซ็นต์จึงจับได้ยากที่สุด?

เมื่อ LLM สร้างการอ้างอิงที่ถูกหลอน บางครั้งมันจะใส่ DOI ของจริงที่ดึงมาจากข้อมูลการฝึกซึ่งชี้ไปยังบทความอีกเรื่องหนึ่งมากกว่าบทความที่ถูกอ้าง DOI นั้น resolve ได้ มีบทความนั้นอยู่จริง และการตรวจด้วยสายตาอย่างรวดเร็วดูเหมือนโอเค สิ่งที่เกิดขึ้นหลังจากนั้นคือเมื่อคุณคลิกเข้าไปที่ลิงก์ของบทความที่ถูกอ้าง จะพบว่าชื่อเรื่อง ผู้เขียน หรือแม้แต่เนื้อหาที่อ้างถึง “ไม่ตรง” กับการอ้างในต้นฉบับ การศึกษาของ Deakin ชี้ให้เห็นว่านี่เกิดขึ้นกับ 64 เปอร์เซ็นต์ของการอ้างอิงปลอมที่สร้างด้วย GPT-4o ดังนั้น การ resolve DOI อย่างเดียวไม่พอ ต้องเสริมด้วยการยืนยันว่าบทความที่ลิงก์ไป “ตรงกับ” การอ้างอิงจริง

ถาม: arXiv จะจริงจังกับการแบนฉันเป็นเวลาหนึ่งปีสำหรับการอ้างอิงที่ถูกหลอนหรือไม่?

ใช่ เมื่อความประมาทเลินเล่อ “ชัดเจน” Thomas Dietterich ประกาศนโยบาย arXiv ประจำเดือนพฤษภาคม 2026 ซึ่งมุ่งจัดการกรณีที่ผู้เขียนวางผลลัพธ์จาก LLM โดยไม่ตรวจสอบ จนทำให้เกิดการอ้างอิงที่ถูกหลอน ข้อความ placeholder จากแชตบอทที่หลงเหลือ หรือข้อมูลที่ผิดพลาด arXiv ระบุชัดว่า กรณีที่ถูกโต้แย้งจริง ๆ หรืออยู่ในขอบเขตเทา ๆ ไม่อยู่ในข่ายนโยบาย หลังการแบนหมดอายุ ในการส่ง arXiv ในอนาคตทุกครั้งจะต้องผ่านการตรวจด้วย peer review ในเวทีที่น่าเชื่อถือก่อนที่ arXiv จะยอมรับอีกครั้ง

ถาม: ฉันแค่เอารายการอ้างอิงไปให้ ChatGPT หรือ Claude ช่วยเช็กได้ไหม?

ไม่ได้ โมเดลเดียวกันที่ทำให้เกิดการอ้างอิงที่ถูกหลอนก็อาจทำให้เกิดการ “หลอนการตรวจสอบ” ได้เช่นกัน เราเคยเห็น LLM ยืนยันอย่างมั่นใจว่า DOI ที่ทำขึ้นนั้นใช้ได้ การตรวจต้องเทียบกับฐานข้อมูลเชิงโครงสร้างภายนอก (PubMed, Crossref, OpenAlex, Google Scholar) ที่มีเมทาดาทาที่มีอำนาจอ้างอิง ไม่ใช่เทียบกับ LLM อีกตัว

ถาม: ถ้ารายการอ้างอิงมีอยู่แค่ใน Google Scholar ล่ะ?

รายการที่ปรากฏใน Google Scholar แต่ไม่พบใน PubMed, Crossref หรือ OpenAlex จะน่าสงสัยมากกว่าการยืนยันว่าถูกหลอน มีแหล่งข้อมูลของจริงบางประเภท (วิทยานิพนธ์ การประชุมที่ไม่มี DOI paper proceedings งานที่ยังไม่ตีพิมพ์ วารสารระดับภูมิภาค) ที่ปรากฏใน Google Scholar แต่ไม่ครอบคลุมในฐานข้อมูลเชิงโครงสร้าง ให้ตรวจสอบต้นฉบับที่ลิงก์ด้วยมือ หากคุณเปิดอ่านบทความได้และยืนยันว่าข้อกล่าวอ้างถูกต้อง การอ้างอิงนั้นเป็นของจริงแต่ถูกจัดทำดัชนีไม่ครบ ให้ยกอ้างด้วยความมั่นใจ แต่ถ้าไม่สามารถเปิดอ่านได้หรือมีปัญหาลิงก์เสีย ให้ปฏิบัติเหมือนการอ้างอิงที่ถูกหลอนและลบหรือแทนที่

ผู้ตรวจสอบคำอ้างอิงสำหรับการยื่นส่งวารสาร

ตรวจสอบคำอ้างอิงที่คาดเดาขึ้น (hallucinated) แบบรอบเดียวเทียบกับ PubMed, Crossref, OpenAlex และ Google Scholar พร้อมบันทึกการยืนยันที่ดาวน์โหลดได้สำหรับเอกสารของท่าน