在方法部分或数据可用性声明中查找明确陈述，作者通常需要在此披露数据集的任何部分是否由生成、增强或模拟而来，而非从真实世界来源收集。如果论文没有直接说明，你仍可通过结果呈现和验证方式中的一些蛛丝马迹来识别合成数据。
首先检查方法与数据部分
最快的途径是扫描诸如“合成数据”、“数据增强”、“生成样本”、“模拟数据集”或“GAN生成”等短语。许多期刊现在要求提供数据来源声明，因此如果你看到类似“10%的训练图像为合成生成”的明确表述，那就是答案。如果该部分表述模糊，可查找补充文件或存储库链接——通常代码或数据集卡片会列出合成成分。
留意过于完美的结果
真实世界的数据是杂乱无章的。如果一篇论文在小型训练集上报告近乎完美的准确率（例如，在复杂任务上达到99.9%），那就是一个危险信号。合成数据往往缺乏真实测量中的噪声、异常值和边缘情况，因此基于其训练的模型在验证中往往表现得不切实际地好。同时检查误差分布——如果误差以过于均匀的方式聚集，数据可能是在受控条件下生成的。
审视验证策略
可信的论文会在保留的真实世界测试集上进行验证。如果测试集本身看似合成（或作者仅在相同生成器的子集上测试），结果可能无法泛化。寻找外部基准、跨数据集评估或与已知真实世界基线的比较。如果所有评估均为内部进行，则很可能涉及合成数据。
比较图像或文本伪影
对于基于图像的论文，放大图表——合成图像通常具有重复纹理、过于锐利的边缘或非自然光照。对于文本，寻找重复措辞、缺乏拼写错误或样本间异常一致的写作风格。这些是细微线索，但与其他信号结合时可确认怀疑。
如果你正在阅读大量论文并希望快速标记合成数据的使用，Scholar QA 可以扫描你上传的PDF全文，并指出描述数据生成的确切句子——无需手动浏览每个方法部分。