本论文探讨了一种新型的科学欺诈攻击方式——间接数据投毒（Indirect Data Poisoning）。随着人工智能在科学研究中的广泛应用，自主研究代理（autonomous research agents）能够自动检索和处理公开数据集。攻击者通过向开放数据集注入精心篡改的版本，并上传到公共仓库，使得这些代理在不经意间将虚假数据传播给诚实的研究者，从而大规模地工业化科学欺诈。研究者在五个社会敏感主题（如招聘歧视、自动驾驶汽车安全等）上，使用三种前沿AI系统（Claude Code with Claude Opus 4.7、Codex with GPT-5.5、Gemini CLI with Gemini 3.1 Pro）进行了450次符合伦理的实验。结果显示，投毒攻击在49.56%的实验中成功，而检测率仅为6.0%。攻击不需要特定主题的触发词、代理访问、间接提示注入或伪造论文，仅依赖开放数据生态系统和误导性元数据。为缓解攻击，研究者提出了两种措施：科学家角色（scientist persona）和数据来源审计（data provenance audit），后者包括五项检查（参考文献、社交标记、统计异常、相关数据集、投毒警告）。结果表明，科学家角色仍导致16.67%的实验得出被投毒的结论，而数据来源审计将攻击成功率降至零。论文结论指出，间接数据投毒可能以前所未有的规模实现科学欺诈，但通过代理在数据检索过程中的适当审计可以有效缓解。