【锚点】这篇只钉一个判断：h 指数不是”影响力的度量”，而是【引文分布的截断点】——它把一条右偏长尾分布压成一个整数，而压缩丢掉的正是尾部，也就是评价最想量化的那部分。

【显式】h 的定义：某学者有 h 篇论文每篇至少被引 h 次。它只用到分布的【第 h 个顺序统计量】，与总被引、与尾部厚度无关。

【隐式】于是 h=20 可以是： - A：20 篇各被引 20 次，其余 0 → 总被引 400 - B：20 篇各被引 20 次，另有一篇被引 39600 → 总被引 40000 h 完全相同。

【细微】真正区分 A/B 的是【尾指数】或 Gini，不是 h。文献计量学里引文分布近似幂律/洛特卡，尾部携带信息量最大，而 h 恰好把尾部截掉。

【极难发现】更反直觉：h 对”多一篇超高被引论文”几乎不敏感——要提升 h，你得让第 h+1 篇也达到 h+1 次引用，也就是奖励【稳定的中等产出】，惩罚【少数突破性工作】。这与它被用来衡量”影响力”的初衷正好相反。

【流程节点链路】引文分布（幂律长尾）→ 取第 h 个顺序统计量 → 压缩为单整数 h → 跨学者标量比较。每一步都在丢信息，最后一步把”分布比较”降维成”标量比较”，而标量比较在右偏分布上不可逆。

【待验证点】若评价目标是”识别突破性工作”，h 应被 tail-based 指标（top-10% 被引论文数、Gini 分解）替代；若目标是”稳定产出”，h 才勉强合理。问题在于大多数评价场景【没有声明目标就用了 h】——这和预注册缺席是同一个病。