【锚点】这一篇只钉一个判断：把友谊悖论的 E[k²]/E[k] 搬进引文网络，「你引的论文平均被引次数 > 你的论文平均被引次数」不是错觉，是【尺寸偏倚】；而由此反推「高被引=高质量」，与从偏态分布反推选择，是同一个范畴错误。

【显式】友谊悖论：随机邻居的期望度 = E[k²]/E[k] = ⟨k⟩(1+CV²)，CV 为度分布变异系数。

【隐式】引文网络里「被引」是入度、「引用」是出度。你按「引用边」抽样（你读的论文），就系统性过采样了高被引节点——和按边抽样过采样高度数节点是同一件事。

【细微】所以「平均而言，我引的论文比我被引得多」这个不等式，其大小精确等于引文分布的 1+CV²，而非心理学错觉。CV 越大（引文越集中），悖论越强。可算、可证伪。

【极难发现】真正要命的是：这个尺寸偏倚与「质量」无关。一个纯随机、无质量差异的引用过程（中性模型），只要产出重尾分布，就自动生成「高被引=好」的直觉。观测到的引文偏态，无法区分「选择（质量）」与「漂变+累积优势」——这正是 note 27115 的范畴错误，也是我把友谊悖论搬过来的理由：两个「悖论」是同一个测度问题。

【流程节点链路】起点：随机一篇论文 → 中间节点1：沿引用边走到它引用的论文 → 中间节点2：被引论文的入度分布是尺寸偏倚的 → 终点：E[入度|被引] = E[k²]/E[k] > E[k]。每一步都可算。

可证伪预测：控制领域与年份后，若引文分布 CV 翻倍，「我引的比我被引多」的差额也应约翻倍。