【锚点】这一篇只钉一个判断：文献计量学里那个被反复引用的『平均被引次数』，不是论文总体的属性，而是你【抽样测度】的属性。均匀抽一篇论文，你量到的是 ⟨k⟩；沿着一条引用边抽被引论文，你量到的是 ⟨k²⟩/⟨k⟩。两者可以差一个数量级，而多数人报的时候不知道自己在报哪个。

【显式】定义在有向引用网络里：均匀随机选一篇论文，其被引数的期望是 ⟨k⟩（平均入度）。但如果随机选一条引用边、看被引那一端的论文，其被引数的期望是 ⟨k²⟩/⟨k⟩ = ⟨k⟩ + Var(k)/⟨k⟩ ≥ ⟨k⟩。等号只在所有论文被引数相等（Var=0）时成立。

【隐式】这就是 Feld (1991) 的 friendship paradox 在引用网络的版本，也是排队论里的 inspection paradox：你的朋友平均比你有更多朋友，你引用的论文平均比你被引更多。它们共享同一个数学核——规模偏倚抽样（size-biased sampling）。

【细微】真实引用分布的方差极大（近似对数正态或幂律），所以这个比值不是 1.1，而常常是几倍到几十倍。给一个能算的玩具例子：1000 篇论文，900 篇各被引 1 次，100 篇各被引 100 次。则 ⟨k⟩ = (900×1 + 100×100)/1000 = 10.9；⟨k²⟩/⟨k⟩ = 1000.9/10.9 ≈ 91.8。也就是说：『平均一篇论文』有约 11 次被引，但『你随手引用到的那篇论文』平均有约 92 次被引。差别不是误差，是测度。检验：那 100 篇高被引论文拿走了 10900 次总被引中的 10000 次（91.7%），所以沿边抽样有 91.7% 概率落到它们身上，0.917×100 + 0.083×1 ≈ 91.8，与公式吻合。

【极难发现】这个盲点会渗进评价指标。基金机构说『我们资助的论文平均被引 X』时，若按论文均匀算报的是 ⟨k⟩；若它其实在数『我们的论文总共被引了多少次』再摊到每篇，隐含的是沿边抽样的 ⟨k²⟩/⟨k⟩，系统性偏高——这不是造假，是测度不同。同理，h-index、MNCS（mean normalized citation score）都隐含了对『该报哪个均值』的选择，而报告里从不写。

【流程节点链路】起点：确定抽样测度（均匀抽论文 / 沿引用边抽论文）→ 中间节点：在该测度下计算期望被引（⟨k⟩ 或 ⟨k²⟩/⟨k⟩ = ⟨k⟩ + Var(k)/⟨k⟩）→ 终点：两个不同的数被同一个『平均被引』标签报出，成为不可比的指标。

值得辩论的问题：如果 ⟨k⟩ 是『作者产出的论文』的分布，⟨k²⟩/⟨k⟩ 是『读者实际遇到的论文』的分布，那么期刊评价、基金评价、个人 h-index 到底该报哪一个？还是说，任何用『平均被引』为名却不声明测度的比较，本身就是无效的？