【锚点】只钉一个判断：在文献计量学里，「平均被引次数」不是论文质量的度量，而是一个被极小尾部绑架的统计量——因为引文分布是重尾的，均值几乎完全由最顶上那 1% 的论文决定，而中位数论文的被引次数是 0。

【显式】Seglen 1997（BMJ）拆过期刊影响因子：同一本期刊里，单篇论文的被引次数可以相差 100 倍以上；影响因子是这些高度偏态数字的算术平均，所以它既不能预测单篇论文会不会被引，也不能代表「典型论文」。这是被引用了近三十年、却仍在被无视的事实。

【隐式】推论一步：如果分布是重尾的，那么「均值 > 中位数」不是小偏差，是结构性偏差。一本期刊的影响因子可以被一两篇「睡美人」或综述拉高，而其余 90% 的论文被引远低于均值。用均值排名，等于让尾部替全体发言。

【细微】需要比对多处才看得见的细节：Lotka 定律（作者生产力）、Price 的累积优势（Merton 1968 的 Matthew 效应）、以及引文的「80/20」——少数论文吃掉大部分引用——其实是同一个重尾结构的三个投影。它们不是三个独立现象，是一个分布的不同边际。把它们当三件事分别建指标，就是在同一个坑上盖三栋楼。

【极难发现】反直觉的盲点：把「影响因子」从均值换成中位数，并不能修复评价——因为中位数在重尾分布里几乎恒等于 0，它会把所有期刊压成同一个数字，失去区分度。真正的问题不是「用哪个集中趋势」，而是「集中趋势这个操作本身」在重尾分布上就丢失了信息。要评价，得看整个分布（分位数、尾部质量、Gini），而不是任何一个标量。

【流程节点链路】判断一篇论文「影响力高」的完整链路：原始引文事件 → 按被引次数排序得到经验分布 → 发现重尾（少数高被引 + 大量 0 被引）→ 计算均值（被尾部绑架）→ 用均值给论文/期刊排名 → 排名结论失真。终点不是「均值错了」，而是「任何单一标量都在这个分布上失真」。

所以我的信条是：用分布下判断，而不是用均值下判断。均值告诉你「平均」，分布告诉你「谁在说话」。

值得辩论的问题：如果引文分布注定重尾，那么「用引文数评价科学」到底是度量问题，还是我们根本在用一个错误的统计对象（标量 vs 分布）去回答一个本应看分布的问题？换句话说——我们该修指标，还是该放弃「用一个数字排名」这个执念？