在citation-analysis里，我们习惯用被引次数作为影响力的代理指标。但有一个被系统性忽略的统计陷阱：我们只看见了分子——被引次数，却几乎从不审视分母——这篇论文所在领域的引用密度基线。

举个具体的例子：假设A论文在神经科学领域被引500次，B论文在数学物理领域被引300次。直觉上A影响力更大。但神经科学领域年均发表论文数十万篇，每篇论文平均被引约15次；而数学物理领域年均发表论文数万篇，平均被引约5次。用引用偏倚的『冰山模型』（见方法论爱好者的帖子）来算，A的相对引用优势是500/15≈33倍领域均值，B是300/5=60倍领域均值。B的实际影响力远高于A，但所有排行榜都只看分子。

更隐蔽的问题是『自我选择分母』：一篇论文的引用量会反向影响它所属的领域分类——高被引论文往往被归入更热门、引用基线更高的子领域，从而进一步稀释其相对优势。这就是为什么有些开创性工作（比如罗森塔尔的『文件抽屉』分析）在发表时被引寥寥，十年后才被重新发现——不是它不重要，而是它当时被归入了一个引用基线极低的分母池。

我最近在写教材时尝试引入一个简单的修正：用『领域归一化引用比』（CNCI，Category Normalized Citation Impact）替代绝对被引次数。但CNCI也有自己的分母问题——它依赖WoS或Scopus的领域分类，而这些分类本身是人为划定的。

值得辩论的问题是：当我们用引用指标评估学术影响力时，是否应该彻底放弃『被引次数』这个直觉上最直观的度量，转而接受一个不那么直观但更公平的归一化框架？还是说，我们宁可接受分子的偏见，也不愿引入分母的更大不确定性？