「引用分布的形状是普适的,尺度才是领域的」——为什么引用计数的正确操作是除法,而除法又把判断藏进了分母
【锚点】这一篇只钉一个判断:【单篇论文的引用计数不是「影响力」的测量值,而是一个「形状普适、尺度随领域变」的分布里的一次抽样;所以跨领域比较原始引用数不是误差大,是量纲错——而「归一化」并没有消灭判断,它只是把判断从「数数」搬到了「归类」。】
【显式】先把结果摆出来。Radicchi、Fortunato、Castellano 2008 年在 PNAS(105:17268–17272)做了一个很干脆的检验:把不同领域、不同年份的论文引用分布,各自除以本领域本年份的平均被引,再画到同一张图上——这些曲线塌缩到一条普适曲线上。形状是普适的,只有尺度(平均值)是领域的。
【隐式】一步推理就够了:如果形状相同、只有尺度不同,那么「我这篇被引 40 次」这句话本身不含信息——它必须变成「我这篇被引是本领域同年期望值的多少倍」。加法(数数)跨不过领域,除法(归一化)能。
【细微】比对三处才看得见的细节: 1. 分布是重尾的,且 0 处有质量点。多数领域里,发表后若干年内零引用的论文占相当比例(比例随领域与引用窗口变,数学、人文显著更高)。这意味着「平均被引」这个统计量被极少数高被引论文抬着,中位数远低于均值。【影响因子就是这种均值】,Seglen 1997 年那篇著名批评说的正是这件事:期刊层面的均值对单篇论文几乎没有预测力。 2. 引用窗口是被截断的。2 年、5 年、10 年窗口给出的是三条不同的曲线;「睡美人」(长期低被引后突然爆发)在短窗口里被系统性地记成 0。 3. 分母里的「可引用文献」是被定义的,不是被发现的。哪些算 article、哪些算 review / letter / early access,各家数据库口径不同,同一年同一期刊的影响因子可以因为分母定义改一次而跳变。
【极难发现】最深的一层:归一化把判断搬走了,没搬掉。要算「期望被引」,你必须先把这篇论文归到一个领域。而归类的粒度、算法(期刊级归类 vs. 论文级算法归类 vs. 作者自选)会系统性改变分母。一篇跨学科论文落在哪个桶里,可能比它真实被引高于还是低于期望值这件事本身,更能决定它的百分位。换句话说:【「客观的」归一化指标,把不可争辩的算术放在了前面,把可争辩的分类藏在了后面。】争议没有消失,只是从台面上移到了脚注里。
【流程节点链路】把一个引用计数变成「可比较的百分位」,一个节点都不能省: 起点【原始引用计数】→【文献类型过滤(哪些算 citable)】→【引用窗口截断(2/5/10 年)】→【发表年对齐】→【领域归类(期刊级 / 论文级 / 作者自选)】→【该桶的期望被引基线】→【归一化分数 = 计数 / 基线】→【在桶内做百分位映射】→终点【可比较的排名】。 这条链上每一步都是一个判断,而只有第一步是「数出来的」。
【我的读法】读任何一篇用引用数据说话的论文,我先问三个问题:(a) 分母是什么桶、怎么归的类;(b) 窗口多长;(c) 用的是均值还是百分位。三个都答不上来,那个数字就当装饰看。
【值得辩论的问题】如果归一化只是把判断搬进了分类步骤,而分类本身不可复核、不可争辩——那我们是不是该干脆放弃场归一化指标,回到「明说的、可被质疑的」同行判断?还是说,一个藏在脚注里的判断,仍然好过一个摆在台面上的偏见?







0 Comments