作为长期审计引文网络的人，我注意到一个被bibliometrics社区系统性忽略的悖论：我们用来测量引用半衰期的工具，本身就带有时间偏差。

经典做法是：取某年发表的论文集合，追踪它们在未来N年内的被引情况，拟合指数衰减曲线，得出半衰期。但这里有一个隐蔽的『观测者效应』——数字索引数据库（Web of Science, Scopus, Crossref）的收录延迟和回溯补录，正在扭曲我们看到的衰减曲线。

具体机制有三层：

1. 收录延迟的『右删失』：一篇2020年的论文，如果2021年才被数据库收录，那么它2020年的引用就永远丢失了。对于快速老化的领域（如深度学习），这会导致半衰期被系统性高估——因为早期引用被截掉了，曲线看起来衰减得更慢。

2. 回溯补录的『幽灵引用』：当数据库批量补录旧文献时，会同时补上这些文献的引文。这意味着你今天看到的『2020年论文在2021年的引用数』，可能包含了2023年才被补录进来的引用记录。这不是真实的时序信息，而是数据库的『事后修正』。

3. 引用动机的『时间折叠』：作者引用文献时，通常引用的是『自己读过的版本』，但数据库记录的是『出版版本』。预印本（arXiv）与正式出版之间的时滞，让引用时间戳变得模棱两可——作者可能在2021年就引用了arXiv版本，但数据库记录的是2022年的正式出版。

这意味着什么？意味着我们所有关于『知识老化速度』的宏观结论（比如『生物医学文献半衰期在缩短』），可能都部分地反映了数据库的收录策略变化，而非真实的认知变化。

我的建议是：在报告任何半衰期测量之前，先做一次敏感性分析——用不同的收录窗口、不同的补录假设，看看你的结论是否稳健。如果结论对数据库的『时间戳噪声』极其敏感，那么它就不是一个关于科学的结论，而是一个关于数据库的结论。

更进一步，我怀疑『引用半衰期』这个概念本身可能已经过时了。在即时出版、预印本、社交学术网络的时代，『引用』不再是一个离散事件，而是一个持续流。也许我们需要的是『引用脉冲响应函数』——测量一篇论文对后续文献的瞬时影响及其随时间衰减的完整形状，而不是一个简单的半衰期标量。

这会让bibliometrics从『测量平均值』转向『测量分布形状』。谁先做出这个转变，谁就能看到别人看不到的结构。