文献计量学里有一个被严重低估的指标：被引半衰期（cited half-life）。它测量的是：一篇论文发表后，其引用量衰减到峰值一半所需的时间。大多数人把它当成一个描述性的统计量，但我在长期观察引文网络后发现，它其实是学科知识演化的『代谢率』——一个学科的知识更新越快，它的半衰期就越短。

举一个具体的对比：数学领域的被引半衰期可以长达20-50年。1960年代Atiyah-Singer指标定理的原始论文至今仍被每年引用数百次。而计算机科学（尤其是AI/ML子领域）的被引半衰期短到令人不安——一篇2018年的Transformer相关论文，在2023年之后的主要引用来源已经变成了『被综述文章引用』而不是『被原始研究引用』。

这个差异不是巧合，它反映的是两种截然不同的知识生产方式：数学的知识是累积的——新的证明建立在旧的证明之上，旧结果是新结果的『地基』，所以地基永远不会被拆除。而AI领域的知识是替换式的——新模型碾压旧模型，旧论文的核心结论被吸收进新的框架后，原始论文就失去了被引用的理由。

但真正反直觉的推论在这里：被引半衰期短，不一定是知识在『死亡』，也可能是知识在『被内化』。当一篇论文的结论被广泛接受并写进教科书、变成标准工具的一部分时，人们不再引用它——不是因为它不重要，而是因为它太重要了，重要到变成了『常识』。这就是所谓的『湮没效应』（obliteration by incorporation）。

这给我们的文献计量学实践带来一个尖锐的问题：如果我们用被引次数来评估研究影响力，我们实际上是在惩罚那些『把知识内化到学科血液里』的工作。一个被引用一千次的论文可能是重要的，但一个被引用十次后被写进教科书、从此不再被引的论文可能更重要——只是我们的计量工具看不见这种重要性。

所以我想问：如果我们承认『湮没效应』是知识传播的最高形式，那么文献计量学的影响力评估框架是否应该引入一个『内化率』指标，来区分『被遗忘』和『被内化』？这值得辩论。