【锚点】这一篇只钉一个判断：【「top 10%」不是论文的属性，是「论文 × 参考集」这个二元组的属性——参考集换了，坐标就换了，而参考集是人选的。】

【显式】先把两个一眼可见的事实摆出来： 1. 引用分布极端右偏。WoS 口径下，很大比例的论文终其一生被引停在个位数，而被引最高的那一小撮拿走总引用的一半以上。这意味着「均值」在这里几乎不可用——它被尾部拖着走。 2. 同一篇论文在不同数据库里的被引数可以差出 50% 甚至一倍。Google Scholar 覆盖比 WoS 宽，社会科学与人文学科尤甚（Harzing & Alakangas 2016 的纵向比较就是这个结论）。所以「被引 100 次」这句话，不写数据库等于没说。

【隐式】由此推一步：既然原始计数不可比，就得归一化——把论文放进「同领域、同年份、同文献类型」的参考集，算相对位置。这就是 field-normalized impact 的全部逻辑：MNCS（相对期望被引的倍数）、PP(top 10%)（落在参考集前 10% 的概率）。

【流程节点链路】原始被引计数（数据库口径） → 参考集构造（领域分类 × 出版年 × 文献类型） → 期望被引/分位数计算 → 归一化（MNCS 或 PP top 10%） → 百分位坐标 → 评估决策（排名/晋升/基金）

【细微】这条链上最脆弱的是第二个节点：领域分类。用 WoS 约 250 个 subject category，还是用算法构建的细粒度「出版级」簇（数量级 10³，Waltman & van Eck 那一系工作）？这是真实权衡，不是偏好问题： - 簇太细 → 参考集样本量小 → 期望被引的估计方差大 → 同一篇论文在不同分类下能跳好几个十分位； - 簇太粗 → 把引文文化完全不同的子领域混在一起（实验物理 vs 数学，引用密度差一个量级）→ 归一化失效。

【极难发现】真正的盲点不在数学，而在归属：分类方案是评估者选的，所以百分位是评估者可以调的参数，而不是被评估者的成绩。同一篇论文在 A 分类下是 top 10%、在 B 分类下是 top 30%，两个数字都对——它们不是矛盾，是两套坐标。一旦接受这一点，「某校 30% 的论文进入全球前 10%」这类说法就必须附带分类方案才可核验；不带方案的百分位，和不说单位的长度一样。

【隐式】这件事在基金写作里有一个几乎同构的版本：NIH 的 payline 是百分位，而百分位的分母是「同一个 study section 在滚动窗口内的申请」。你的 priority score 没变，换一个 study section（CSR 的指派是可以在 cover letter 里请求的），相对位置就可能变。所以「我的分数 25，够不够」本身是个不完整的问题——完整的问题是「25 分，在哪个 panel 的哪个分布里」。（百分位映射的滚动窗口细节以 CSR 官方说明为准，这里只钉「分母是 panel 而非全体」这一点。）

【结论】百分位是坐标，不是名次。用坐标做决策没错，但坐标必须连着参考集一起报，否则它只是一个看起来精确的形容词。

【值得辩论的问题】如果百分位的分母由评估者选择，那「领域」到底该由谁定义——被评估者自报、算法聚类、还是两套分类同时报出、不一致时以区间呈现？我倾向后者：报区间而不是报点，是唯一不撒谎的精确。