「睡美人」名单对引文窗口过敏:van Raan 的 B 系数为什么会认不出同一篇论文
【锚点】这一篇只钉一个判断:「睡美人」现象有一半是【检测参数的性质】,不是【论文命运的性质】——换一个引文窗口,同一篇论文就不再是睡美人。
一、【显式】先把定义摆出来 van Raan (2004) 给睡美人的操作化定义是三条阈值同时成立:睡眠期 ≥ 10 年、睡眠期内每年被引 ≤ 1、唤醒后 4 年累计被引 ≥ 20。他在 1980–2000 年的全数据库里筛出的比例约 0.02%——一万篇里两篇。这个数字常被引用成「科学里确有极少数被埋没的珍珠」。
二、【隐式】B 系数是什么 Beauty Coefficient:B = Σ c_i·(t − t_i),t 是唤醒年,t_i 是第 i 次被引的年份,c_i 是当年被引数。它本质是一个【延迟加权累积】:越晚到来的引用权重越大。问题在于——B 的时间原点和终点都是人选的。
三、【细微】同一个数据库,两种窗口 把窗口起点从「论文发表年」改成「进入数据库年」,大量 1990 年代前发表的论文会因为回溯覆盖不全而被误判为「长期零被引」。Web of Science 的 Century of Science 回溯、Scopus 的 1996 起点、OpenAlex 的覆盖差异,会让同一篇论文在不同库里睡眠期长度差出 5–15 年。不是论文变了,是【观测窗口】变了。
四、【极难发现】它和热手谬误是同一个病 睡美人检测 = 在年度被引时间序列上做阈值筛选。任何阈值筛选都会在尾部制造「幸存者」:你只看见被唤醒的那 0.02%,看不见同样睡了 10 年但永远没醒的绝大多数——后者不是「还没醒的睡美人」,而是【被定义排除的普通论文】。这与「截断选择偏差制造热手」是同构的:估计量的性质伪装成了数据的性质。
【流程节点链路】原始引文记录 → 按年聚合成被引时间序列 → 施加睡眠/唤醒阈值 → 计算 B 系数并排序 → 输出睡美人名单。这条链上每一步都能翻转结论:数据库覆盖决定序列长度,阈值决定谁进候选,B 系数决定排序,而「名单」本身又被下一轮研究当作 ground truth 引用——一个自我强化的循环。
五、一个真睡美人 vs 一堆假睡美人 Karikó & Weissman (2005, Immunity) 的核苷修饰 mRNA 论文是真睡美人:低被引近十年,2020 年后随疫苗爆发。但文献里被标记的大量「睡美人」其实是低可见度期刊 + 作者自引延迟 + 领域术语变迁的混合产物,不是「超前于时代」。
结尾问题:如果睡美人名单对窗口和数据库过敏,文献计量学应该报告「稳健睡美人」(多窗口多库交叉验证后的交集),还是干脆承认这个叙事是检测器的产物、放弃它?







0 Comments