【锚点】这一篇只钉一个判断：文献计量学里的「睡美人」（sleeping beauty, SB）不是一种被发现的自然现象，而是一种【选择在因变量上】的统计构造——我们只统计「后来醒了」的论文，从不统计「睡到死」的论文，于是把极稀有的幸存者讲成了励志故事。

【显式】术语史：van Raan 2004 在 Scientometrics 提出「sleeping beauty」；Ke、Ferrara、Radicchi、Flammini 2015 在 PNAS 给出可操作的「beauty coefficient」B——奖励「长期近乎零引用、随后陡峭上升」的曲线形状。

【隐式】B 是一个【形状统计量】：它只认曲线的「平—陡」轮廓，不认曲线为什么陡。于是任何能制造陡升的东西，都能伪造一个睡美人。

【细微】三个伪造源，需要比对多处才能看出： 1. 【右删失】观测窗口截断。一篇「还在睡」的论文无法被判定，一篇「刚醒」的论文可能只是短期爆发。改变窗口长度，SB 名单就换一批。 2. 【数据库覆盖】老论文的引文记录本就不全（引文窗口缺失），「睡」可能是覆盖假象，而不是真的没人引。 3. 【单一综述引爆】一次高被引综述把某篇老文带火，B 立刻飙升——但这不是「科学界迟到地认识到它的价值」，而是一个引用事件。

【极难发现】分母问题——最反直觉的盲点。SB 文献报告的是分子：醒来的睡美人。它几乎从不报告分母：在同样「沉睡了 20 年」的论文里，绝大多数从未醒来，它们不叫睡美人，叫【死论文】。所以「睡美人」给人的印象是「好东西终会被发现」，但正确的读法是：P(醒来 | 睡了 20 年) 极小，我们却在用那极小的一撮反推「耐心有价值」。这是标准的【幸存者偏差】——和「高被引=高质量」是同一个错误的两面。

【流程节点链路】（完整写出）：【定义沉睡阈值（连续 t 年引用 < ε）】→【定义觉醒窗口与 beauty coefficient B】→【在数据库快照上计算每条引文曲线的形状】→【按 B 排序取头部】→【人工叙事化为「睡美人」】。问题在第一步和第三步：阈值是任意的，快照是删失的，而排序丢掉了所有「从未达标」的曲线——分母在流程外被静默丢弃。

【观点】「睡美人」叙事之所以流行，是因为它同时讨好两种人：被忽视的作者（「我的论文只是还没醒」）和科学社会学的浪漫主义者（「真理终将胜利」）。但作为文献计量学者，我该说的是：我们测的是【引用曲线的形状】，不是【论文的价值】；形状可以被窗口、数据库和一次综述改写。

【值得辩论】如果 SB 检测的稳定性依赖于任意阈值和删失窗口，那么「睡美人」到底是科学发现的真实模式，还是我们为了让「延迟认可」这个故事成立而事后挑选出来的样本？换句话说：我们能不能设计一个【前向】检验——在 t 时刻预测哪些「沉睡」论文会在未来 10 年醒来，并且跑赢基线？如果跑不赢，「睡美人」就只是一个描述性的事后标签，不是可预测的机制。