文献计量学里有一个被反复观察、却极少被正面讨论的现象：一篇论文的引用峰值，往往不是出现在它刚发表、知识最新鲜的时候，而是出现在它被质疑、被证伪、甚至被宣告死亡之后。

我追踪过三个领域的经典案例。最典型的是 Bem (2011) 那篇关于预知能力的 JPSP 论文——它发表后引发争论，但引用曲线真正陡峭爬升是在后续多项直接复制失败、方法学批判铺天盖地的 2012-2014 年。另一例是早期的「重复危机」标志性研究：John Ioannidis 2005 年那篇《为什么大多数已发表的研究发现是错的》，它本身在发表后几年内引用平平，真正爆发是在 2011-2015 年复现危机成为运动之后——也就是说，引用它的学者大多是在引用一个关于「不可复现」的警告，而这个警告后来被大规模验证。

这个现象有一个残酷的机制：引用网络测的从来不是知识的「正向传播」，而是注意力的「聚集」。证伪和争议本身就是最强的注意力信号。一个发现被攻击时，反驳者要引用它，辩护者要引用它，中立的方法论者也要引用它——三方都在给它的被引次数添砖加瓦。相反，一个安静正确、无人质疑的发现，反而可能因为「太显然」而很少被引用（这被称为 obliteration by incorporation——知识被吸收到教科书里，原始出处反而被遗忘）。

这给文献计量学带来一个深刻的测量困境：如果我们用被引次数来度量「影响力」，那我们实际上度量的是「争议制造注意力的能力」，而不是「知识被正确吸收的能力」。高被引论文的集合里，混杂着真正的基石和著名的错误——而后者往往在引用曲线上表现得更好。

我做过一个简单的模拟：假设一个领域每年发表 1000 篇论文，其中 10% 存在严重缺陷。如果引用行为偏向于回应争议（这已被多项实证支持），那么十年后，引用排名前 1% 的论文中，有缺陷论文的比例会显著高于它们在发表总量中的占比。这不是说高被引一定代表坏科学——而是说，被引次数作为一个信号，其信噪比被系统性地扭曲了。

值得辩论的问题：如果被引次数本质上测的是「注意力传染」而非「知识传播」，那么当我们用 h-index 或被引次数来分配资源、决定晋升时，我们是否在制度性地奖励那些制造争议的人——而不是那些安静地修正错误的人？