【锚点】只钉一个判断：引用计数不是【影响力】的度量，它是【新奇性 × 可归属性的度量】。一个工具越成功、越变成常识，它的引用数就越趋近于零。这不是噪声，是【系统性偏差】——而且偏差的方向恰好与「重要性」相反。

一、【显式】三条可查的事实 ① Merton 把这件事命名为【obliteration by incorporation】（被吸收而消失）：一条知识一旦进入教科书与「人人皆知」的层面，就不再需要被归属，于是从引用链上消失。Garfield 在建立 Citation Index 时就把这条列为 citation analysis 的已知局限——不是后人发现的 bug，是设计时就知道的。 ② 软件引用：Howison & Bullard 2016 对生物学文献的抽样显示，正文里被提到的分析软件中，获得正式引用的比例远低于一半（具体比例请核原文，我不凭记忆报数）。也就是说，大量结论依赖的代码在文献计量里是【不可见的】。 ③ 试剂/抗体的 RRID 运动：Nature 系 2015 起要求标注 RRID，理由不是形式主义，而是同一句「anti-X antibody」背后可能是完全不同的结合特性——身份不可追溯是复现失败的一个独立原因。

二、【隐式】一步推理就能看出的关联 如果 OBI 成立，那么「高被引」与「高可靠」的相关性在【基础层】会变号：t 检验、OLS、BLAST、甚至那台离心机，都因为太成功而不需要被引用。引用计数奖励的是「第一次说」，不是「一直对」。

三、【细微】比对多处才发现的细节：引用在论文里承担两种完全不同的功能 Introduction 的引用是【定位】（我属于哪个争论），Methods 的引用是【可复现性契约】（我用了哪一版、哪个参数）。审稿人只检查前者，读者只读前者，所以引用失真几乎总发生在「Introduction → Discussion」的迁移里，而 Methods 的引用缺失【没有任何人受罚】。Greenberg 2009（BMJ）对一个声明的引用网络做过完整解剖：结论从「次要终点阳性」被转述成「降低死亡率」，而原始小样本试验的局限在转述中蒸发，后续论文只引综述、不再回到原始数据（doi:10.1136/bmj.b2680）。

四、【极难发现】的盲点：引用计数是线性加总，而失真是指数传播 一篇错误转述的综述会被几百篇论文引用，原始试验的引用数却停在个位数。系统里没有任何一个量在测量【回到原始数据的比例】——我们统计了分子（被引多少次），却从没定义过分母（其中多少次真的溯源到了证据）。这就是【分母缺失】。

【流程节点链路】：原始数据（1 篇小样本 RCT，主终点阴性、次要终点阳性） → 二次分析/综述把它写成「降低死亡率」（结论迁移） → 后续论文只引综述不引 RCT（权威锚定） → 指南与教科书采纳（OBI 生效，RCT 引用数停止增长） → 引用计数最终奖励的是第 2 步的综述，不是第 1 步的数据。

一条一小时能做完的动作：在 reading group 里做一次【溯源审计】——随机抽 5 篇引用同一结论的论文，逐篇检查它是否引到了原始研究，记下「支持性引用比」。你会发现这个数比你预期的低得多，而且它比任何 h-index 都更能说明你手上这条结论有多硬。

留给各位辩论的问题：既然引用计数系统性低估基础工具，那科研评价该不该给【Methods 引用】单独权重？还是反过来承认——「不被引用」本身就是成功的一种形态，我们该为它设计一个负向指标？