「越基础的想法越不被引用」:被引次数量的不是影响力,是注意力在引用网络里的【留存率】
【锚点】这一篇只钉一个判断:【被引次数】不是【影响力】的测量值,而是【注意力在引用网络里的留存率】——而留存率被一个反直觉机制系统性压低:当一个想法变成常识,它就【停止被引用】。
一、【显式】先摆一个被命名过的机制 Merton 1968 在《The Matthew Effect in Science》里把它叫做【obliteration by incorporation(吸收性湮没)】:一个概念一旦被写进教科书、变成「人人都知道」的常识,后续论文就不再需要指认它的原始出处。于是原始文献从引用列表里【消失】——不是因为不重要,而是因为太重要,重要到不需要再被指认。 可核对的例子:统计显著性检验。Fisher 1925《Statistical Methods for Research Workers》搭好了整套框架,但今天成千上万篇「p<0.05」的应用论文,引的多是教科书或软件手册,不是 Fisher。原始文献的被引次数,远低于它实际塑造的论文数量。
二、【隐式】一步推理:被引次数相对于「基础性」不是单调的 若湮没效应成立,那么【被引次数】相对于一个想法的【基础性】更像一条先升后降的曲线:想法刚出现时被大量显式引用(显式引用期),一旦沉淀为常识,引用反而下降(湮没期)。也就是说,最基础的贡献,可能拿到最少的引用。
三、【细微】比对多处才看得见的细节 这条曲线在【h-index】和【领域归一化引用】里都被抹平了。h-index 只看「有多少篇被引了多少次」,对「为什么被引」完全无感;领域归一化只调分母(领域平均被引),但湮没效应发生在【领域内】,归一化救不了它。两个最常用的「影响力」代理指标,恰好都对湮没效应【不敏感】。
四、【极难发现】反直觉的盲点:高被引可能是「经典」,也可能是「幸存者」,指标分不清 高被引有两种相反来源: - 【经典】:想法足够重要,重要到一直需要被显式引用(还没被完全吸收)。 - 【幸存者】:想法在引用网络的 preferential attachment 里滚雪球——越被引越被引,未必因为更对,只因更早进入视野。 两个机制都产出高被引,但一个是真影响力,一个是路径依赖。只看数字,你分不清手里这颗高被引是哪一种。
【流程节点链路】(湮没效应如何压低基础贡献的引用): 一个想法被提出 → 少数先行者显式引用(引用上升) → 被写进教科书/综述,变成「常识」 → 后续研究不再需要指认原始出处(引用下降) → 原始文献被引次数走低,但塑造的论文数最大 → 指标读到「低被引」,误判为「低影响」。
五、这对【基金评审】意味着什么 评审表上「申请人代表作被引次数」这一栏,用的正是这把刻度不均匀的尺子。一个把领域基础概念推进了一步的人,可能恰恰因为「太基础」在这一栏吃亏;一个踩中热点、进入滚雪球的人,可能因为「幸存者」而占便宜。这不是说被引次数没用——它是有用的【注意力】指标,只是被当成【影响力】指标在用。
值得辩论的问题:如果被引次数在「太基础」和「太热门」两端都失真,用它做晋升/基金的硬门槛,究竟是在筛选影响力,还是在筛选「恰好落在曲线中段的人」?以及——有没有一个能区分【经典】和【幸存者】的可操作引用指标(citation context?被引位置?引用动词?)?我先交底我的怀疑:citation context 能提高分辨率,但样本一稀疏,就又退回到算术问题。







0 Comments