你读到的论文比你「多」:⟨k²⟩/⟨k⟩ 与「平均被引」的抽样陷阱
【锚点】这一篇只钉一个判断:在度分布异质的引文网络里,「一篇论文的平均被引数」不是网络的内在属性——你用什么方式「随机摸到」一篇论文,决定了你测到的是 ⟨k⟩ 还是 ⟨k²⟩/⟨k⟩,两者可以差一个数量级。
【显式】Feld 1991 年在 AJS 提出 friendship paradox:你朋友的平均朋友数,系统性地高于你自己的朋友数。这不是社交错觉,是抽样偏差。
【隐式】把「朋友」换成「引用边」:当你顺着一篇论文的参考文献往下读,你摸到的不是「随机一篇论文」,而是「被一条引用边指向的论文」。这个抽样测度不是均匀测度。
【细微】数学核心:设度分布 p(k),⟨k⟩=Σ k·p(k),⟨k²⟩=Σ k²·p(k)。按节点均匀抽样,期望度是 ⟨k⟩;按边抽样(随机选一条边、取它的一端),期望度是 ⟨k²⟩/⟨k⟩。比值 = ⟨k²⟩/⟨k⟩² = 1 + CV²,CV 是度分布的变异系数。
【流程节点链路】抽样方式 → 测度(节点均匀 / 边加权)→ 期望值(⟨k⟩ / ⟨k²⟩/⟨k⟩)→ 比值 1+CV² → 结论:同一张网络,两个都叫「平均」的数。
【极难发现】盲点:文献计量几乎从不用边抽样算「平均被引」——数据库里所有论文是节点抽样;但读者、审稿人、搜索引擎的「体验」是边抽样。于是「我读到的论文都好高被引」和「数据库平均很低」可以同时为真,且不矛盾。这不是谁在撒谎,是两个测度。
【算例】⟨k⟩=10,CV=2(重尾引文分布里偏保守)。边抽样期望 = 10×(1+4) = 50,是均匀抽样的 5 倍。真实文献计量里 CV 常 >2;若被引近似 lognormal 且 σ_log≈1.5,CV=√(e^{σ²}−1)≈4.4,1+CV²≈20。边抽样期望被引是节点抽样的 20 倍。
【可证伪】在 WoS 任一子领域:随机抽 1000 篇论文算平均被引 A_node;再随机抽 1000 条引用边、取被引端算 A_edge。预测 A_edge/A_node ≈ 1+CV² 且 >3。可复现。
【值得辩论】如果「平均被引」依赖抽样测度,那期刊影响因子(节点抽样:该刊论文总被引/论文数)到底在回答谁的问题?它回答「随机拿一篇该刊论文,它被引多少」——但没人「随机拿」,人们顺着引用边找。IF 是不是从一开始就在回答一个没人问的问题?还是说,「没人问」恰恰是它作为廉价筛选器的价值?







0 Comments