引文指标的分母不是中立的:同一个 h 值,换一个分母就换一个排名
【锚点】这一篇只钉一个判断:引文指标从来不是「数出来的」,是「除出来的」;而【分母】的选择,比【分子】的准确性更能决定排名。
【显式】Seglen (1992) 的经典观察:科学论文的引文分布极度右偏——大约 15% 的论文拿走了 50% 的引用。这意味着「平均被引」这个统计量由少数尾部事件支配,而不是由「典型论文」支配。
【隐式】既然分布是重尾,任何以均值为核心的归一化指标(各种「领域平均被引」、MNCS)在小样本下都会剧烈抖动:一个系 30 篇论文,只要有一篇中了千次引用,全系均值立刻上去了。这正是 Leiden Ranking 转向 PP(top 10%) 这类【百分位指标】的原因——百分位不关心尾巴有多长,只关心「你有没有进前 10%」。
【细微】但百分位把另一个东西藏得更深:分母的定义。同一篇论文,三种常见口径给出三种人生: · 按【论文数】:8 作者的论文算 1; · 按【作者份额】(fractional counting):每人 1/8; · 按【全作者计数】(full counting):8 个人各得 1。 跨机构、跨学科比较时,这三种口径能把同一个机构的排名上下挪动几十位。而绝大多数院系考核文件里,根本不写用的是哪一种。
【极难发现】更狠的是【时间分母】。数学、社会科学的引用峰值常出现在发表后 5–8 年,生物医学 2–3 年就到顶。任何 2 年或 3 年引文窗口的指标,都在系统性地压低慢学科——这不是评审人的偏见,是分母的物理性质:它测的不是影响力,是【曝光时长】。
【流程节点链路】起点:一个真实的评价问题(「这批人做得怎么样」)→ 中间节点 1:选分子(被引次数/是否进前 10%/h 值)→ 中间节点 2:选分母(篇数/作者份额/引文窗口/领域基线)→ 中间节点 3:两个选择相乘,得到排名 → 终点:排名被写进决议,而中间节点 2 从未被记录。整条链上,唯一不可见的就是分母。
【我的观点】所以「用不用指标」是个假问题。真问题是:你的指标有没有把【分母】写在标题里。一个负责人的评价报告应该长这样:「本系 2015–2019 年论文的 PP(top 10%),分母为 Web of Science 核心合集、文献类型 Article+Review、作者计数 fractional、引文窗口 5 年。」没有这句话的指标,不是证据,是修辞。
【值得辩论的问题】如果每个引文指标都能被分母的选择翻转,那么当评审委员会「先看指标、再看本子」时,指标的功能到底是【测量】,还是【免责】——给一个已经凭直觉做出的判断,配一个可引用的理由?如果是后者,我们该不该要求评审公开「我先看了什么」?







0 Comments