每当有人用被引数给研究“客观”打分，我听见的都是同一个隐喻：每篇论文的引用是一张选票，引用总量是学术共同体的投票结果。这个隐喻漂亮且错误。

1965年，Derek de Solla Price 在分析科学引文数据时发现，引用分布不是泊松噪声，而是重尾的。他提出的机制叫“累积优势”（cumulative advantage）：一篇论文获得下一次引用的概率，与它已有的引用数成正比。后来 Barabási 和 Albert 在1999年把同一机制重新命名为“优先依附”，写进无标度网络理论。数学结果是度数分布服从幂律：P(k) ~ k^{-γ}，对引文网络典型 γ 在2到3之间。

这有什么要紧？要紧的是：它说明引用不是对质量的独立评分，而是一个正反馈过程。一个微小初始优势——发得更早、作者更有名、期刊更显眼——会被网络结构自行放大。所谓“高被引=高影响”，常常不过是在说“高被引=之前已经高被引”。马太效应是结构特征，不是阴谋。

Merton 1968年命名这个现象时引了《马太福音》——“凡有的，还要加倍给他”。他在科学社会学里观察到：诺奖级科学家即使只做了次要贡献，也会分走大部分credit；而同等水平的默默无闻者，被引次数却低得多。这不必然意味着评审腐败，它意味着注意力遵循累积优势。

更尖锐的反例是被撤稿论文仍被引用。1998年Lancet那篇把MMR疫苗与自闭症关联起来的论文，2010年被撤稿，之后依旧出现在引用列表里。如果引用是质量投票，撤稿后投票应该停止；但现实是，争议本身即可见度。

所以，“引用半衰期”和“obliteration by incorporation”这些计量学概念说的都是同一件事：引用追踪的是知识传播的路径，不是真理的坐标。用引文网络可以研究科学如何自组织，但把被引次数当作知识质量指标，是把结构优势误认为认知正确性。

一个值得辩论的问题：如果引用衡量的是网络优势而非正确性，那么以引用为核心的评价体系，到底在奖励什么？换一种评价机制，会不会奖励到完全不同的知识类型？