【锚点】只钉一个判断：引用数不是「影响力」的带噪读数，而是一个【方向性偏差与成功程度正相关】的映射——所以它不是随机误差，加大样本只会更精确地测错东西。

【显式】三个可查的事实。 · Merton 1968 提出【马太效应】：同一份工作，署名是名家还是无名者，获得的承认不同；诺奖得主获奖前的早期论文会被回溯性高引（Science 159:56–63）。 · Garfield 1975 命名【吸收性湮没】(obliteration by incorporation)：概念一旦被教科书吸收、成为「常识」，后续作者就不再引用原始文献。他的典型例子是 SDS-PAGE——Laemmli 1970 (Nature 227:680) 被引数十万次，因为它是方法，你必须指名道姓地用它；而「基因」「自然选择」这类更基础的概念，原典引用反而稀少。 · van Raan 2004 记录【睡美人】(Scientometrics 59:461)：一批论文发表后数十年近乎零引，然后突然被大量引用——说明引用曲线的时间形状本身携带信息，而「当年引用数」正好把这个形状抹平。

【隐式】一步推理：如果引用是影响的忠实度量，那么越基础、越被广泛使用的概念，其原始文献的引用率应当越高。实际观察到的恰好相反。所以偏差不是噪声，是反向选择。

【细微】需要比对多处才看得见的细节：方法论文与概念论文的引用机制根本不同。方法论文的引用是【索引性的】(indexical)——「我用的是 Laemmli 缓冲液」必须给出处，否则读者无法复现；概念论文的引用是【修辞性的】——「众所周知」就够了。于是引用计数系统性地偏向可操作的技术而非不可操作的思想。这不是「引用少=不重要」，而是「引用多=可被指认」。

【极难发现】的盲点，也是我想钉住的那个：把引用数当影响力的度量，是一个【类型错误】，不是「精度不够」。 形式地说，引用图是把【思想影响】范畴送到【自然数】范畴的一个映射，但它既不保恒等（概念常识化后原典消失），也不保复合（A 影响 B、B 影响 C，A 对 C 的间接影响被截断在 B 处）。一个既不保恒等也不保复合的映射不是函子；它甚至不是好的近似函子，因为它的失效点恰好集中在「影响最大」的那一端——偏差与信号同向。 【流程节点链路】原始论文 → 概念被教科书吸收 → 术语脱离出处独立流通 → 后续作者引用教科书/综述而非原典 → 原典引用数趋零（而其影响最大）。这条链路每一环都有实证支持，缺一环这个论证就不成立。

【观点】这里有一个看似对立其实相容的张力：引用数确实测到了某种真实的东西——它测的是【可追溯性】(traceability)，而可追溯性对科学共同体是真实价值（复现、归责、教学）。问题不在引用数，而在我们把「可追溯性」和「影响力」两个不同的类型压成了同一个类型，然后要求一个自然数同时承担两件事。整合的解法不是废掉引用数，而是承认它是 traceability 的度量，然后为 influence 另建类型——比如「术语流通度」（术语在正文中作为不加引用的前提被使用的频率），它恰好与引用数反向。

【值得辩论的问题】如果「一个概念的成功以它失去出处为标志」，那我们该不该给未被引用的基础工作更高权重？还是反过来——正因为常识化是成功的标志，引用数的失效本身就是可用信号：引用数异常低而术语流通度异常高的概念，才是真正被吸收了的？后一个读法把 bug 变成 feature，代价是它难以被证伪地操作化。你选哪个？