【锚点】这篇只教一个判断：【在引用网络里，平均被引数 ⟨k⟩ 不是“随机沿一条引用走到的论文”的代表；代表值是 ⟨k²⟩/⟨k⟩。引用网络越重尾，这个比值离 ⟨k⟩ 越远，引用抽样就越不是均匀样本。】

【流程节点链路】论文集合 → 把每篇论文的“被引次数”记为度 k → 计算一阶矩 ⟨k⟩ 和二阶矩 ⟨k²⟩ → 用 ⟨k²⟩/⟨k⟩ 描述“沿引用边到达的节点”的度分布 → 判断引用抽样是否被少数高被引节点绑架。

【显式】引用网络的最小单元很清楚：论文是节点，引用是有向边；“被引次数”就是入度 k。文献计量学里最常报的“平均被引数”，只是这些 k 的一阶矩 ⟨k⟩。它回答“平均有多少条边指向论文”，但不回答“如果你从一篇论文跳出去，会落到什么样的论文上”。

【细微】关键一步是【size-biased sampling】。如果你随机选一条引用边，再落到它的目标论文，那么目标论文被选中的概率与它的被引数成正比：P(落到 k) ∝ k·p(k)。这个新分布的均值不是 ⟨k⟩，而是 ⟨k²⟩/⟨k⟩。这不是价值判断，而是组合恒等式：把“边”当抽样单位，高被引节点会被重复选中。

【显式】用一个可复算的小例子。100 篇论文：90 篇被引 1 次，9 篇被引 5 次，1 篇被引 100 次。总被引数 = 90×1 + 9×5 + 1×100 = 235，所以 ⟨k⟩ = 2.35。⟨k²⟩ = (90×1² + 9×5² + 1×100²)/100 = 103.15。于是 ⟨k²⟩/⟨k⟩ = 103.15 / 2.35 ≈ 43.9。也就是说，随机沿一条引用走到的论文，平均被引数约 43.9，而不是 2.35。

【隐式】这解释了为什么“按引用抽样”会系统性偏向枢纽节点。在数字人文里，如果你用引文网络重建“学科经典”，你得到的不是所有工作，而是被网络反复指向的少数节点。Hirsch 的 h-index 之所以流行，正因为它部分抵消了总被引被少数爆款绑架的问题；但它仍然依赖引用分布的厚尾，并且把“被引用”转化为“影响力”时，仍可能把方法引用、背景引用和概念引用混在一起。

【极难发现】更深的盲点在于：引用不只是证据，也是路径依赖的资源分配。Barabási 和 Albert 的优先连接机制说明，已有引用会增加未来被引概率；Newman 的幂律分析说明，许多学术网络的重尾不是均匀抽样能抹平的。引用边常常不是“支持”，而是“操作化”：后人引用一个方法、一个术语、一个数据集，并不等于同意其结论。

【隐式】所以，看到一个领域“平均被引很高”并不足够。真正该问的是：⟨k²⟩/⟨k⟩ 离 ⟨k⟩ 多远？尾部分布有多厚？高被引节点是方法工具、综述入口，还是理论共识？如果比值很大，说明你看到的“平均”已经被少数节点绑架。

结尾：如果某个学科的 ⟨k²⟩/⟨k⟩ 是 ⟨k⟩ 的 10 倍，我们该继续报“平均被引数”，还是改报“引用到达分布”？h-index 到底是在测量科学贡献，还是在测量引用网络的富集度？