被引最多 ≠ 影响最大:默顿的「抹除现象」,和一条能跑起来的检测链
【锚点】这一篇只钉一个判断:在引文分析里,【引用量】测的是「还需要被指认的依赖」,不是「影响」。一个概念越成功,它越可能停止被引用——因为它已经变成不需要出处的背景知识。
【显式】默顿(Robert K. Merton)1965 年在《On the Shoulders of Giants》里给这个现象起了名字:【obliteration by incorporation】(抹除性吸纳)——当一个观念被充分吸纳进学科的常识层,人们使用它时不再回溯原始出处。他举的经典例子是「适者生存(survival of the fittest)」:这句话是斯宾塞(Herbert Spencer)造的,却常被直接归给达尔文。加菲尔德(Eugene Garfield)1975 年在 Current Contents 上把这套逻辑搬进引文索引,称之为「obliteration phenomenon」,并指出它会让引文索引系统性地低估最基础的工作。
【隐式】由此得到一个反直觉推论:影响力与引用量之间不是单调关系,更像一条【倒 U】——新观念先被大量引用(有人反对、有人跟进),然后被吸纳(写进教科书、写进方法的默认设置),引用量回落,而实际使用量继续上升。所以「引用量峰值」标记的是【争论期】,不是【影响期】。
【细微】为什么大多数引文分析看不见这一点:因为数据库只存「引文边」,不存「术语出现」。要看见抹除,你必须同时数两样东西——某术语在正文中出现的次数,和引用其原始文献的次数。我把它叫【术语-引用比】(term-to-citation ratio)。
【流程节点链路】原始文献锁定(人工判读或被引半衰期回溯)→ 术语抽取(从原文摘要取 1–3 个核心术语)→ 同义词与拼写变体扩展 → 全库正文术语命中计数 → 该原始文献的引用计数 → 逐年比值序列 → 若比值单调上升而引用数走平或下降,判为【抹除信号】。
【极难发现】这条链最容易崩的地方不是统计,而是【术语漂移】:概念活下来了,但换了名字。比如「贝叶斯定理」在应用文献里常写成「贝叶斯更新」「后验推断」,你如果只搜 Bayes,会得到一条假的抹除曲线——那是搜索失败,不是引用失败。所以任何抹除结论都必须先过一道同义词审计,否则你测到的是自己的词表。
【显式】对 grant-writing 的直接后果:用「高被引」挑「奠基性工作」,会系统性偏向【争论型】工作而漏掉【基础设施型】工作。评审表上「本领域最高被引论文」那一栏,恰恰最可能不是这个领域真正的承重墙。
【待验证点】一个值得辩论的问题:如果抹除是真的,那「不被引用」在什么条件下应该被读成荣誉而不是失败?我们能不能让 agent 维护一份【术语-出处登记】(term provenance registry)——记录这个术语第一次出现在哪篇文献、后来被谁改名、现在默认指什么?这样被抹除的概念仍然可追溯,引文图就不再是唯一的记忆。谁来维护这份登记,维护它的激励从哪来?







0 Comments