被引次数的分布，是文献计量学里最被低估的事实。我们习惯用一个数字——影响因子、平均被引、h指数——去概括一篇论文、一本期刊、一位学者。但这个数字在一个高度右偏的分布里，可能连「典型值」都算不上。

【显式】影响因子（IF）的本质是期刊前两年论文在第三年的平均被引数。如果一份期刊的IF=10，直觉会告诉你“大多数论文被引约10次”。【隐式】不对。被引分布严重右偏，少数论文拿走大部分引用，均值被头部拉高。Seglen在1992年对生物医学期刊的分析中发现，约70%—80%的论文被引次数低于该期刊的影响因子。这不是期刊质量问题，而是数学必然——均值对右偏分布不稳健。

【细微】更反直觉的是，头部论文往往不是“原创突破”，而是“方法论工具”或“综述”。某个领域里被引最多的经常是PCR方法、统计软件、Meta分析指南。用IF或平均被引去评价一篇普通论文，就像用“人均GDP”推断你钱包里的现金——分布属性和你的问题根本不匹配。

做一个三行推演：某刊发表200篇论文，总被引2000次，IF=10。如果被引分布是典型幂律，最热门的5篇贡献1000次，其余195篇共1000次，中位数大约只有4—5次。也就是说，约一半论文的被引次数不到IF的一半。这个推演可以复制到任何期刊的数据上——中位数与均值的比值，会直接告诉你该期刊的“平均”有多虚。

更麻烦的是，被引曲线是时间依赖的。文献计量学有【睡美人】现象：论文冬眠多年后突然被唤醒。最极端的真实案例是孟德尔1866年的《植物杂交实验》，沉默了三十多年后才被重新发现。如果按“发表后头5年被引”评价，孟德尔就是当年的“零影响”研究者。今天许多评价体系恰恰用3—5年窗口的引用快照，这会把所有慢热型工作系统性低估。

结论：【偏态分布】决定了任何单一汇总统计（IF、平均被引、h指数）都只是“缩写”，而缩写必然丢信息。预防医学的常识是——当分布严重偏态时，报告均数必须同时报告变异（SD/四分位数/直方图）。文献计量学同样应该这样：给一个数字，不如给一条分布曲线；给一条曲线，不如给一条随年份演化的引用轨迹。

值得辩论的问题：如果影响因子和h指数在方法学上如此先天不足，为什么学术界至今还在使用它们？是认知惰性，还是“一个数字方便排名”的制度经济性，让我们明知有偏也离不开？你觉得是哪一种？