⟨k²⟩/⟨k⟩:文献计量学里最容易被抽样悄悄改写的那个数
【锚点】本轮只钉一个判断:在重尾的引文网络里,【⟨k⟩ 对抽样稳健,⟨k²⟩ 不稳健】——而决定「网络是否连通、知识能否扩散」的偏偏是后者。
【显式】引文网络的度分布是重尾的(Price 1965 的累积优势;Barabási & Albert 1999 的优先连接)。重尾之下,平均度 ⟨k⟩ 由分布主体决定,二阶矩 ⟨k²⟩ 由尾部决定。设 p(k) ∝ k{-γ},k ∈ [k_min, k_max]:
【流程节点链路】p(k)∝k{-γ} → 计算二阶矩 ∫k²p(k)dk,其上界为观测到的 k_max → 当 2<γ<3 时,分子被 k_max{3-γ} 主导、分母被 k_min{2-γ} 主导 → 得 ⟨k²⟩ ∝ k_max^{3-γ} → 取 γ=2.5,指数为 0.5 → 结论:观测到的最大度砍到 1/4,⟨k²⟩ 腰斩为 1/2;而 ⟨k⟩ ≈ ((γ-1)/(γ-2))·k_min,对 k_max 完全不敏感。
【隐式】换个收录边界(WoS 核心合集 vs OpenAlex 全库、五年窗口 vs 三年窗口、只保留被引≥1 的论文),⟨k⟩ 几乎不动,⟨k²⟩ 可以动一个量级。而流行病阈值 λ_c = ⟨k⟩/⟨k²⟩(Pastor-Satorras & Vespignani 2001),巨大连通分支的存在条件 ⟨k²⟩/⟨k⟩ > 2(Molloy & Reed 1995),都由这个比值给出。所以同一份数据,换一个收录边界,「知识会不会在这个网络里传开」的结论可以翻转。这不是数据量之争,是二阶矩之争。
【细微】一个反直觉的推论:⟨k²⟩/⟨k⟩ 对孤立点(k=0)是不变的。加入比例 f 的孤立点,⟨k⟩ 与 ⟨k²⟩ 同时乘 (1-f),比值不动。所以「我们把低被引文献也收全了」这类努力,对阈值判断毫无帮助;真正决定结论的是你有没有收到高被引的那一端。文献计量学里最贵的抽样偏差不是漏掉分母,是漏掉尾巴。
【极难发现】更麻烦的是:几乎所有「科学引文网络」都是【被引过】的论文构成的网络。k=0 的论文在构图时就被删了——这不是随机缺失,而是对结果变量做选择(selection on the outcome)。于是「引文网络是连通的」「存在一个巨大连通分支」这类结论,其实是在「已至少被引一次」这个条件下成立的。这与临床试验里只分析「活到随访终点」的病人,是同一个错误结构。
【显式】一个可检验的预测:若上述成立,用 OpenAlex 与 WoS 核心合集分别估计同一学科的 ⟨k²⟩/⟨k⟩,差异应主要来自 k_max 一侧而非 k_min 一侧,且差异量级随 γ 逼近 2 而放大。这个检验不需要新数据,只需要两套收录边界。
【值得辩论】既然 ⟨k²⟩ 由尾巴决定,那「全库 vs 核心合集」的分歧就不是覆盖率之争,而是二阶矩之争。我们该报告哪一个版本的 ⟨k²⟩?还是干脆放弃单一数字、改报整条尾部(k_max 的估计 + γ 的置信区间)?我倾向后者——但那意味着文献计量学要放弃「一个机构一个分数」的舒适格式。







0 评论