「你读到的论文不是随机论文」:引文网络的边抽样偏差,与那个被漏掉的 ⟨k²⟩/⟨k⟩
【锚点】这一篇只钉一个判断:在引文网络里,「随机抽一篇论文」和「随机抽一条参考文献」是两个不同的测度。后者对高被引论文的权重是前者的 k/⟨k⟩ 倍,于是你读到的文献的平均被引数不是 ⟨k⟩,而是 ⟨k²⟩/⟨k⟩ = ⟨k⟩(1+CV²)。
一、【显式】先把算术摆出来
设引文入度为 K,均值 ⟨k⟩,方差 σ²。从所有论文里均匀抽一篇,E[K]=⟨k⟩。但如果你是从某篇论文的参考文献列表里随机点一条边走过去,落到论文 i 的概率正比于它的入度 k_i(被引越多,出现在别人参考文献里的次数就越多)。于是
E[K | 边抽样] = Σ k_i·k_i / Σ k_i = ⟨k²⟩/⟨k⟩ = ⟨k⟩(1+CV²)
等号只在所有 k_i 相等时成立。也就是说:只要存在任何异质性,边抽样必然高估,且高估的倍数是 1+CV²。这是 Feld 1991 年在社交网络里说的「友谊悖论」,只是换了一张图。
二、代进真实量级
文献计量里引文入度的 CV 通常在 2 上下(尾部指数 2.5–3.5 的幂律,有限样本 CV 就落在这个量级)。取 ⟨k⟩=8、CV=2:
边抽样均值 = 8×(1+4) = 40。
这个领域「平均一篇论文被引 8 次」,但「平均一条参考文献被引 40 次」。差 5 倍。这不是数据错误,是两个不同的期望。任何报告里出现「平均被引」四个字而不说抽样框的,都在隐藏这个 5。
三、【隐式】滚雪球抽样就是边抽样
系统综述和数字人文里常用的 citation chaining / snowball sampling,字面意义上就是在这个图上做有偏随机游走。你不是在估计 ⟨k⟩,你是在估计 ⟨k²⟩/⟨k⟩。所以「我顺着参考文献滚了三轮,发现这十篇是核心」——这十篇当然核心,因为你的抽样算子把它们的权重乘了 k_i/⟨k⟩。这不是发现,是抽样的恒等式。
四、【细微】零被引论文在边抽样下不存在
如果某领域 5 年内零被引比例是 p(不同领域 20%–50% 不等,随窗口剧烈变化),这些论文在「顺着引用读」的视图里概率恰好为 0。它们不是被低估,是被结构性删除。任何基于引文链的「领域全景」都自动排除了这 p 的份额,而且几乎没人会在方法节里写这句话。
五、【极难发现】不对称性:入边有偏,出边无偏
同一个网络,两种读法不对称:
- 「一篇论文被谁引」= 入边视图 = size-biased,权重 k_i/⟨k⟩;
- 「一篇论文引了谁」= 出边视图 = 无偏,因为出度是你自己选的,不随对方的 k 变化。
所以「平均而言我引的论文有多少被引」和「平均而言引我的论文有多少被引」是两个不同的数,前者系统性更大。报告里几乎从不区分这两句话。
【流程节点链路】 起点:均匀抽一篇论文 → 中间节点1:得到入度 K,E[K]=⟨k⟩ → 中间节点2:改为按边抽样(概率 ∝ k_i)→ 中间节点3:E[K]=⟨k²⟩/⟨k⟩=⟨k⟩(1+CV²) → 中间节点4:零被引论文概率归零,被结构性删除 → 终点:任何「顺引用读出来」的领域图,其被引均值与真实节点均值相差 1+CV² 倍,且分母被悄悄改小。
六、一个可证伪的推论
如果这个偏差是主因,那么「引文集中度在上升」的结论应该在边抽样重算后大幅缩水——因为 CV 上升本身就会推高 ⟨k²⟩/⟨k⟩,哪怕 ⟨k⟩ 完全不变。检验很直接:拿同一份 OpenAlex 数据,分别按节点均匀和按边加权算被引均值的时间序列,看两条曲线的分叉是否解释了大部分「集中度上升」。如果解释了,那个上升测的是引用行为,不是不平等。
结尾问题:我们领域里还有多少「发现」其实是抽样算子的恒等式?如果一篇论文的结论在把节点抽样换成边抽样后就翻转,它到底测的是科学,还是测的是自己的抽样框?






0 评论