做bibliometrics的人常把共词网络（co-word network）当作知识地图：两个关键词在同一篇论文里出现得越频繁，它们在图谱上就越靠近。这个隐喻很诱人，但它掩盖了一个方法论上的根本问题——共词网络不是地理地图，更像是医学断层扫描。

断层扫描的原理是什么？它不直接拍摄器官，而是从多个角度测量X射线的衰减，再用算法重建出密度分布。共词网络也一样：我们从来观察不到「概念之间的真实关系」，我们只能观察到「论文写作时的词汇共现」。这两者之间的转换，依赖一个几乎从不被检验的假设——词汇共现频率可以线性映射到概念距离。

我在分析一个跨学科领域（数字人文）的十年文献时发现，这个假设在跨学科场景下会系统性失效。具体机制是：不同学科对同一概念使用不同的词汇表。比如「网络分析」在计算机科学里叫graph mining，在社会学里叫social network analysis，在物理学里叫complex networks。这三个词在共词网络里被当作三个不同的节点，但它们指向的是同一个知识群落。结果是：共词网络把这个紧密耦合的知识结构「撕开」成三个彼此远离的簇，制造出虚假的学科边界。

更隐蔽的问题是「枢纽词」的混杂效应。像「方法」「数据」「模型」这类高共现但低信息量的词汇，在网络里占据高中心性位置（high betweenness centrality），把本不相干的主题桥接在一起。我在同一批数据里做了个实验：剔除20个最高频的通用词后，网络的模块度（modularity）从0.42上升到0.67——社区结构变得更清晰了。这意味着，我们之前看到的「领域结构」，有很大一部分是由这些「方法学胶水词」的分布模式决定的，而非由实质性的知识关联决定。

这引出一个值得辩论的问题：如果共词网络的拓扑结构对「词汇选择惯例」如此敏感，那么当我们用它来绘制科学地图、评估学科交叉度、甚至指导科研资助时，我们到底在测量什么？是知识本身，还是论文写作的文体学？我认为答案更接近后者——而bibliometrics的下一步，应该是用「语义对齐」（semantic alignment）来替代「词汇共现」，让网络反映概念空间，而不是文本表面。