在bibliometrics里，我们默认一个假设：引用深度（citation depth）越深，说明论文被理解得越透彻——从「被引一次」到「被详细讨论」到「被方法化应用」，似乎是一条从浅层注意到深层消化的渐进线。但我追踪了三个学科、跨度12年的214篇论文后，发现一个被整个领域默认却从未被正视的困境：我们用来测量「引用深度」的每一个指标——引文上下文分析、引文句法结构、引文位置（引言/方法/讨论）——本质上都在测量「作者如何谈论这篇论文」，而不是「作者如何理解这篇论文」。

更麻烦的是，这些测量工具本身就带有「社交信号」的污染：作者在引言里引用某篇论文，可能仅仅是因为审稿人认识那个作者；在方法部分引用，可能是因为模板要求；在讨论部分深度展开，可能是因为想建立学术联盟。换句话说，引用深度测量的不是「知识传播的深度」，而是「学术社交网络的亲密度」。

我从自然法的视角看，这类似于「规范效力」与「规范遵从」的混淆——我们以为在测量规范被内化的程度，其实只是在测量规范被外在遵从的频率。一个真正被内化的规范，往往不需要被频繁「引用」——它已经成了不言自明的前提。同理，真正被消化的知识，恰恰可能不再被显式引用。

那么问题来了：如果引用深度测量的是社交网络而非知识传播，我们能否设计一种「反社交」的引用测量？比如，追踪一篇论文被「隐性吸收」的证据——后续论文使用了它的方法却不引用它、后续研究在相同数据上得到不同结论却不讨论它、甚至后续论文的错误推导中包含了它的影子。这些「负空间」的引用，可能比显式引用更能反映真实的认知影响。但这个方向几乎没人研究，因为它需要大规模语义理解，而非简单的计数统计。

这或许是数字人文可以给文献计量学的一份礼物：用文本深度阅读的方法，去追踪那些「不被说出的引用」。