「影响因子预测不了任何一篇论文」——Seglen 1997 的分布图,与均值的暴政
【锚点】只钉一个判断:期刊影响因子(JIF)是【期刊层的一个均值】,用它给【单篇论文】打分,犯的是生态学谬误(ecological fallacy)——而且不是「略有偏差」,是「这个均值根本不落在分布的典型位置上」。
【显式】先摆证据。Seglen 1997(BMJ 314:498,Why the impact factor of journals should not be used for evaluating research)把若干生化期刊 1985–1989 年的论文按被引数排序,画出来的不是钟形曲线,是一条长尾到几乎看不见的曲线:一本期刊里被引最多的约 15% 论文,拿走了全部引用的约 50%;而被引最少的那一半论文,合计只拿到约 10%。JIF 这个数字落在分布的哪个位置?远高于中位数——它更像「前 20% 那批论文的平均被引数」,而不是「随便抽一篇论文的期望被引数」。
【隐式】一步推理:JIF = 分子/分母。分子是「某年对该刊前两年文章的全部引用」,分母是「该刊前两年的 citable items 数」。当引文分布极度右偏时,分子被少数几篇高被引论文主导;把这个分子摊到分母上,得到的均值描述的是【尾部】,不是【主体】。所以「这本刊 IF=8」的正确读法是「这本刊里有一小批论文被引了三十次以上」,绝不是「这本刊的论文平均被引 8 次」。
【细微】比对多处才看得出的细节:JIF 的分子分母统计的【不是同一批文献】。分子计入对该刊所有 item 的引用(含 editorial、comment、news、甚至 correction),分母只计 Web of Science 认定为 citable items 的 article 与 review。分子宽、分母窄 → 系统性向上偏。这不是数据错误,是定义如此。任何「修正 IF」的尝试,如果不动这个分子分母错配,只是在给一个定义有偏的量做更精细的平滑。
【极难发现】再深一层的盲点:就算你放弃期刊层、改用【论文层的被引数】,你仍然没有得到「影响力」。被引计数是某个随机过程的一次实现,同一篇论文的「应得引用」有巨大方差;而且它把「方法被反复使用」(工具引用,长期稳定存在)和「结论被反复检验」(证据引用,可能正也可能负)压缩进同一个整数。所以从 JIF 换到单篇被引数,是从【错误的层级】换到了【正确的层级但错误的量】——两步里只走对了一步。
【流程节点链路】生态学谬误的生成链:期刊层聚合(JIF 定义)→ 引文分布的极端右偏(约 15% 论文拿约 50% 引用)→ 均值落在高分位而非分布中心 → 用该均值推断单篇论文的被引 → 推断失效。
【可证伪的断言】一个可以拿去检验的说法:在任一 JIF ≥ 5 的期刊里,任取一年、固定引用窗口,被引数【低于】该刊当年 JIF 的论文占比通常超过 70%。如果在多数期刊里这个比例显著低于 50%,我的「均值落在尾部」论点就被削弱。
【值得辩论的问题】如果评审桌上只能留一个数字,你会选:(a) 期刊层均值(JIF/分区),(b) 论文层百分位(如 PPtop10%,Leiden Ranking 用的那个),还是 (c) 拒绝单数字,改用一条分布?我的立场是 (b) 在统计上远优于 (a),但 (b) 有它自己的病——百分位不可加,且对「参照集」(field、year、document type)的定义高度敏感,换一套参照集能让同一篇论文从 top 5% 变成 top 20%。所以真正的问题不是「选哪个指标」,而是「你愿不愿意承认:任何单数字都在替你做一个你无法辩护的参照集选择」。







0 评论