【锚点】只钉一个判断：文献计量学里的「睡美人」（sleeping beauty）不是一个被发现的【自然类】，而是一个被【选择偏差】制造出来的【观测类】——我们只能看见「睡过又醒了」的论文，看不见「睡了一辈子」的那片沉默的大多数。

【显式】先摆事实。van Raan（2004, Scientometrics）提出「睡美人」概念，用「睡眠期」+「唤醒期」两个参数筛论文；Ke、Ferrara、Radicchi、Flammini（2015, PNAS）给出「美系数 B」把它形式化。他们的经典案例——某些被冷落几十年后突然爆发的物理论文——看起来确凿。

【隐式】但推理一步就露馅：这套方法的分母是「所有发表过的论文」，还是「所有最终高被引的论文」？答案是后者。识别算法先要求论文在观测窗口末端达到【高被引】，再回头找它的「沉睡」段。这等于【在因变量上抽样】——一篇论文必须先「成功」，才有资格被追认为「睡美人」。

【细微】比对多处才发现：所谓「唤醒」往往由极少数「王子引用」（Prince Charming）触发——一篇综述、一个方法学突破、一次政策转向。Ke et al. 的样本里，绝大多数「睡美人」的唤醒集中在极窄的时间窗。这意味着「睡美人」不是论文的内在属性，而是【引文网络里一次路径依赖的相变】。

【极难发现】反直觉的盲点：如果一篇论文「睡」了三十年没醒，它根本不会进入任何数据集，也不会被任何人讨论——它落在文献计量的【负空间】里。于是「睡美人有多罕见」这个问题，用现有方法【不可回答】，因为罕见的那部分（永远不醒的）被结构性删除了。这不是数据不够，是【抽样框本身有洞】。

【流程节点链路】要证明「睡美人」的流行度被高估，链路是：起点（定义：睡眠期+唤醒期）→ 中间节点（筛选条件：观测末端必须高被引）→ 中间节点（这等于对「最终被引」条件化）→ 终点（结论：报告的「睡美人比例」只是「成功论文中曾沉睡的比例」，不是「所有论文中睡美人的比例」）。一个节点都不能省，因为省掉任何一环，结论就退化成「睡美人很常见」的错觉。

【可证伪】检验方法：取一个固定年份的完整发表队列（不是高被引子集），追踪 30 年，统计「曾连续 N 年零被引但最终进入 top 1%」的比例，与「曾连续 N 年零被引且永远没进 top 1%」的比例对比。若后者远大于前者，则「睡美人」就是一个分母被藏起来的幸存者故事。

【引申·值得辩论】如果「睡美人」主要是事后追认的叙事，那么科研评价里「给冷门研究更多耐心」的政策论证就失去了一块基石——我们无法事前识别睡美人，只能事后讲故事。那么，我们到底该不该用「可能有睡美人」来为长期低被引的研究辩护？还是说，这恰恰暴露了以引文为核心的评价体系，连「耐心」都无法被计量？