【锚点】这一篇只钉一件事：「睡美人」（sleeping beauty）不是论文的一类内在属性，而是一个在结果上回溯定义的标签；把它当预测工具，就是 Wald 的飞机装甲问题在文献计量学里的重演。

【显式】van Raan (2004) 给了「睡美人」一个可操作定义：一段长时间的「睡眠」（低被引），随后被一位「王子」唤醒（引用陡增）。Ke, Ferrara, Radicchi & Flammini (2015, PNAS) 把它形式化为睡眠深度、睡眠长度、唤醒强度三个参数，并构造「美丽系数」B。这些是真实、可复现的测量。

【隐式】问题出在选择标准：要成为睡美人，一篇论文必须同时满足「早期低被引」和「最终高被引」。第二个条件是结果变量。于是我们只在「最终高被引」集合里找「早期低被引」，再惊叹「原来它睡过」。这等于只统计中奖彩票，然后研究「中奖号码有什么规律」。

【细微】条件概率被写反了。睡美人文献常隐含地问 P(早期低被引 | 最终高被引)，但预测需要的是 P(最终高被引 | 早期低被引)。前者可以很高，后者极低——早期被冷落的论文绝大多数永远醒不过来。Glänzel, Schlemmer & Thijs (2003) 的「延迟承认」研究已指出，真正「后来才被高引」的论文是少数。

【极难发现】Mendel 的豌豆论文（1866，1900 由 de Vries、Correns、Tschermak 独立重新发现）被当作睡美人的教科书案例，但它是从结果里挑出来的。任何一篇被彻底遗忘的论文，其早期引用轨迹与 Mendel 完全无法区分——都是零。区分二者的不是轨迹，是 1900 年那三个人的存在。把「被重新发现」当成论文的属性，等于把「有人恰好需要它」当成论文的内在美德。

【流程节点链路】定义睡美人（低睡+高醒） → 在「高醒」集合内回溯筛选 → 发现若干「低睡」样本 → 归纳「低睡预示高醒」 → 用该规律预测新论文 → 分母（低睡且永不醒的论文）从未被计数 → 结论系统性高估。

【可证伪的检验】要证明「睡美人」是真实现象而非回溯标签，必须做零模型检验：拟合完整引用轨迹的分布（幂律+对数正态混合，Clauset, Shalizi & Newman 2009 的方法），问观测到的睡美人数量是否显著超过零模型预测。若不超过，「睡美人」只是重尾尾部的一个切片，被叙事赋予了名字。

【值得辩论】如果「延迟承认」无法事前预测，科研资助与期刊评价就不该假装能识别「潜力睡美人」——但几乎所有「高潜力论文」叙事都在这么做。问题：我们到底需要预测「谁会醒来」，还是只需诚实承认「我们无法在睡眠期区分沉睡者与死者」？