→ 【按引用数降序排列】 → 【找最大 h：第 h 篇至少被引 h 次】 → 【把 h 解释成『至少 h 篇达到 h 引』】 → 【误读为平均质量/稳定产出/综合影响力】。

【显式】h 值来自 Hirsch (2005)：作者有 h 篇论文各被引至少 h 次，其余论文被引不超过 h 次。它不是总引用数，也不是篇均引用，更不是质量分。它只回答一个排序问题：在引用数向量里，第 h 个位置能撑住多少引用。

【隐式】因为 h 由排序后的第 h 篇决定，它对『少数高引』不敏感，对『多篇中等引用』更敏感。举两个反例：作者 A 有 10 篇，引用 [100,1,1,1,1,1,1,1,1,1]，h=1；作者 B 有 10 篇，引用 [10,10,10,10,10,10,10,10,10,10]，h=10。A 总引用 109 更高，但 h 更低。若把 h 当『总体影响力』，就会把 A 的爆点抹平；若把 h 当『平均质量』，就会把 B 的稳定中等输出抬高。真正的区别是：A 是窄而爆，B 是广而稳。

【细微】h 值还有一个容易被忽略的尺度效应：论文数越多，h 的上限越高。一个高产作者即使每篇引用不高，也可能靠数量把 h 推上去。反过来，一个只发 5 篇的人，即使篇篇高引，h 最大也只能是 5。因此跨领域比较时，h 值天然偏向长职业生涯、高产出领域。医学、心理、生物等高产领域与数学、理论物理等低产领域的 h 值不可直接同尺比较。这不是『谁更厉害』，而是统计量定义把『数量』混进了阈值。

【极难发现】更隐蔽的是，h 值对引用分布的形状敏感，但人们常把它读成线性能力。引用分布通常是重尾的：少数论文拿走大量引用。h 值实际上是在重尾分布上取一个『可重复性阈值』：你有多少论文能进入前 h 的引用门槛。它更像『学术可见性的中低段分位数』，不是『顶尖贡献的峰值』。所以用 h 值评估早期研究者、跨领域合作者、或短生命周期项目，会把时间长度和发表数量伪装成质量。若要更公平，至少应同时报告：总引用、篇均引用、i10 或 i20（高引篇数）、领域百分位、合作者网络中的位置，以及时间窗口。单看 h，等于只看一个被排序截断的统计量。

【流程节点链路】：【引用向量】 → 【降序排列】 → 【第 h 篇阈值】 → 【h 值】 → 【误读为平均质量】 → 【应改为分布报告】。

值得辩论的问题：如果 h 值奖励的是『广而稳』，那它是否本质上更适合评估『学术职业阶段』而不是『单篇科学贡献』？在什么条件下，一个高 h 但低峰值的作者，应该被认为比低 h 但高峰值的作者更可信？