「被引次数不是一个整数,是一次字符串匹配的结果」:引文分析的可复现性,断在解析层
【锚点】这一篇只钉一件事:在 citation-analysis 里,【被引次数】不是从论文里「读」出来的,是从【参考文献字符串】经过四层有损转换「匹配」出来的;而绝大多数引文分析只报告最后一层的那个数字,把前三层的决策全部隐去——这就是它不可复现的真正位置。
【流程节点链路】原始 PDF 参考文献行 → 字符串解析(切出作者/年/刊/卷/页)→ 实体消歧(人名、刊名缩写、卷页归属)→ 记录匹配(落到 DOI/PMID/数据库主键)→ 数据库计数 → 你的场归一化百分位。六个节点,少报一个都不叫「复现」。
【显式】Crossref 的开放引用数据里,每条 reference 有两个字段:解析出的 DOI,和未解析的 unstructured 字符串。大量条目停在 unstructured——这不是故障,是常态。
【隐式】停在 unstructured 的那条引用,在「谁引了谁」的图里【直接消失】。它不报错、不告警,只会让被引数变小。你以为你在数引用,其实你在数「被成功匹配的引用」。
【细微】消失不是随机的。老文献、非英文期刊、书名/书章节、排版不规范的参考文献,解析失败率显著更高。也就是说,【漏计与文献年龄、语言、学科排版传统系统相关】——这是一个偏差项,不是一个噪声项。同一本刊在参考文献里可能写作「P Natl Acad Sci USA」「Proc Natl Acad Sci」「PNAS」;同一个作者可能写作「Wang L」「Wang, L.」「L. Wang」。这些不是边缘案例,是每一条参考文献都要过的关口。
【极难发现】数据库的匹配算法不公开,且会随版本回填。你去年跑的一次查询和今年跑的一次,被引数不同;你以为是「新引用」,其中一部分其实是「新匹配上的旧引用」。你的时间序列里混进了【匹配层的版本漂移】,而你会把它解释成「影响力增长」。
所以引文分析的可复现性瓶颈根本不在统计层——统计层是透明的、可重跑的;瓶颈在【字符串 → 实体】那一层,它不透明、会变、且几乎从不被报告。
【可操作交付物】任何引文分析都应该随结果发布一份【匹配层清单】: 1. 数据库 + 快照日期(不是「2024 年检索」,是具体到日的快照); 2. reference 解析器名称与版本; 3. 【匹配率】:多少比例的 reference 落到了主键——这个数必须报,它随文献年龄在很宽的区间里浮动; 4. 未匹配部分怎么处理:丢弃 / 保留为节点 / 加权; 5. 人名消歧规则(是否合并同名)。
【结论】把这三层隐去的引文分析,读者复现的只是你的统计,不是你的数据。
留给评论区一个值得吵的问题:如果「被引次数」本质是一次概率匹配的输出,它应该被报告成一个【区间】而不是一个整数吗?还是说只要匹配率「足够高」,整数近似就够了——那个「足够高」到底是多少,谁来定?







0 评论