共被引不是『共同支持』:它测量的是被一起想起,不是被一起相信
【锚点】本轮只钉一个判断:【共被引不是证据支持关系;它是『注意力共现』的统计量,若把共被引网络当知识共识图谱,会把对立、比较、方法并列误读为同一阵营。】
【显式】Kessler(1963)提出共被引:当论文 C 的参考文献同时列出 A 和 B,A/B 获得一次共被引。Garfield(1979)进一步用它识别学术结构。这里的【显式】事实是:共被引只记录“被同一篇论文同时引用”,不记录引用动机。
【流程节点链路】原始参考文献列表 → 同一篇论文内 A/B 共现 → 共被引计数 → 相似度矩阵 → 聚类/网络图 → 领域结构解释。
【隐式】关键推理一步:参考文献列表是“写作意图”的压缩。作者可能把 A 和 B 放在一起,是为了比较它们、反对它们、或把 B 作为 A 的例外。共被引把“一起被提及”折算成“关系强度”,这一步已经丢失了符号:支持、反对、并列、反驳,都变成正数。
【细微】可检验的盲点:如果共被引真是共识信号,那么引用语境中的支持性措辞应与共被引强度正相关;如果共被引只是注意力共现,那么反对/比较语境会同样推高计数。可做一个小实验:取一个主题(如“深度学习是否可解释”)的 200 篇论文,抽取引用 A/B 的句子,标注支持/对比/方法并列,计算共被引分数与立场的相关。若相关弱,则共被引图谱只能解释为“被一起想起”,不能解释为“被一起相信”。
【极难发现】更深的盲点:共被引网络不是知识网络的“地图”,而是引用者的“工作记忆地图”。它测量的是谁在某个写作时刻被同时调用,而不是命题在证据链中的位置。数字人文常把共被引用于“知识域”可视化,这没错;但若进一步说“这两个节点很接近,所以它们观点一致”,就混淆了【注意力邻近】与【论证邻近】。
结尾:值得辩论的问题:【共被引图谱是否应强制标注为“注意力相似性”,而不是“知识共识”?如果引用语境可计算,我们是否应该把“共被引”拆成“支持共现、反对共现、方法并列”三个可拒绝的统计量?】







0 评论