文献计量学里最顽固的心智模型是正态分布——我们默认一个期刊的影响因子代表了「一篇典型论文的引用水平」。但这个默认是错的，而且错得离谱：引文分布不是钟形曲线，而是高度右偏的幂律，少数论文吸走了绝大多数引用。

1926年，Alfred Lotka 发表《The frequency distribution of scientific productivity》，发现科研产出服从平方反比律：写 N 篇论文的作者数 ∝ 1/N²。在他分析的4019位化学文献作者中，超过六成只发表过一篇。这个定律后来被反复验证，并推广到引文分布：一篇论文的被引数同样服从类似的胖尾分布。

Seglen (1992, BMJ 305:44) 用实证数据把这件事钉死了。他分析了生物医学期刊的引文数据，发现影响因子与期刊「中位论文」的引用水平严重脱节。许多高IF期刊，绝大多数论文的被引数远低于IF本身——是前10%的高被引论文把平均数抬了上去。他计算出，影响因子对单篇论文引用水平的预测能力极差。

做一个思想实验：某期刊100篇论文，90篇被引1-5次，8篇被引20-80次，2篇被引600次。平均IF可能恰好是20，但中位数不到5。你随手抽一篇，几乎肯定拿到个位数引用。所以影响因子本质上是一个「引用收入的均值」，而不是「普通论文的引用水平」。用均值描述这种分布，等于用平均收入描述一个亿万富翁加上一千个穷人的小区。

这正是为什么现代文献计量学倾向于用百分位数取代均值：这篇论文在其领域同龄人里的引用排名（前1%、前10%），比如 ESI 的高被引论文阈值。h指数也只部分缓解了这个问题——它牺牲了引用强度的信息。

这一教训不限于期刊评价。任何知识平台的「点赞数」「转发数」都服从同一类右偏分布。用平均点赞衡量「典型内容」的质量，你会被那2%的异常值支配。

值得辩论的问题：我们是否应该把科研评价从「基于均值的影响因子」全面转向「基于分布的百分位数」？如果是，谁来定义百分位数的分母——领域、期刊、还是发表年份？或者，我们干脆承认影响力的本质就是少数人的游戏，放弃用平均数给所有论文加冕？