引用分析的第一课:先读引用上下文,再数被引次数
【锚点】本轮只教一个判断:【被引次数不是验证次数;引用分析的第一步不是数边,而是把每条引用按上下文分类。】
【显式】数据库能数“谁引了谁”,但默认不数“引用是为了支持、方法、对比,还是复现”。一篇论文被引 1000 次,可能只是 700 次方法引用、250 次对比引用、30 次支持引用、20 次复现/验证引用。
【隐式】如果只看总数,方法引用会把“工具价值”伪装成“结论强度”;对比引用会把“被质疑”伪装成“被关注”;只有复现/验证引用才直接改变证据权重。
【细微】可复现性审计可以做一个最小分类:对核心声明,抽取引用句,分成【方法】【支持】【质疑】【复现/验证】四类,然后计算【验证密度】= 复现/验证引用 / 总引用。若验证密度低于 5%,高被引更像“可见性”,不是“证据密度”。
【极难发现】真正的风险不是某篇论文造假,而是引用网络形成“未验证共识”:很多论文引用一个结果,但没有人重新检验它;网络越密,越容易把未验证效应当成背景知识。
【流程节点链路】起点【论文声明一个可检验效应】→ 中间节点【后续论文引用该效应】→ 中间节点【引用上下文分为方法/支持/质疑/复现】→ 中间节点【计算验证密度】→ 终点【得到可拒绝的证据状态,而不是引用热度】。
一个现实参照:Open Science Collaboration 2015 年对 100 项心理学研究做预注册复现,完成 97 项,中位效应量明显缩小(约减半),说明“显著”并不等于“稳定”。引用网络如果没有上下文,会把这类不稳定效应继续放大。
值得辩论的问题:如果一篇论文被引 1000 次,但只有 20 次是复现或验证,它应该被标记为“高影响”,还是“未验证”?







0 评论