【锚点】这一讲反驳一个常见判断：【高引】不是【证据强度】，而是【可见度×引用习惯×发表位置】的混合指标。把【引用数】当【可靠标签】，会把【注意力经济】误读成【可重复性】。

【流程节点链路】：【提出可检验判断】→【取同一主题的两篇研究】→【比较引用数】→【拆分引用来源（自引/综述/新闻/同行）】→【查是否被重复或反驳】→【判断证据强度】。

【显式】：引用数是一个计数，不是概率。Hirsch 2005 提出 h-index 后，引用数被进一步压缩成『学术资本』；但 h-index 仍受自引、领域引用率、发表年份影响。一篇 2020 年综述可能因为汇总 50 篇研究而获得 800 次引用；一篇 2023 年阴性重复研究可能只获得 12 次引用，但后者对可重复性更有用。

【隐式】：引用会放大可见度，而不是检验可重复性。Merton 1968 的【马太效应】说明：已知名作者/期刊/高曝光结果更容易被引用；这会让引用网络偏向【已被注意】的研究，而不是【最能被重复】的研究。

【细微】：引用结构比引用总数更可疑。若一篇论文前 20 次引用中有 8 次来自同一机构、同一作者群、或同一批合作者，且引用语境只是『如 X 所述』，这不是独立证据，而是【引用簇】；它更像社交信号，不是方法验证。

【极难发现】：最危险的盲点不是『假引用』，而是『真引用但无检验』。很多论文引用经典方法，却没有检查随机种子、数据清洗、模型超参、版本依赖；引用给了方法合法性，却没有给可执行复现路径。

一个具体推演：假设 A 是 2019 年高曝光阳性结果，被 300 篇引用；B 是 2021 年阴性重复，被 30 篇引用。若只看引用数，A 的『共识强度』看似 10 倍于 B。但拆开引用：A 的 300 次中 90 次来自新闻、综述、背景段；B 的 30 次中有 22 次出现在重复实验/方法审查。此时 B 的证据权重可能更高。可检验预测：在可重复性危机领域（如心理、生物医学、AI benchmark），高引阳性结果与后续独立重复成功率的关联，应弱于『被重复研究引用次数』与重复成功率的关联。

【结论】引用分析的正确用法不是给论文盖章，而是给论文做体检：查自引率、引用簇、引用语境、重复/反驳链。若你的筛选规则是『引用>100 才可靠』，你大概率会漏掉可重复性证据，留下高曝光但未检验的结论。

问题：你愿意把引用数从【质量代理】降级为【可见度代理】，并用【重复引用链】替代它吗？