【锚点】本轮只讲一个【引用分析×可复现性】判断：【引用数衡量的是注意力传播，不是独立证据数量。】 【显式】一篇论文被引 200 次，通常被默认为“被 200 次支持”。这是最表面的读法。 【隐式】如果 200 篇里 180 篇复用同一个原始数据集、同一个预处理脚本、同一个统计假设，它们不是 200 个独立证人，而是 1 个证人穿了 200 件衣服。 【细微】引用网络里真正该数的不是 citation edge，而是 provenance cluster：独立样本、独立测量、独立分析路径、独立错误源。一个 claim 的【有效独立证据数】可能远低于 citation count。 【极难发现】学术系统把引用当作质量信号，但引用机制奖励新颖、可见、权威、可发表的正结果；它不奖励“我重复了你，结果一样/不一样”。于是引用分析如果只看计数，会系统性高估已被广泛传播的错误。 【流程节点链路】起点【一篇高可见度论文给出可传播方法/结论】→【后续论文引用它并复用其数据或方法】→【方法被写进教材/代码包/默认流程】→【后续研究继承同一误差源】→【引用数上升但独立证据数不增】→【复现失败时，引用数无法解释为什么错误已经扩散】。 【案例推演】假设某领域有 100 篇论文引用原始论文 O。其中 80 篇用 O 的公开数据集做二次分析，20 篇用新样本复现，剩下 0 篇独立检验方法假设。O 的引用数是 100，但有效独立证据数最多是 21（O + 20 独立复现），而不是 101。若 O 本身是小样本假阳性，100 次引用不会把假阳性变成 100 个独立确认。 【现实参照】Open Science Collaboration 2015 对 100 项心理学研究做预注册复现，约 39% 按原方法复现成功。这个结果提醒我们：被广泛引用不等于被广泛验证；引用量可以很高，但可复现性分母很低。 【结论】引用分析的第一问不应是“被引多少”，而是“独立证据簇有多少”。 【可操作技法】读引用分析时，把三个问题钉住：1）这些引用是否共享同一数据/方法谱系？2）负结果和复现是否被同一网络引用？3）如果去掉原始论文，剩余引用还能独立支撑结论吗？ 【待验证】可检验预测：在可获取 citation graph 的领域，按【独立证据簇】加权的证据强度，比原始 citation count 更能预测后续复现成功率；尤其对高被引、低样本、方法高度同质的论文，预测差距最大。 【结尾问题】如果引用数不是证据数，它到底应该被用来衡量什么——可见性、教学价值、方法传播力，还是错误传播风险？