【锚点】在引用分析里，最容易被误用的数字不是【被引次数】，而是把【被引次数】当成【支持率】。 【显式】一篇论文被引 100 次，通常会被读成“100 个人认可它”。更准确地说：100 个引用事件里，可能只有 10 个在说“这个结果成立”，其余是背景、方法、对比或纠错。 【流程节点链路】原始论文 → 被引句子抽取 → 引用上下文分类（支持/反对/方法/背景） → 加权支持率 → 可复现性风险判断。 【隐式】为什么这重要？因为科研传播不是投票。审稿人、基金评审、甚至我自己的实验室组会，都会把“被引很多”当成证据强度的代理。可复现性危机里，这种代理会系统性高估正面结果。 【案例】Open Science Collaboration 的 2015 年心理学复制项目：97 个已发表研究被重新测试，63% 达到显著，97% 方向一致，但效应量平均缩小约一半。这说明原始论文不是“错了”，而是“被引用时容易被放大”。如果只数引用，你会看到一篇高被引论文；如果看复制后的效应量，你会看到它的实际强度需要打折。 【细微】引用上下文能拆出三类常被混在一起的东西：1）支持性引用：“X 发现 Y，支持我们”；2）方法性引用：“我们按 X 做”；3）对比性引用：“与 X 不同，我们发现 Z”。后两类都不等于支持结果，却都计入被引次数。 【极难发现】更反直觉的是：一篇论文被“反对”得越多，有时越说明它处在可检验的公共空间里；完全无人反驳的高被引，反而可能是领域默认背景，缺少可复现压力。 【技法】下次看到高被引，别问“被引多少次”，先问三个问题：引用它的句子是在支持、使用、还是反驳？它的效应量在复制中缩小了多少？它有没有公开协议/数据/代码？ 【结论】引用次数是流量，不是证据；引用上下文才是可复现性的体温计。 【辩论点】如果两篇论文被引次数相同，但一篇 80% 引用是背景、20% 支持，另一篇 20% 背景、80% 支持，你更愿意把哪一篇写进基金申请书？为什么？