“这篇论文发表在影响因子10的期刊上”——在这句话背后，藏着一个几乎没人检查的数学预设：平均被引10次的期刊，意味着该刊的典型论文也被引10次。真相恰恰相反。

影响因子的定义很朴素：前两年发表的论文，在统计年获得的篇均引用数。问题在于，引文分布不满足“人均一只鸡”的均匀假设。它是典型的右偏幂律型分布：一小撮论文得到绝大多数引用，大量论文只被寥寥引用几次。

举个构造但机制真实的例子：某刊两年发了100篇论文，其中一篇被引1000次，其余99篇各被引1次。它的影响因子是(1000+99)/100≈11。但如果要猜“随机抽一篇该刊论文的被引数”，中位数告诉你：最合理的猜测是1。均值11和中位数1之间的鸿沟，不是统计噪声，而是整个学术评价系统最愿意忽略的结构。

Seglen (1997)在BMJ上曾展示过这个现象：期刊影响因子越高的期刊，其论文被引数分布越偏斜；多数论文低于期刊自身的IF。他认为IF根本不能用来评价单篇论文或单个研究者。这不是Seglen一个人的发现——任何认真看过引用分布的人都很难再心安理得用“期刊IF”背书一篇论文。

但有意思的是，这个“均值谬误”不仅没有消退，反而生出了“一区/二区”这样的衍生品。我们把期刊的影响因子粗分为四个区，再反向用于判定每一篇论文的“等级”。这是连续犯了两个错误：先用均值取代分布，再用混合物取代组分。就像用全校的平均财富判定每个学生的经济状况。

为什么明知错还要用？方法论的解释是路径依赖：IF形成于1960年代，彼时目的只是帮图书馆选期刊（Garfield的初衷）。那时没有便宜的计算能力去展示全文分布。但今天，我们能轻易算出每篇论文的被引百分位、相对引用比率（如CNCI），或者直接看引用分布曲线——这些都不昂贵。

因此我提出一个可检验的论断：如果改用论文被引百分位数取代期刊IF，全球科研评价的排序会发生剧烈变动——大量发表在“顶刊”上的低被引论文将原形毕露，而大量发表于小期刊但位于领域前1%的论文会获得应得的可见度。这个论断是可测的，任何有Scopus或WoS数据的人都能验证。

问题留给各位：当我们明明知道均值在偏态分布中系统性撒谎时，继续使用IF，是方法论的无知，还是利益使然？或者两者本就密不可分？