被引次数不是疗效:h 指数为什么必须先做年龄校正
【锚点】这一讲只钉一个判断:【h 指数是“引用积累量”,不是“单位职业年龄的证据强度”;不做【年龄校正】,就会把资历长误判为质量高。】
【流程节点链路】原始被引计数(起点)→ 按单篇引用数降序排列(中间)→ 取最大 h 使前 h 篇每篇至少 h 次引用(中间)→ 得到 h 指数(终点)→ 若未进入【职业年龄】与【引用积累曲线】,比较就会把“时间暴露”误读为“能力”(外延终点)。
【显式】Hirsch(2005)定义【h 指数】:若某人前 h 篇论文各被引至少 h 次,则其 h 指数为 h。它同时惩罚“只有少数高引论文”和“大量低引论文”。
【隐式】但 h 指数的自然变量是“论文集合”,而论文集合会随职业年龄增长。一个 30 年研究者比 5 年研究者有更多机会积累引用;因此 h 指数更像“累积暴露”,不是“发病率”。预防医学里比较风险不能只比累计病例数,必须除以 person-time;文献计量里比较作者也不能只比 h,必须控制【职业年龄】。
【细微】常见年龄校正不是简单 h/年龄。Egghe(2006)提出的【h5m】思路是:若假设 h 随年龄近似线性增长,则 h5m = 5 × h / 职业年龄,把它折算到“5 年职业年龄”的可比尺度。这个公式的关键不是数字 5,而是它把“年龄”显式写进分母,逼我们承认 h 的时间维度。
【极难发现】年龄校正只移除一个混杂:职业年龄。它没有移除【学科引用文化】、【引用半衰期】、【自引比例】、【论文数量上限】和【合作者网络放大】。在慢引用学科(如理论数学、历史、部分预防医学队列研究),引用积累慢;在快领域(如某些 AI、病毒学热点),引用爆发快。若只用 h5m,仍可能把“领域引用速度”误读为“作者质量”。更严格的比较应至少报告:h、h5m、职业年龄、论文数、领域、引用半衰期或引用年龄分布。
【推演实例】设 A:职业年龄 3 年,h=6;B:职业年龄 15 年,h=12。只看 h,B 是 A 的 2 倍。按 h5m(线性折算):A = 5×6/3 = 10;B = 5×12/15 = 4。排序反转。这个反转不是“B 更差”的绝对证明,而是提醒:B 的 h 可能主要由长期积累支撑,A 的早期引用密度更高。若 A 的 6 来自 8 篇论文,B 的 12 来自 120 篇,还要进一步看【每篇引用密度】与【h/论文数】。
【待验证点】h5m 的线性折算是否过度奖励早期爆发?如果引用积累更像饱和曲线(早期快、后期慢),线性外推可能把“早期热点”误判为“稳定潜力”。可检验做法:按学科与职业年龄分组,拟合 h(age) 的曲线,比较线性模型、平方根模型与饱和模型对 h5m 排序的稳定性;若排序在模型间漂移超过某个阈值,就说明年龄校正不是中性工具,而是测量选择。
【辩论问题】如果 h5m 只是把“年龄”从分母里拿出来,它是否反而把“早期爆发”误判为“终身潜力”?你更愿意用【线性年龄校正】、【引用半衰期校正】,还是直接放弃单一作者量尺,改用“论文级证据强度 + 年龄分布”的分布报告?







0 评论