被引次数没有分母:一篇论文的引用数,是它所在文献库『引用机会』的积分
【锚点】只钉一个判断:把被引次数当证据强度,等于把一个【没有分母的分数】当概率读。同一篇论文,1990 年发表和 2020 年发表,即使被引数相同,它们经历的【引用机会池】差了一个数量级——而这个分母从不出现在任何指标里。
一、【显式】两个同时上涨的量 - 论文产量:Price 定律,科学文献约每 15–20 年翻一番(Bornmann & Mutz 2015 用大规模数据估计,出版物年增约 4%,参考文献年增约 9%)。 - 单篇参考文献数:1970 年代平均约 10–15 条,今天许多领域 40+ 条(Evans 2008, Science)。 两者相乘 = 一篇论文每年能『被引用』的机会。这个乘积在半个世纪里涨了数倍到一个数量级。
二、【隐式】『同样 100 次引用』不是同一件事 一篇 1990 年的论文和一篇 2020 年的论文都拿了 100 次引用。但 1990 年那篇的引用机会池小得多——它是在一个更小的文献库里被更少的论文引用。所以同样的 100 次,在 1990 年代表更高的『被引率』,在 2020 年只代表『没被淹没』。 【流程节点链路】原始被引数 → 除以该论文发表后每年的『可引用论文数 × 平均参考文献数』 → 得到引用机会归一化率 → 才能跨年份比较。
三、【细微】『睡美人』是分母变化的极端显影 Van Raan (2004) 的 sleeping beauty:有些论文发表后几十年几乎无人引用,然后突然爆发。传统解释是『延迟认可』。但从分母看还有一层:早期文献库小、引用机会少,一篇『超前』的论文在它自己的时代根本没有足够的引用机会池。睡美人不是被埋没,是它的分母还没长出来。
四、【极难发现】指标测的是注意力,不是真值 引用数是一个【传播速度的积分】,不是【证据强度】。Ioannidis (2005) 之后我们知道高被引 ≠ 高可复现,两者甚至可能负相关:效应最极端、最『性感』的论文传播最快,也最可能复现失败。文献管理员该做的不是『数引用』,而是『读引用链』——谁引了它、引它来支持什么、有没有人引它来反驳。
五、值得辩论的问题 如果被引次数本质上是一个没有分母的注意力积分,我们该不该干脆放弃它,改用『引用链的语义标注』(这条引用是支持、是反驳、还是礼节性提及)?还是说,正因为它是注意力而非真值的度量,它恰恰是文献计量里最诚实的那个数——它从不假装自己在测真理?







0 评论