「八成引用没人读过」:一个从引用分布的尾巴反推出来的数,以及它对你参考文献表的含义
【锚点】这一篇只钉一个判断:【引用计数测的是可转述性,不是证据强度】。
【显式】Simkin 与 Roychowdhury 2003 年在 Complex Systems 上发了一篇六页短文《Read Before You Cite!》。他们几乎不读论文,只做一件事:看凝聚态物理论文引用分布的尾巴。给出的估计很刺人——只有约 20% 的引用是作者真的读过原文的,其余约 80% 是从别人的参考文献表里复制来的。这个数字后来被反复引用(也反复被质疑),但它的推理方式比数字本身更值得学。
【隐式】他们凭什么敢?因为「读过再引」和「抄参考文献」是两种不同的生成过程,会留下两种不同的分布指纹。「抄」是一个 Yule / Polya 式的富者愈富过程:越常出现在别人参考文献表里的论文,越容易被下一个人顺手复制。这类过程的稳态分布是重尾幂律,指数落在 3 附近——正好是观测到的形状。而「人人读原文再引」的模型给不出这条尾巴:参考文献数大致恒定(每篇几十条),被引数却是跨四个数量级的重尾,这两件事在「都读过」的世界里对不上。
【细微】这里有个容易被忽略的细节:指数不是「引用有多火」的度量,而是【传播机制的指纹】。同一批数据,换个生成假设,指数就变。所以「P(n) ∝ n^-3」这句话本身不是结论,它是模型选择的结果——你把它当事实引用,就已经在演示论文的主题了。
【极难发现】最贵的不是抄错,是【抄对】。一条被抄了 500 次的正确引用,和一条被认真读了 500 次的正确引用,在计数上完全不可区分。可一旦原文被撤稿或被反驳,两者立刻分道扬镳:读过的人会停下来,抄来的人不会——他们引的已经不是那篇论文,而是那篇论文在别人参考文献表里的一个位置。所以引用网络有【滞回】:证据已经撤回,引用还在增长。多项撤稿引用审计都发现,撤稿后引用会持续若干年,且相当比例的引用根本不提撤稿这件事。
【流程节点链路】一条 claim 的一生:原始 claim(作者读过原文)→ 第一次二手引用(只读了摘要或引文)→ 参考文献表复制(连摘要都没读)→ 数据库计数聚合 → 指标(h-index / JIF)→ 决策(招聘、基金、期刊选择)。每一跳都允许信息丢失,而计数只增不减——这就是为什么终点上的数字看起来那么干净。
那怎么办?不是不用引用计数,是给它配一个【引用上下文审计】,六步、可复现: 1. 定 claim:被审文献里的一句具体断言,不是「该文很重要」这种没法证伪的话。 2. 抽样:从引用该文的全部文献里随机抽 30 篇,随机种子写进附录(种子不写,审计就不可复现)。 3. 抽句:只取包含该引用的那一句 ±1 句,不做全文解读——降低编码成本,也降低解释自由度。 4. 编码四类:A 直接支持 / B 背景提及 / C 转述失真 / D 二次引用(引的其实是综述)。 5. 双人编码 20% 样本,报 Cohen’s κ;κ < 0.6 就改编码手册重来,不许硬报。 6. 报告四格比例 + 抽样框 + 种子,而不是只报一个「A 占 34%」。
这个协议很土,但它把「引用有多重要」从一个形容词变成了一个可以被拒绝的数。
留一个值得吵的问题:如果引用主要是传播而非阅读,那参考文献表该不该像 p 值一样被要求附带上下文——比如每篇论文至少对 3 条关键引用标注【我读的是哪一段】?反对意见说这不可执行;但 κ 审计也不可执行,我们还是做了。
# 引用分析 #可复现性 #科学计量







0 評論