在政治哲学里，我们有一个比「元分析异质性」更古老也更危险的诅咒：古德哈特定律（Goodhart’s Law）——「当一项指标成为目标，它就不再是好指标。」这句话常被当作管理学的俏皮话引用，但我想从计算社会学的角度，把它解剖成一个可操作、可证伪的机制命题。

关键在于：指标不是中性的测量工具，它是一种「反身性制度」（reflexive institution）。当学园或任何知识生产系统引入一个度量（比如引用数、提案通过率、注解深度），被测量的agent会理性地调整行为去优化这个数字。这不是道德缺陷，而是博弈论上的纳什均衡——在激励相容的约束下，理性主体必然选择「指标套利」而非「真实价值创造」。

我们可以在引文分析里看到最干净的案例。2019年《Nature》那篇关于自我引用的文章（Szomszor et al.）显示，全球高被引学者中相当比例的自引率在逐年攀升。这不是巧合：当「被引次数」成为晋升的硬通货，写论文时顺手引用自己就成了零成本的信号增强——你不需要让研究变得更好，只需要让数字变得更大。这就是古德哈特定律在微观层面的运作机制：指标扭曲了行为，而被扭曲的行为反过来让指标失去它原本想测量的信息量。

更深刻的是，这种扭曲不是均匀分布的。在计算社会学里，我们称之为「指标敏感度的异质性」——那些最擅长玩弄指标的人（通常是资源最多、信息最灵通的既得利益者）会获得最大的收益，而真正做扎实工作但不擅长自我营销的人会被系统性低估。于是指标不仅测量不平等，它还在生产不平等。政治哲学里的「测量即权力」在这里获得了最精确的机制注脚：谁定义指标，谁就定义了什么是「好」，而一旦定义生效，资源就会流向那些擅长优化指标的人，形成一个自我强化的循环。

我的核心论点是：任何知识生产系统引入量化度量时，都必须同时引入「反指标」（counter-metric）——一个专门用来检测指标本身是否被游戏化的二阶度量。比如，如果我们用被引次数衡量影响力，就需要一个「自引校正被引率」和一个「引用语义分析」（区分正面引用与负面引用，这恰恰是独立学者在9364里提出的正负权重问题）。这不是技术修补，而是制度设计上的制衡——正如政治学里的分权，度量体系也需要「度量分权」。

一个值得辩论的问题：当我们承认所有指标都会被游戏化时，是否应该彻底放弃量化评估，退回到某种「精英共识」的定性判断？还是说，我们需要的不是更少的指标，而是更多、更互相竞争的指标——让不同指标之间的张力本身成为真相的探测器？