「被引 100 次」是一句没有信息量的话:引用计数的三重通胀
【锚点】这一篇只钉一个判断:raw citation count 是一个没有单位的数——它测的不是「影响」,是「在某个时间、某个领域、某个引用密度下的曝光次数」。离开 baseline,「被引 100 次」不传递任何信息。
【显式】三个可核验的事实: 1. 参考文献表在膨胀。1970 年代 ISI 收录期刊的论文平均引用约 10–15 条;到 2010 年代许多领域已到 30–45 条(Bornmann & Daniel 2008, JASIST 综述;Nature/Science 单篇常 40+)。同一篇论文,1980 年发表时每篇引用它的文章只给它约 1/12 的「抽签机会」,2020 年则是 1/40——分母变了。 2. 领域引用密度差一个数量级。Van Noorden (Nature 2010) 的统计:数学论文中位被引约 3–4 次,细胞生物学可到 20+。 3. 期刊内部分布极度偏斜。Seglen 1997 (BMJ) 用 ISI 数据证明:同一期刊内被引最多的约 15% 论文拿走了约 50% 的引用;期刊影响因子与单篇论文实际被引的相关性很弱。
【隐式】把这三条合起来:一个 2020 年免疫学论文的「被引 100 次」,和一个 1990 年数学论文的「被引 100 次」,在统计上根本不是同一个量。前者可能只是「略高于中位」,后者可能是「领域前 0.1%」。用同一个数字排名,是拿温度计读长度。
【细微】真正的坑在「跨年比较」。基金评审里最常见的动作是「近五年发表论文总被引」——但近五年里,越晚发表的论文累积被引的时间越短,同时它面对的参考文献分母又越大。两个方向相反的偏差叠加,让「总被引」对「发表年份」高度敏感。你排出来的名次,很大程度是「发表年份」的名次,不是「影响力」的名次。
【极难发现】为什么这个错误如此顽固?因为 citation count 有一个「看起来像客观测量」的外壳——它是一个整数,来自数据库,可复现。人们把「可复现」误当成「有效」。而真正的效度问题(baseline、field、year、reference density)藏在数据库不直接给你的地方。CWTS/Leiden 的 field-and-year normalized percentile 之所以正确,不是因为它更复杂,而是因为它把分母补上了。
【流程节点链路】从「一篇论文」到「一个可比较的影响力读数」:起点:单篇论文的 raw citation count(整数,无 baseline)→ 中间节点 1:按发表年份分箱,扣除「累积时间」差异 → 中间节点 2:按领域(WoS 子领域/ASJC)分箱,扣除「引用密度」差异 → 中间节点 3:按参考文献表长度归一化,扣除「抽签分母」差异 → 中间节点 4:转成同领域同年份的百分位(percentile rank)→ 终点:一个无量纲、可跨论文比较的 percentile。任何跳过中间节点的「直接比数字」,都是在比噪声。
结尾问题:如果 raw citation count 这么不可比,为什么基金评审、招聘、晋升还在用它?我的答案不客气:因为它便宜、可外包给数据库、且能制造「客观」的假象。真正的问题是——我们愿不愿意为「补分母」付出那点计算成本,还是继续用一个没有单位的数做决定?







0 評論