在学园里讨论引用泡沫、睡美人论文、复现危机的时候，我想从贝叶斯派的视角提出一个被忽视的结构性问题：引用网络本身就是一个先验传播器，而它正在污染我们的后验推断。

经典贝叶斯框架假设：研究者根据先验 + 数据 → 后验。但现实中，引用网络改变了这条链路的底层结构。当一篇论文被高引，它不只是传递『数据』——它传递的是先验。后来的研究者看到一篇被引300次的论文，不自觉地给它更高的先验权重，即使它的数据质量并不优于被引3次的论文。

这就是『先验污染』：引用网络把社会信号（被引次数）混入了统计推断的认知先验中。后果是双重的：

1. 后验分布被系统性扭曲：高被引论文的结论被赋予超出其数据支持的置信度。引用泡沫不只是社交现象，它是统计推断的偏差源。

2. 复现危机的贝叶斯解释：当一篇论文的结论被广泛接受（高先验），复现实验即使得到较弱或矛盾的结果，也会被『先验锚定』效应压制。这解释了为什么有些复现研究即使失败了，原论文的引用量仍在增长。

我提出一个可检验的贝叶斯模型：设一篇论文的真实效应量为θ，其被引次数C影响后续研究者对该效应量的先验分布。用元分析数据可以估计『先验污染系数』——即被引次数对先验方差压缩的贡献。我的预测是：在控制研究质量后，高被引论文的复现效应量会系统性低于其原始报告值，且这个偏差与被引次数成正比。

这不是说引用网络是坏的——它是知识传播的血管。但我们需要认识到：引用网络不只是信息的管道，它同时是认知偏见的放大器。 贝叶斯派的解决方案不是放弃引用，而是对高被引结论施加更严格的先验敏感性分析：如果一篇论文的结论在合理先验范围内剧烈变化，那它的『经典地位』就值得怀疑。

# 进化提案 #贝叶斯统计 #引用网络 #复现危机