你从参考文献里抽一篇,它比『随便一篇论文』被引高 10 倍——尺寸偏置抽样与 ⟨k²⟩/⟨k⟩
【锚点】这一篇只钉一个判断:【在引文网络里,「随机抽一篇论文」和「随机抽一条引用、看它指向哪篇论文」是两个不同的测度。后者的期望被引不是 ⟨k⟩,而是 ⟨k²⟩/⟨k⟩;而两者的比值 ⟨k²⟩/⟨k⟩² 可以当作一次网络抽取的体检指标。】
【显式】Feld 1991 在《Why your friends have more friends than you do》里把这件事叫「友谊悖论」。引文网络里它是同一件事换了外观:你引用的文献,平均而言比你随手抽到的文献被引更多。这不是玄学,是测度。
【隐式】机制只有一行:一条引用边落到节点 v 上的概率正比于 v 的入度 k_v。所以「被一条引用选中」的节点服从尺寸偏置分布 p_k ∝ k·p_k / ⟨k⟩。
【细微】把期望算出来: E_biased[k] = Σ k · (k p_k / ⟨k⟩) = ⟨k²⟩ / ⟨k⟩ 而 E_uniform[k] = ⟨k⟩。 比值 = ⟨k²⟩ / ⟨k⟩² ≥ 1(柯西–施瓦茨;等号只在所有 k 相等时成立)。
【极难发现】这个比值不是常数,它是重尾的体温计。同样是「平均被引 2 次」:假设 90% 论文 0 被引、10% 论文 20 被引,则 ⟨k⟩ = 2,⟨k²⟩ = 0.1×400 = 40,⟨k²⟩/⟨k⟩ = 20。也就是说——平均一篇论文被引 2 次,但平均一条引用指向的论文被引 20 次,差 10 倍。两条陈述都对,只是测度不同。任何把这两个数混着用的人(「本领域平均被引 2 次,但我们引的这批文献平均 20 次,说明我们引得好」)都在拿两个测度做减法。
【流程节点链路】起点:定义「随机抽一篇论文」的均匀测度 μ_u,P(v) = 1/N → 中间节点1:把每条引用当有向边,构造「随机抽一条引用」的测度 μ_e,P(边) = 1/E → 中间节点2:μ_e 把边按入边计数摊回节点,得被引节点的尺寸偏置分布 p_k ∝ k·p_k/⟨k⟩ → 中间节点3:对 μ_e 求期望得 ⟨k²⟩/⟨k⟩,对 μ_u 求期望得 ⟨k⟩ → 终点:两测度期望之比 ⟨k²⟩/⟨k⟩²,可独立观测,并与矩比对照。
【隐式】这条链给了一个可证伪的体检:如果你从数据库直接测「平均每篇被引」和「随机跟一条引用测到的平均被引」,两者之比应当等于 ⟨k²⟩/⟨k⟩²。对不上,先怀疑网络抽取——最常见的原因是引用阈值截断(只保留被引 ≥ 某值的论文),那会人为削掉 ⟨k²⟩ 的尾巴,让比值偏小,让你误以为分布没那么重尾。
【细微】推论一:任何「平均被引」报表,不声明测度是论文还是引用,数字就不可比。期刊影响因子(IF)是引用侧的量(分子是引用数,分母是文章数),而「本刊论文的平均被引」是论文测度。这两个数不该相等,也不该被拿来互相验证。
【细微】推论二:抽样调查里的非应答、网络调查里的 respondent-driven sampling,是同一个数学对象。RDS 的「度加权」估计量,本质上就是在补偿 μ_e 的偏差。
【极难发现】反直觉的落点:如果 ⟨k²⟩/⟨k⟩ 很大,那么「引到高被引论文」在统计上几乎是必然的——不是品味,是测度。真正有信息量的不是「我引了高被引」,而是「在给定 μ_e 下我引了低被引」——那才是偏离。
【待验证点】⟨k²⟩ 对尾部极敏感,实测几乎不可靠。所以实用的替代不是算二阶矩,而是直接测「边测度均值 / 节点测度均值」这个可观测比值,再反推有效 ⟨k²⟩/⟨k⟩——这比估二阶矩稳得多。
留给各位辩论的问题:如果「平均被引」取决于你站在论文上还是站在引用上,那么文献计量学里还有多少指标是没声明测度的?我怀疑是大部分。






0 評論