学术杂志的“影响因子”

    科研工作者在做一项新的研究之前，需要查阅大量的杂志文章。他们要搞清楚前人在这个课题上做了哪些工作，有了哪些结果。在以前没有计算机的年代，只能到图书馆去查阅，非常原始，一本一本地搜索，费时费力，而且还不容易查全。

    有一家美国公司，名叫 Thomson Reuters，利用计算机的技术，把一些主要杂志中的全部文章的标题，作者，引用文献的目录，摘要和关键词，扒拉扒拉。。。，输入到它的数据库中。这样，科研工作者就很容易在数据库中输入一些关键词，立刻找到他所需要的文献。尤其方便的是，只要找到一篇相关的文章，根据这篇文章所引用的别人的文章和别人引用他的文章，你就可以知道这文章之前和之后的相关的工作。这种顺藤摸瓜的办法，可以让你很快地查到有关某个课题的比较全面的研究状况。

    举一例：我打进了一个词“黎曼”，就有一大串有关“黎曼”的文献。我选了其中一篇文献，屏幕上会出现各种数据。其中几个很重要的数据是：这篇文献被人家引用的次数，反之，它又引用了别人文献的次数。顺着这些点击出来的信息，再点击进去，又可以看到被引用过的文献的历史。可以说，整个课题的研究状况一目了然，清清楚楚的。

    在文献进入数据库时，所有的相关信息同时被更新。这么多的便利，使得这家公司的产品受到科研工作者的很大的欢迎。

    然而，公司的人力物力是有限的，无论如何也不可能把全世界的杂志全部收录进数据库，那么，它就需要一种判断杂志的好坏来决定取舍的标准。这个数据库里，有两个最重要的东西：“引”和“被引”的次数。这公司用了一个很简单的公式来衡量一本杂志的好坏，这里引进一个词，叫“影响因子”：假设一本杂志在2013年和2014年，一共发表了200篇文章，而且这200篇文章在2015年一共被引用了300次，300/200 ＝ 1.5，这本杂志在2015年的“影响因子”是 1.5，就这么简单。

    不难猜出，“影响因子”高的杂志是比较好的杂志，至少这个公司就是这么认为的，这是它的初衷。假设，某个专业有5000种杂志，这个公司要挑选500种杂志收录进它的数据库，它就按照“影响因子”的高低来排队，最高的前500名就会被选入数据库。进一步还会细分，以“影响因子”的高低，分出一流，二流，三流的杂志，这里不详细介绍了。

    到此为止，所谓的“影响因子”仅仅是这家公司取舍杂志的一种标准，并没有用来衡量科研工作的好坏。

    上世纪，国内的学术界不大规范， 烂文章大量发表在学校的刊物上，晋升职称要走后门。中国南京大学针对这些问题，为了要对科研工作的评价更加客观化，使用了这家公司的录用杂志列表 （SCI， Science Citation Index) 来作为评判科研文章的标准。如果一位科研人员在 SCI列表包含的杂志上发表了一篇文章，就能得到一定的奖励，以后的晋升职称也都和SCI挂上钩。这个办法当然好。首先，要在SCI杂志上发表文章就不容易，能发表在上面的，质量一般都不错，因为这是国际杂志，你没办法走后门。后来中国很多大学和科研单位，也采用了南京大学的这种办法。这种新的评估标准，起到了一定的积极作用，在当时，确实提高了中国的整体科研水平。

    接着，亚洲的其他地区，甚至欧美的一些学校，也开始采用SCI收录和引用数据作为科研成果的评判标准。

    本来是件好事情，排排队分果果也有个公平的标准。但是，世界上总有那么一些心术不正的人，想搞些歪门邪道来增加自己的名利。而这个SCI， 偏偏是防君子不防小人的东东。上面已经介绍了，“影响因子”的公式是非常简单的。这里有两个地方会被人盯上，并做手脚的：

    1.     增加个人的引用次数

    2.     增加某本杂志的“影响因子”

    达到以上两个目的，最原始的办法就是作者自己引用自己以前的文章，这叫做“自引”。适度的自引是完全合理的，毕竟，一个作者的后续工作和他前面的工作，往往都是有联系的。还有一种情况就是杂志的自引，也就是说，这本杂志的一篇文章引用同一本杂志以前发表的文章。适度的杂志自引，也是完全合理的。SCI的数据库会把作者的自引和杂志的自引单独统计出来，自引的指数超过红线，SCI很可能会把它们踢出去。可以看出，通过增加自引达到上述的两个目的是不太容易做到的。

    有一种比较隐蔽的操作很难防止，请看2009年震惊数学界的一起丑闻：有一本中国的数学杂志，联合其他的几本杂志，结成同盟。一本杂志的文章大量引用同盟军中的其他杂志的文章。这几个杂志的主编，利令智昏，贪得无厌，结果使得这个同盟军中的所有杂志的“影响因子”遥遥领先地虚高。这些名不见经传的杂志，怎么会这样耀眼，比世界顶级杂志还要领先呢？这个现象引起了美国应用数学学会主席，Douglas Arnold 的注意。他做了深入的调查，揭穿了这个阴谋。他为此丑闻专门写了篇文章，发表在 2009年 SIAM News上面。文章中指出：只要有人蓄意想做这件事，那么我们通过改变公式，或者改变统计方法，都是难以防止的。这种操作方法，既不能算作弊，也不能算犯法。唯一的防止办法是，不要把“影响因子”和引用次数作为评判科研成果的好坏和杂志的优劣的标准，至少不要作为唯一的标准。

    怎么办？回归到最原始的初衷，是最理想的。但很难做到，原因有以下几个：

    1. 产量高的，引用率高的作者，很愿意看到这些数据，因为这对他们来讲是一种荣誉，一   种肯定。

    2. 只要没被动手脚，引用率高的作者，水平也通常比较高。Thomson Reuters 用引用数据来预测诺贝尔奖得主，据说还蛮准的。

    3. 行政管理人员很喜欢。因为使用数据简便宜行，再笨的人，数字总能看得懂的，这比组织同行评估要方便得多了。

    以上讨论，主要以数学领域为例。其他的科学领域也有相关的“影响因子”，但它们互相之间，苹果对香蕉，没有可比性。举一例：1.5 的“影响因子”在数学界里，算是相当好的杂志了，但在生物界恐怕是垃圾杂志。原因是，数学的文章写起来很慢，发表周期也很长。所以数学文章的被引用大多是在发表两年之后发生的，因此也就对杂志的“影响因子”没有贡献。但是生物界的科研成果更新很快，很大一部分引用都是在两年之内发生的，也就都进入了“影响因子” 的计算中。这也是用同一个定量的指标来衡量不同领域杂志的缺陷。很不幸，这个缺陷恐怕很难避免。