Bibliometria: 产生错误数字的陷阱 是做什么的？
此技能并非教授文献计量学。它教授的是最常见的具体错误，这些错误都具有相同特征：一个看似正确但实际上错误的数字。 这些错误都不会在阅读时出现；它们都出现在测量中。
组织其余内容的一条规则：
永远不要在未测量存在的情况下断言缺失。 零是一个强有力的断言， 意味着“我在正确的地方、以正确的方式寻找过，并且没有找到”。但几乎总是意味着别的什么。
1. 零有六种成因。只有一种是真正缺失。
这些成因分为两类，验证方式不同。
其中四种可以通过查询消除
每种都有具体的测试方法，只需一次调用，结果客观。
| 成因 | 测试方法 | 示例 |
|---|---|---|
| 数据库错误 | 在不同覆盖范围的数据库中重复检索（OpenAlex, Crossref, DOAJ） | "maçonaria": PubMed 中为 0，OpenAlex 中为 1,529 |
| 字段错误 | 在其他索引字段中重复检索术语：[Author], [Journal], topics.id | "amilton iatecola"[tw] = 0; "iatecola amilton"[Author] = 11 |
| 查询失败 | 读取错误处理：是否存在某个路径在 except 中返回 0？ | OpenAlex 的 429 错误变成零 |
| 算术错误 | 检查交集中的因子是否都 > 0 | 交集为 0 是因为其中一项已经为 0 |
作者姓名： PubMed 按 姓 名 索引；人们通常写成 名 姓。在断定作者没有发表文章之前，请测试这两种顺序。
另外两种无法消除，只能声明
没有通用的测试方法，假装存在比承认更糟糕。
- 语言错误，要证明需要检索所有语言。需要声明的是：检索使用了哪种语言，以及数据库的控制词汇是否属于另一种语言。（MeSH 是英文的；葡萄牙语术语会落入自由文本，从而丢失索引的同义词。）
- 策略不完整，要证明完整性需要知道完整的策略，而这正是未知的。需要声明的是：使用了哪种策略，并完整陈述，以便他人可以反驳。
后果关乎可用语句的力度
消除了前四种原因并声明了后两种原因之后，可以这样写：
“此数据库、此策略、此时间范围内没有记录。”
绝不要：
“关于此事不存在文献。”
前者是可持续的并且是可反驳的，有人可以改变策略并展示相反的结果，这才应该是正确的做法。后者是无法辩护的，因为它断言了所有未被查询过的事物。
关于 OpenAlex 的说明
它按请求收费（US$ 0.001），每日预算在 UTC 午夜重置。预算用完后，会返回 429 并附带信息 Insufficient budget (...) Resets at midnight UTC 和一个长达数小时的 Retry-After。因此，那里的 429 有两种成因，需要相反的应对措施：请求过快（等待解决）和每日配额耗尽（无法解决）。在反应之前先读取响应体；一次密集的会话会耗尽配额。
2. 表面匹配大多正确，但错误率足以造成问题
所有基于字符串的匹配都需要完全包含，绝不能是共享单词。真实案例：
- MeSH 对“diabetic retinopathy”返回了
Hypoglycemia, Neonatal, Simulating Foetopathia Diabetica，这是一个合法的描述符，但疾病错误，因为它包含了“diabetic”。 - Wikipedia 将
Escala de Equilíbrio de Berg作为“teleconsulta”的翻译返回，因为那篇文章提到了 teleconsulta。导致查询变成了"teleconsulta" OR "Berg Balance Scale"：在一项关于远程咨询的检索中得到了 2,456 条关于平衡量表的记录。 - 一篇文章因为标题中含有
SHIMMER而被纳入语音检索，但SHIMMER是病历索引的缩写，而不是声学参数。
规则： 相关性检索 ≠ 概念同一性。模糊检索的第一个结果不是翻译、同义词或同一实体。
3. 变体融合：错误在于融合，而不在于保持分离
根据相似性提出融合建议，在一次测试中产生了十一个提案，几乎全是错误的：
Type 1 diabetes→Type 2 diabetes（不同的疾病；数字本身就是全部差异，而过滤器丢弃了 ≤2 个字符的 token）Diabetes mellitus→Type 2 Diabetes Mellitus（属变成种）University of Baltimore→University of Maryland, Baltimore（两所不同的大学）
规则： 数字绝不是短 token；包含 适用于作者和机构，绝不适用于概念（其中子字符串表示层次结构）；要求相等的区分性单词，而非子集。错误地融合过多比过少代价更高；将一个错误的融合放入地图看起来像正确。最终决定始终由人做出。
4. 通过两种方式检查求和
采集器将标识符截断为 24 个字符以生成键。同一出版商的 DOI 共享前缀，导致冲突，一个覆盖了另一个，输出显示 "54 条新记录" 但语料库中只有 49 条。五篇文章静默消失了。
如果没有任何核对，错误就会被忽略。始终：之前 + 新记录 == 之后 且 新记录 + 已存在 == 已读取。如果对不上，请说明对不上。
5. 脚本上限 ≠ 字段大小
在一个定向检索脚本中，使用 per_page=25 + rows=20。13 个查询中的任何一个在报告中都没有超过 45 条结果，因为 45 是上限。实际覆盖率跨越三个数量级：在 data literacy teacher education 中为 0.2%，在 DigCompEdu validation 中为 83%。
这并不否定定向检索，它的存在是为了找到关键作品。但这个数字不足以支持关于规模或覆盖范围的断言。如果存在截断，请说明有多少被排除在外。
6. 始终声明范围
“整个语料库”的指标和“已包含”的指标不可比较。一个主题有 53 篇被收集，0 篇被筛选，回答“没有记录包含 DOI”，按计数是真实的，但意义具有误导性。在每次输出中都声明范围。
7. 全文和补充材料：路径取决于文章类型
在查找 Benke 等人 (2025) 的寡核苷酸序列时：Claude Science 尝试了 PMC 的 OA 服务和 FTP，三条路径都返回 404，并且陷入了循环。补充材料确实存在；只是路径错了。这里的 404 表示路径错误，而不是缺失（这是第 1 节中的“查询失败”）。
有效的顺序：
- PMCID：
elink.fcgi?dbfrom=pubmed&db=pmc&id=<PMID>。没有 PMCID，PMC 中就没有开放的全文；转到 DOI 并查看出版商是否提供开放获取。 - 全文：
efetch.fcgi?db=pmc&id=<PMCID 号>&retmode=xml。适用于开放获取文章以及 NIH 作者的手稿。从中可以获取方法、表格和数字。 - 补充材料列表： 在同一 XML 中，带有
xlink:href的<supplementary-material>标签给出每个文件的名称。在下载之前，先弄清楚你要找什么。 - 文章类型： 如果 XML 中包含
<article-id pub-id-type="manuscript-id">NIHMS...，则属于作者手稿，第 5 步的路径不适用于其补充材料。 - 出版商的开放获取文章的补充材料： Europe PMC，
https://www.ebi.ac.uk/europepmc/webservices/rest/<PMCID>/supplementaryFiles，返回一个 zip 文件（PMC12904924：4.5 MB zip）。 - NIHMS 手稿的补充材料： Europe PMC 返回空响应（297 字节，PMC11700762），PMC 的 OA 服务 (
/utils/oa/oa.fcgi) 和 FTP 返回 404，并且链接pmc.ncbi.nlm.nih.gov/articles/instance/<id>/bin/<file>打开一个“准备下载...”页面，这需要浏览器。这是针对机器人的障碍：不要绕过。 停下来，说明需要哪个文件，然后请用户在浏览器中下载并将其保存到包的文件夹中，使用你指定的名称。 - 在请求用户之前，先尝试出版商。 NIHMS 手稿也有出版商版本。在 Elsevier，Crossref 提供 PII（
alternative-id），补充材料通常位于公共 CDNhttps://ars.els-cdn.com/content/image/1-s2.0-<PII>-mmc1.pdf（如果 404 则更改扩展名）。Benke 2025（PII S0956566324010595）在 13/10/2026 年通过此方式获取：200，1.5 MB PDF，无阻碍。
千万不要做： 因为补充材料未打开而凭记忆重建序列、目录号、体积或温度。未从文件中获取的内容保留为“待定”，并附上缺失文件的名称。
在陷入路径循环之前： 如果同一文件的两条不同路径都返回 404，请停下来检查文章类型（第 4 步），而不是尝试第三条路径。
无法绕过的限制
- CAPES 第 275/2023 号法令，第 50 条 禁止使用机器人或智能代理访问或下载合同内容，并且该禁令适用于授权用户。Scopus、Web of Science、CAPES 门户、Google Scholar：构建检索字符串，在侧边打开数据库，接收导出。永远不要自动化接口。
- 永远不要写入
zotero.sqlite。 仅使用mode=ro&immutable=1读取。 - 永远不要覆盖筛选决定。 元数据可以重建；人类判断则不能。
- 永远不要在不通过 API 验证的情况下引用标识符。 伪造的 DOI 通过阅读无法与真实的区分。
在交付之前
- 每个零是否都已通过六种成因之一得到解释？
- 每个求和是否都通过两种方式闭合？
- 每个截断是否都说明了有多少被排除在外？
- 每个范围是否都已声明？
- 每个变体融合是否都经过了人类决策？