前阵子听作者讲了个事儿，让人哭笑不得。他们学院评职称，材料上交之后，评委会给出的反馈很“直接”：论文数量够了，期刊也不差，就是H指数有点难看，和其他人比“略显薄弱”。一句话，把他这些年的折腾概括成了一个冰冷的数字。

作者说自己那一刻的感受挺复杂：不是不知道这些指标重要，只是心里老在打问号——我到底是来做研究的，还是在玩数据游戏？

这几年，不管是评人才，还是评项目，H指数、影响因子几乎成了绕不过去的关口。很多人开玩笑说，你在学术圈混，最好先记住自己的H指数和“最高IF”。这种唯指标论英雄的风气，乍一看好像挺“科学”：有数、有图、有公式，客观、统一、好操作。但真把自己的职业命运压在这些数字上，多少人心里是发凉的。

H指数也好，影响因子也罢，刚出生的时候初衷不坏。编辑筛稿，用影响因子判断期刊位置；管理部门要在成千上万的候选人里做个初步排序，量化指标确实比“拍脑袋”靠谱得多。你总不能把每个人的论文都从头到尾读一遍，再开一整天会讨论谁更强，现实不允许。

问题在于，本来是个辅助工具，慢慢变成了唯一标准。会议室里一摞简历摊开，桌上放着几张表格：论文总数、一区比例、H指数、总被引……人还没见着，数字先排队站好了。评委时间有限、精力有限，最后就退回到最省事的那条路：谁的数字好看，谁更“有竞争力”。于是，不少人发现自己不得不迎合指标，而不是忠于问题。

这种“唯指标”的逻辑

第一刀砍在学科差异上。做数学的、做基础理论的，本来论文少、引用慢，H指数天生起得慢。做热门生命科学的、做大团队协作的，很容易在短时间内堆高被引。你用同一把尺子去量，必然有人吃亏。最后，你会发现，社会真正需要的一些方向，反而在指标排名里排到了后面。

第二刀砍在学术行为上。当大家都盯着数字的时候，行为就会跟着数字调整：

选题上，优先考虑“出论文快”的，而不是“重要但难”的。

写作上，把一个完整的工作拆成几篇小文章。

合作上，有人开始精算“挂多少作者，能提高多少被引”，甚至出现彼此默契“相互引用”的小圈子。

明面上大家都在发论文，数字好看得很，真正扎实、耐得住寂寞的工作，反而不太“划算”。你很难要求一个刚进青椒期、压力山大的老师，去做一个五年都不一定出成果的高风险项目。

他知道，五年之后，如果没有漂亮的H指数和IF记录，下一轮考核就过不去。于是，稳妥的小改进、跟风式的热点研究越来越多，真正敢“赌一把”的人越来越少。

真正让人不甘心的，不是有指标，而是被指标牵着走，却又无力改变的那种无奈。当越来越多的人意识到这个问题，并愿意把困惑说出来，或许，某一天我们不再会以“我的H指数是多少”来介绍自己，而是更自然地说：我在研究什么问题，我做出来了什么有意思的东西。那时候，数字还在，但决定你是谁的，不再只是数字。