引用同盟帮助数学家——以及他们的大学——攀升排名
对引用指标和大学排名的操纵正在被拿来与 SEO 垃圾内容相比较，相关报道包括“引用同盟”、同行评审中的强制性引用，以及通过膨胀作者名单来提升机构声望而非科学质量。评论者将其与古德哈特定律和学术界更广泛的反向激励联系起来，认为当职业发展和经费与简单的量化指标挂钩时，这些指标就会被系统性滥用。有人主张放弃或大幅弱化基于引用的排名，加强复现与诚信检查，并资助优先重现性和有意义工作的替代出版模式，而不是影响因子。
引用同盟与指标博弈
- 许多人认为，引用同盟是指标驱动的评估和大学排名带来的可预见结果。
- 这被拿来与 SEO 垃圾内容和 PageRank 博弈相比较：链接农场 ↔ 引用圈。
- 有人指出，这种行为几十年前就已存在；新的是其规模以及在排名中的核心地位。
古德哈特定律与被滥用的指标
- 反复提到古德哈特定律：一旦引用成为目标，它们就不再是衡量影响力或质量的好指标。
- 引用数可能很高，但对应的是糟糕或已被推翻的工作，或者只是因为很多人都在研究一个热门话题。
- 几位评论者认为，引用次数主要服务于管理者和排名，而不是研究者。
同行评审、强制性引用与作者署名
- 多个轶事提到审稿人“建议”一些无关或有利于自身的引用，编辑也会催促作者引用自己期刊的文章。
- 强制性或政治性署名（尤其在医学领域）以及膨胀的作者名单被描述为司空见惯。
- 也有人为引用建议辩护，认为它们往往是在指出相关的前人工作；不同领域和刊物的体验差异很大。
复现性与研究质量
- 有人强烈主张，许多领域的大多数论文都无法复现；也有人认为这说法被夸大了，并指出不同领域差异很大。
- 数学常被视为例外（结果会经过证明检查），不过也有人指出，非平凡错误仍然会出现。
- 物理、计算机科学和工程被描绘为更受现实世界验证约束，但仍会受到可疑分析和糟糕代码的影响。
学科差异与碎片化
- 规模很小、极其专门化的“圈子”掌控着利基领域；他们互相评审彼此的工作，并可能制定本地规范，无论好坏。
- 某些领域（AI/ML）因论文数量过多而不堪重负，导致引用不足或重复发现；另一些领域（心理学、部分生物医学领域）则被视为尤其脆弱。
- 争论还包括纯数学到底在多大程度上推动应用工作，以及理论与应用在多大程度上彼此脱节。
排名、声望与拟议修正
- 基于引用的排名被广泛批评为“明显可以被操纵”，但仍然很有影响力。
- 有人认为，声望高的机构损失更大，因此会以更隐蔽的方式作弊；也有人看到，在僵硬的国家指标体系下，低层级系统中存在更赤裸裸的博弈行为。
- 建议包括：放弃定量排名或至少极其轻视它们、开放预印本、加强复现与诚信工作，以及可能建立独立的“诚信研究所”——不过对其激励机制和有效性仍存在怀疑。