现在h指数有愈加流行的趋势，大家认为相较于影响因子，h指数能从总体上更客观地评价研究者的水平。影响因子更多地是对期刊的评价，而h指数则兼顾了研究者的被引次数和文章数量。文双春老师被推荐至头条的博文用了个刺激人的题目《h指数准确预测科学家伙能否成大器》。但其实，姑且不论预测一个家伙能否成大器是很难的一件事儿，如果从h指数计算的本质来看，它仍然有不靠谱性。

一个缺陷是，基于不同的检索数据库如Web of Science、Scopus、Google Scholar，算出来的某个研究者的h指数常常不一样，这跟数据库的收录范围有关。这时候，我们选择用哪个？估计很多人愿意用比较高的那个。这三个里头，更多时候或许Google Scholar给出的h指数最高，我发现它有时会将非论文的材料算作引用（如果这个材料提到了你的文章）。实情是，这些检索数据库并不能体现你文章的所有引用，比如WoS，更侧重于SCI收录期刊的引用，直到最近才稳定的将一些中文期刊的引用算进去。另外，不同学科领域被这些检索数据库收录的程度不同，比如分类学期刊被收录为SCI的比例小，而分子生物学和医学则高很多。因此，不同领域科学家的h指数其实并没有太多可比性。

但我觉得一个更加值得关注的缺陷是：h指数没有区分作者的实际贡献。

来看一个简单的例子。A和B是紧密的合作者，两者共同发表论文，共同署名了20篇引用次数超过20的文章。这时候两者的h指数都是20，表面上看好像科研水平相当。但是，在这20篇文章中，A是15篇文章的第一作者，而B只是5篇文章的第一作者。很明显，A作者应该有更大的贡献。所以，h指数倾向于对大的研究团队有利，多个合作者会共享比较高的h指数（大合作的实验学科就比常单兵或小集团作战的理论学科h指数高），这种情况下混淆了不同作者的实际贡献。

要真正衡量研究者的实际贡献，应该对h指数做适当的改进。比如，只统计某位研究者作为第一作者或通讯作者时的h指数。对于上面的例子，A的h指数就应该是15；而B是5。这个简单的改进也是很粗糙的，因为有时候难以界定研究者在非第一作者文章中的实际贡献。

为了让评价更细致客观，可以考虑在计算h指数时对不同顺序的作者有个权重。比如，第一作者权重为1，第二作者权重为0.7，第三作者为0.4。如果第一作者同时是通讯作者，那么权重为1；如果通讯作者非第一作者，其权重计为0.8。还是上面的例子，假定A是15篇文章的第一作者，是另5篇的第二作者；B是5篇文章的第一作者，另15篇的第二作者。这时候计算两者的h指数：A为（15*1 + 5*0.7）=18.5；B为（5*1 + 15*0.7）=15.5。我们可以发现，用现有的计算h指数的方法，A和B用h指数所代表的科研贡献都被高估了，并且现有的方法掩盖了A和B实际贡献的大小。